使用Python SDK调用Mem0主要分为自托管和托管服务两种方式。下面这个表格汇总了核心的调用流程和关键点，方便你快速把握。

🔧 初始化客户端

根据你选择的方式，初始化步骤有所不同。

1. 自托管模式：你需要一个详细的 config配置来连接本地资源。

   from mem0 import Memory
   import os
   
   # 配置项：需要指定LLM、嵌入模型和向量数据库
   config = {
       "llm": {
           "provider": "openai",  # 例如使用OpenAI的模型
           "config": {
               "model": "gpt-4o-mini",
               "api_key": os.getenv("OPENAI_API_KEY"),
           },
       },
       "embedder": {
           "provider": "openai",
           "config": {
               "model": "text-embedding-3-small",
           },
       },
       "vector_store": {
           "provider": "chroma",  # 例如使用本地的Chroma数据库
           "config": {
               "collection_name": "my_memories",
               "path": "./chroma_db",
           },
       },
   }
   
   # 根据配置创建记忆客户端
   memory_client = Memory.from_config(config)

2. 托管服务模式：初始化非常简单，只需要API密钥。

   from mem0 import MemoryClient
   
   # 替换 'your-api-key-here' 为你在火山引擎或Mem0官方平台获取的密钥
   memory_client = MemoryClient(api_key="your-api-key-here")

💾 存储与检索记忆

初始化客户端后，核心操作是统一的。

• 添加记忆：使用 add方法。你可以存储单条信息或完整的对话记录。

  # 添加单条记忆
  memory_client.add("用户计划下个月读一本人工智能相关的书", user_id="user_123")
  
  # 添加多轮对话记忆
  messages = [
      {"role": "user", "content": "我叫李明，喜欢打篮球和编程。"},
      {"role": "assistant", "content": "好的李明，已记下你的爱好。"}
  ]
  result = memory_client.add(messages, user_id="user_123")

• 检索记忆：使用 search方法，Mem0会基于语义相似度返回最相关的记忆片段。

  # 当用户提问时，搜索相关记忆
  query = "我之前和你聊过什么关于爱好的事吗？"
  relevant_memories = memory_client.search(query=query, user_id="user_123")
  
  # 打印检索结果
  for memory in relevant_memories["results"]:
      print(f"- 记忆ID: {memory['id']}, 内容: {memory['memory']}, 相关性得分: {memory.get('score', 'N/A')}")

🔍 其他实用操作

• 获取所有记忆：获取某个用户的全部记忆列表。

  all_user_memories = memory_client.get_all(user_id="user_123")

• 删除记忆：可以按记忆ID删除单条，或删除用户的全部记忆。

  # 删除单条记忆
  memory_client.delete(memory_id="具体的记忆ID")
  
  # 删除用户的所有记忆
  memory_client.delete_all(user_id="user_123")

💡 集成到AI应用中的模式

一个典型的集成模式是“检索-增强-生成”（RAG），即在调用大模型（LLM）生成回复前，先通过Mem0检索相关记忆作为上下文。

def chat_with_memory(user_message, user_id):
    # 1. 检索相关记忆
    memories = memory_client.search(query=user_message, user_id=user_id)
    context = "\n".join([mem["memory"] for mem in memories["results"]])
    
    # 2. 构建增强的Prompt
    prompt = f"""基于以下用户背景信息回答问题。
用户背景：
{context}
问题：{user_message}
回答："""
    
    # 3. 调用LLM生成回复 (这里需要你已有的LLM客户端，如OpenAI)
    # response = your_llm_client.chat.completions.create(...)
    # assistant_reply = response.choices[0].message.content
    
    # 4. (可选) 将本轮交互作为新记忆存储
    # new_messages = [{"role": "user", "content": user_message}, {"role": "assistant", "content": assistant_reply}]
    # memory_client.add(new_messages, user_id=user_id)
    
    # return assistant_reply
    pass

希望这份指南能帮助你顺利开始使用Mem0。如果你在初始化配置或具体操作中遇到任何问题，可以随时告诉我，例如你倾向于自托管还是托管服务，我可以提供更具体的建议。