✅长期记忆实现方案——Mem0

提到长期记忆，不得不提的一个框架就是——Mem0(https://github.com/mem0ai/mem0 )，这是一个开源项目，旨在为 AI Agent提供个性化、可持久化的长期记忆能力。它通过将用户与 AI 的交互历史进行结构化存储、向量化，并结合检索增强生成（RAG）机制，使 AI 能够“记住”过去与特定用户的对话内容、偏好、上下文等信息，从而在后续交互中提供更连贯、个性化的响应。



Mem0 的实现主要基于以下几个关键技术模块：

记忆提取

  • 在每次用户与 AI 交互后，Mem0 使用一个记忆提取器分析对话内容。

  • 提取关键事实、偏好、意图等，例如：“用户喜欢喝无糖咖啡”、“用户住在杭州”。

  • 这些信息被转化为简洁、结构化的记忆条目。



向量化与存储

  • 每条记忆被嵌入成向量

  • 向量存储在向量数据库中，并关联到特定用户 ID。

  • 支持元数据（如时间戳、来源对话 ID）以便后续过滤或排序。



记忆检索

  • 在新对话开始时，Mem0 根据当前用户输入查询向量数据库。

  • 通过相似度搜索召回最相关的过往记忆。

  • 可结合时间衰减、相关性评分等策略对记忆进行重排序。



上下文注入与生成

  • 检索到的记忆被格式化后，作为上下文注入到 LLM 的 prompt 中。



例如：

1
2
以下是关于用户的一些记忆：- 用户不喜欢吃香菜。- 用户最近在准备考研。
当前问题：推荐一道晚餐食谱。

LLM 利用这些记忆生成更贴合用户背景的回答。



记忆去重与演化

  • Mem0 会检测新提取的记忆是否与已有记忆重复或冲突。

  • 通过 LLM 判断是否需要合并、更新或废弃旧记忆，避免冗余或矛盾。

  • 例如：旧记忆是“用户住在北京”，新对话说“刚搬到上海”，系统会更新位置信息。



Mem0使用教程



介绍下，在python中如何使用mem0做长期记忆。



1、安装pgvector（之前讲过）

  • 安装后创建数据库名字为mem0_memory

  • 用户名和密码统一为pgvector

2、安装ollama（之前讲过）

  • 安装 qwen2.5:0.5b

  • 安装 nomic-embed-text:v1.5



我本地电脑（Apple M1 Pro的芯片 ）尝试过其他的模型，包括deepseek-r1:7b、qwen3-embedding:4b等，都跑不动，可以根据自己的情况选择其他模型。我实践下来以上组合是可以的。



3、安装uv（之前讲过）



以前我们讲过，不装也可以，直接用pip也行。



4、编写py脚本



创建虚拟环境并激活



1
2
3
4
5
6
uv init hello_mem0

cd hello_mem0 
uv venv

source .venv/bin/activate



这里需要修改mem0的默认配置，包括向量数据库、语言模型和嵌入模型，改用我们之前安装过的pgvector、模型也用ollama本地部署的。



创建文件hello.py，并编写以下脚本：



1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
from mem0 import Memory
config = {
     "vector_store": {
        "provider": "pgvector",        "config": {
            "user": "pgvector",            "password": "pgvector",            "host": "127.0.0.1",            "port": "5433",            "embedding_model_dims":768,            "dbname":"mem0_memory"        }    },    "llm": {
        "provider": "ollama",        "config": {
            "model": "qwen3:1.7b",            "temperature": 0,            "max_tokens": 2000,            "ollama_base_url": "http://localhost:11434",  # Ensure this URL is correct        },    },    "embedder": {
        "provider": "ollama",        "config": {
            "model": "nomic-embed-text:v1.5",            "ollama_base_url": "http://localhost:11434",            "embedding_dims":768        },    },
}
pr
int("初始化 Memory...")m = Memory.from_config(config)
pr
int("添加 Memory...")messages = [    {
"role": "user", "content": "Hi, I'm Hollis. I love Coding and Gaming."
},    {
"role": "assistant", "content": "Hey Hollis! I'll remember your interests."
}]
# 检查 add 是否返回结果或报错result = m.add(messages, user_id="Hollis666")pr
int("Add result:", result)
pr
int("查询 Memory...")results = m.search("What do you know about me?", user_id="Hollis666")pr
int(results)



注意1：不要用官网中的results = m.search(“What do you know about me?”, filters={“user_id”: “alex”})这种语法查询记忆，会报错提示：At least one of ‘user_id’, ‘agent_id’, or ‘run_id’ must be provided.

注意2：需要指定”embedding_model_dims”:768、”embedding_dims”:768 等配置，否则会报错：expected 1536 dimensions, not 768



5、添加相关依赖



1
2
3
4
5
6
uv add mem0ai

uv add 
ollama

uv add psycopg2-binary







6、运行代码



1
2
3
uv run hello.py
或者 
pip hello.py



输出结果如下：



1
2
3
初始化 Memory...添加 Memory...Add result: {'results': [{'id': '0f2e08e2-1aa1-40e5-93e9-e1e207c641ae', 'memory': 'Name is Hollis', 'event': 'ADD'}, {'id': '36b4f2fc-7b79-4467-9658-c43c6123de9e', 'memory': 'Loves Coding and Gaming', 'event': 'ADD'}]}

查询 Memory...{'results': [{'id': '0f2e08e2-1aa1-40e5-93e9-e1e207c641ae', 'memory': 'Name is Hollis', 'hash': '5edda5964e4b435d379f95eb3476b90e', 'metadata': None, 'score': 0.5794673702831845, 'created_at': '2025-12-24T04:31:35.604207-08:00', 'updated_at': None, 'user_id': 'Hollis666'}, {'id': '36b4f2fc-7b79-4467-9658-c43c6123de9e', 'memory': 'Loves Coding and Gaming', 'hash': 'c1c4a6510be2c1417c419bf05b79f05f', 'metadata': None, 'score': 0.6695897223526462, 'created_at': '2025-12-24T04:31:35.662664-08:00', 'updated_at': None, 'user_id': 'Hollis666'}]}