目录

​编辑

1.mem0 是什么？

2.搭建 mem0 开源版环境

3.技术实现

3.1 使用的组件

3.2 记忆创建过程

3.3 通过对话创造回忆

3.4 记忆存储和检索

3.5 智能体(Agent)的记忆存储

3.5 利用短期记忆处理临时上下文

3.6 召回之前的记忆

3.7 批量记忆检索

3.8 删除个人记忆

3.9 批量删除记忆

3.10 完成系统重置

4.总结

---

1.mem0 是什么？

mem0 是一个开源的 “Memory Layer（记忆层）” 库/服务，旨在为人工智能系统实现持久上下文记忆。 他能够使你构建的智能体跨会话记住用户或系统提供的信息，并在将来使用时自动检索和调用它。

换句话说，如果你用 OpenAI/Claude 等 API 做了一个 AI 助手，默认它的“记忆”只在当前上下文（prompt）窗口里，结束对话就忘了。但 mem0 能帮你把重要信息保存下来，下次会话也能回忆起来。

智能体（Agent）需要强大的记忆机制来实现以下关键功能：

• 在多个交互序列和会话中保持对话上下文

• 从历史互动中学习并为未来互动创造背景

• 实施与时俱进的自适应个性化系统

如果没有完善的记忆架构，智能体（Agent）将以无状态运行，将每次交互都视为一个孤立事件。这种架构限制会导致上下文信息丢失，并阻碍复杂的情境化和个性化交互的实现，导致差的用户体验。

mem0代码仓库：https://github.com/mem0ai/mem0

2.搭建 mem0 开源版环境

使用 Python 包存储库安装

pip install mem0ai

为 chromadb 安装额外的依赖项

pip install chromadb

mem0 组件

mem0的主要代码可以在GitHub repo中找到https://github.com/mem0ai/mem0/

mem0内存管理

信息提取（Information Extraction）

• 事实提取（Fact Extraction）：系统使用大型语言模型（LLM）分析对话数据，从中提取离散的记忆单元，并在对话上下文中识别各个实体之间的关系。
• 记忆处理（Memory Processing）：系统使用大型语言模型（LLM）基于新提取信息与当前已有记忆单元之间的语义相关性分析，决定是否执行添加、删除或更新等合适的记忆操作。

内存架构

实现双数据库方法，向量存储支持语义检索，图数据库维护关系拓扑。检索机制利用语义相似度评分和图遍历算法，并根据相关性指标和时间近因进行优先排序。

3.技术实现

3.1 使用的组件

ChromaDB：具有高效语义搜索功能的嵌入式矢量数据库

GPT-4o：OpenAI 用于高级 NLP 处理的 LLM

对于 LLM 接口，mem0 利用 litegpt 库，通过统一的 API 提供对众多 LLM 提供程序和模型的抽访问。此架构支持灵活的模型选择，同时无论底层模型实现如何，都能保持一致的内存操作。

3.2 记忆创建过程

mem0 利用底层 LLM 和精心构建的提示来协调记忆操作。该框架从对话中提取语义事实，根据现有记忆进行处理，并选择性地存储相关信息。

在下面的实现中，我们演示了如何通过实现custom_prompt配置参数中定义的定制提示来覆盖默认的事实提取行为。

import chromadb
from neo4j import GraphDatabase

from mem0 import MemoryClient
from mem0 import Memory
#mem0 configuration

config = {
    "vector_store": {
        "provider": "chroma",
        "config": {
            "collection_name": "test",
            "path": "/Users/pi/LL/src/mem0/db",
        }
    },
    "llm": {
        "provider": "openai",
        "config": {
            "api_key": openai_api_key,
            "model": "gpt-4o-mini",
            "temperature": 0.1,
            "max_tokens": 2048,
            "top_p": 1.0,
            "top_k":10,
        }
    },
    "embedder": {
        "provider": "openai",
        "config": {
            "api_key": openai_api_key,
            "model": "text-embedding-3-small"
        }
    },
    "history_db_path": "/Users/pi/LL/src/mem0/history.db",
    "version": "v1.1",
    "user_email" : "AA",
    "custom_fact_extraction_prompt": custom_prompt
}
# Initialize mem0 client
client = Memory.from_config(config)
app_id="test_application"

3.3 通过对话创造回忆

本节演示如何创建和存储用户与助手之间对话的记忆。示例展示了如何处理两轮对话，并将其与相应的用户标识一起添加到记忆系统中。

m=[] 

# 第一轮：关于印度名人的初步对话
    m=[{ "role" : "user" , "content" : "用户想知道印度名人的情况" }] 
    m.append({ "role" : "assistant" , "content" : "印度在各个领域都涌现出许多名人。以下是一些著名人物：\
    圣雄甘地——因其在印度独立运动中通过非暴力不合作所发挥的作用而闻名。\ 
    BR 安贝德卡尔博士——一位颇具影响力的社会改革家和印度宪法的主要制定者。\
    拉宾德拉纳特·泰戈尔——一位诗人、作家，第一位获得诺贝尔文学奖的非欧洲人。\
    特蕾莎修女——因其人道主义工作和帮助穷人和病人的奉献精神而闻名。APJ 阿卜杜勒·卡拉姆——一位科学家和印度第 11 任总统，因其在航空航天工程领域的工作和鼓舞人心的领导而闻名。\
    这些人为社会做出了重大贡献，并在印度和世界各地留下了持久的影响。 " }) 
    result=client.add( 
        m, 
        metadata={ "app_id" : app_id}, 
        user_id= "user1"
     ) 
    print ( "第一轮记忆结果：" , result) 
    # 第二轮：用户询问印度菜
    m2=[{ "role" : "user" , "content" : "我应该尝试哪些著名的印度菜？" }] 
    m2.append({ "role" : "assistant" , "content" : "印度提供丰富多样的美味佳肴。以下是您绝对应该尝试的一些菜肴：\ 
    \n\n1. 黄油鸡 - 一种以奶油番茄为基底的咖喱，配以鲜嫩的鸡块\ 
    \n2. 马萨拉多萨 - 一种酥脆的米饼，内馅是香料土豆\ 
    \n3. 印度香饭 - 一种香喷喷的米饭，配有肉类或蔬菜和香料\ 
    \n4. 萨莫萨三角饺 - 一种三角形的糕点，内馅是香料土豆和豌豆\ 
    \n5. 恰特 - 一种以酥脆元素、酸奶和浓郁酸辣酱为特色的咸味小吃\ 
    \n6. 菠菜奶酪 - 菠菜酱汁中的奶酪块\ 
    \n\n这些菜肴代表了印度的不同地区，展示了印度菜的多元风味。" }) 
    result2=client.添加（ 
        m2，
        元数据={ “app_id”：app_id}，
        user_id= “user1”
     ）
    print（“第二轮记忆结果：”，result2）

3.4 记忆存储和检索

embedding_metadata在检查底层存储系统时，我们可以观察到 mem0 的向量数据库操作将数据持久存储在指定的数据库文件夹中。为了更好地理解内存的结构和访问方式，让我们检查一下文件中表的内容chroma.sqlite3。

下表显示了存储有用户身份信息的记忆示例：

请注意，当我们user_id在记忆创建请求中仅提供参数时，系统会专门捕获用户的查询并创建记忆，而不是完整的对话内容。

3.5 智能体(Agent)的记忆存储

该agent_id参数启用了一种从AI助手视角存储记忆的机制。代理记忆专门捕捉助手产生的洞察或明确提供给助手的信息。

# 第三轮：助手识别用户的食物偏好
    m3=[{"role": "assistant", "content": "听说你喜欢吃辣真是太好了，
尤其是咖喱！Vindaloo确实以其辛辣和复杂的口味而闻名，最初来自果阿，但在印度
和国外都很受欢迎。你去年出差时在孟买尝过的那道菜一定是正宗的。孟买有一些很棒
的餐厅，供应来自印度各地的地方美食。你在旅行期间还尝过其他地方特产吗？许多旅
行者发现印度的食物因地区而异。"}]

result3=client.add(
        m3,
        metadata={"app_id": app_id},
        agent_id="agent1"
    )
    print("Turn 3 Memory Result:", result3)

在检查底层存储系统时，我们可以观察到智能体(Agent)记忆的结构与用户记忆的不同：

这种差异化使得AI应用系统能够维护基于独特视角的记忆，从而随着时间的推移，对交互产生更复杂、更细致的理解。代理记忆作为系统自身学习到的关于用户的观察结果，能够在未来的交互中提供更个性化的响应，而无需用户明确重复输入。

3.5 利用短期记忆处理临时上下文

mem0 通过会话作用域存储（session-scoped storage）支持短期记忆管理。
借助 run_id 参数，开发者可以创建仅在特定交互会话中持久存在的上下文记忆。

result3 = client.add(
    m3,
    metadata={"app_id": app_id},
    run_id="trip-planning-2024"
)

当会话结束时，与之相关的记忆run_id可以被删除

3.6 召回之前的记忆

检索用户特定记忆

搜索功能提供了语义检索功能，可以访问与特定用户相关的记忆。这使我们能够获取按用户身份筛选并按与查询的相关性排序的记忆

retrieved_memories = client.search(
    "What do we know about this user?",
    user_id="user1",
    limit=10
)

搜索功能根据查询文本进行语义匹配，并返回具有相似度分数的相关记忆，从而实现符合情境的记忆检索。

检查结果时，我们可以看到相关记忆按其与查询的语义相似度排序

检索特定于智能体（Agent）的记忆

用户记忆记录的是用户请求的信息，而智能体记忆则追踪的是 AI智能体生成的洞察。为了检索这些特定于智能体的记忆，我们可以利用带有代理标识符的搜索功能：

retrieved_memories = client.search(
    "What does the agent know about this user?",
    agent_id="agent1",
    limit=10
)

当我们检查返回的数据时，可以看到系统是如何捕捉并对智能体（Agent）的观点进行排序的：

这些记忆代表了智能体在对话过程中了解到的有关用户的事实。

3.7 批量记忆检索

为了进行全面的内存分析或系统调试，mem0 提供了使用函数检索与特定标识符关联的所有记忆的功能get_all。以下示例演示了如何批量检索会话特定的记忆：

# 从特定会话中检索所有记忆
retrieved_memories = client.get_all(
    run_id="trip-planning-2024",
    limit=10
)

结果提供了在指定会话上下文中创建的记忆的完整视图：

我们也可以通过将 user_id 和 agent_id 作为输入参数传递给 get_all 函数（而不是使用 run_id），来检索与它们关联的所有记忆。

3.8 删除个人记忆

mem0 框架通过delete对特定记忆标识符进行操作的方法，对记忆删除提供精确的控制：

# 使用唯一ID删除特定记忆
client.delete(memory_id="d978d2a8-2fa4-402d-90e2-722f357fedc3")

这种细粒度的方法可以实现选择性内存管理，允许系统删除过时或不正确的信息，同时保留上下文的完整性。

3.9 批量删除记忆

为了进行更全面的清理操作，该delete_all方法可以根据关联的标识符有效地删除多个记忆：

# 删除与特定会话相关的所有记忆
client.delete_all(
    run_id="trip-planning-2024",
    limit=10
)

此功能支持各种过滤参数，包括user_id和agent_id，从而实现跨不同内存类别的有针对性的记忆管理。

3.10 完成系统重置

在实现开发迭代或与隐私相关的数据清除时，该reset函数提供了完整的记忆系统初始化：

#  彻底清除 系统客户端的所有记忆
client.reset()

此操作可有效地将记忆存储重置为其初始状态，删除所有存储的记忆，无论其关联的标识符或元数据是什么。

4.总结

本文介绍了mem0这款开源的“记忆层”框架，它能为 AI 系统提供跨会话的持久化记忆，用于存储、管理和检索用户及智能体的长期与短期上下文信息，从而实现更情境化和个性化的交互。借助案例来辅助理解men0的应用实现机制，希望对你理解智能体记忆有所启发和帮助。