Web前端开发网

web.fly63.com

首页资源工具文章教程栏目

mem0

网站地址:https://mem0.ai

GitHub:https://github.com/mem0ai/mem0

描述信息:AI智能记忆管理，给你的大模型加上长期记忆

访问官网

GitHub

如果你用过 AI 助手，可能遇到过这种情况 —— 聊了半天，它转头就忘了你的偏好；换个设备登录，之前的对话上下文全没了。而 mem0 这个开源项目，就是专门解决 AI “记性差” 的问题，给 AI apps 装一层 “智能记忆层”，让 AI 能记住用户习惯、适应个人需求，越用越懂你。

它是 YC（Y Combinator，知名创业孵化器）第 631 期孵化项目，不管是做客服机器人、个人 AI 助手，还是自主运行的 AI 系统，都能用它来提升个性化体验，官网是 mem0.ai，代码完全开源在 GitHub 上，协议是 Apache-2.0，能自由用在个人或商业项目里。

一、核心功能：AI 的 “记忆管理大师”

mem0 的功能都围绕 “让 AI 记对、记准、用好信息” 展开，没有复杂难懂的术语，都是实实在在解决问题的能力：

1. 多层级记忆：该记的都不落下

它能区分三种关键记忆，不会把用户信息、对话场景和 AI 自身设定混在一起：

用户记忆：比如记住 “小明喜欢喝美式咖啡，不加糖”“李姐对坚果过敏”；
会话记忆：比如某一次对话里，用户说 “我这次要解决 Excel 公式问题”，后续对话能衔接这个需求；
AI 代理记忆：比如给 AI 助手设定 “你是健身教练，要优先推荐居家训练”，AI 不会忘了自己的角色定位。

2. 自适应个性化：越用越懂你

不是简单 “存信息”，而是会根据互动不断优化记忆。比如用户一开始说 “喜欢跑步”，后来又提 “最近膝盖不好，改游泳了”，mem0 会更新记忆，下次 AI 推荐运动时就不会再提跑步，而是优先说游泳相关内容。

3. 开发者好上手：不用从零造轮子

提供简单的 API 和 Python 包，开发者不用自己搭 “记忆存储”“信息检索” 的复杂系统。比如想给 AI 加 “记用户爱好” 的功能，几行代码就能调用 mem0 的 “存记忆”“搜记忆” 能力，不用懂底层的数据库逻辑。

4. 跨平台一致：换设备也不 “断片”

不管用户在手机、电脑还是平板上用 AI，mem0 能同步记忆。比如在电脑上跟 AI 说 “我明天要开项目会”，手机上打开同一个 AI，它也能记得这个安排，不会让用户重复说一遍。

5. 两种使用方式：按需选不用勉强

托管服务：不想自己管服务器、更新维护的话，直接用 mem0 的官方平台，有自动更新、数据分析和客服支持，注册就能用；
自托管：如果需要把控数据安全，或者有定制需求，能下载开源代码自己部署，支持对接自己的数据库。

6. 新功能：图记忆（Graph Memory）

普通记忆可能只是存 “零散信息”，而图记忆能存 “信息之间的关系”。比如记住 “小明”“参加项目 A”“负责设计” 这三个信息的关联，当搜索 “项目 A 的设计负责人” 时，能更快定位到 “小明”。目前支持 Neo4j 数据库（本地或云端的都能用），只需简单配置就能开启。

二、它是怎么工作的？用大白话讲清楚

mem0 的核心逻辑其实很像 “人整理笔记”：先把信息分类存好，需要的时候快速找到最重要的内容，具体分三步：

1. 存记忆：把 “杂乱信息” 变 “规整数据”

当你用add()方法给 mem0 传信息（比如 “我在练网球，想找线上课程”），它会先 “提炼关键信息”—— 把这句话拆成 “练网球”“找线上课程” 两个核心点，然后存到三个不同的 “数据库抽屉” 里：

向量数据库：负责存 “需要联想的信息”，比如以后搜 “网球相关需求”，能快速关联到 “找课程”；
键值数据库：负责存 “一对一的明确信息”，比如用户 ID 对应 “练网球” 这个爱好；
图数据库：负责存 “关系信息”，比如 “用户 - 练网球 - 找课程” 之间的关联（如果开了图记忆功能）。

这样分类存，是为了后面找的时候更快、更准。

2. 搜记忆：把 “有用的信息” 挑出来

当 AI 需要 “回忆” 时（比如用户问 “我的爱好是什么”），用search()方法就能触发搜索。mem0 会同时查上面三个 “数据库抽屉”，然后给查到的信息打分 —— 根据 “和问题的相关性”“信息重要程度”“是不是最近的内容” 排序，只把最有用的信息挑出来。

比如用户之前说过 “练网球”“喜欢看电影”，现在问 “我的运动爱好”，mem0 会优先把 “练网球” 挑出来，而不是把 “看电影” 也混进来。

3. 用记忆：让 AI 回复更贴心

搜出来的记忆会自动加到 AI 的 “提示词” 里。比如 AI 原本的提示词可能只有 “回答用户的问题”，加上记忆后就变成 “用户喜欢练网球，现在问运动建议，要优先推荐网球相关内容”，这样 AI 的回复就不会 “没头没脑”，而是带着对用户的了解。

三、能用来做什么？这些场景都能用

mem0 不是 “只能干一件事” 的工具，只要需要 AI “记东西” 的场景，它都能派上用场：

1. AI 助手 / 代理：聊天不 “断片”

比如做一个个人 AI 助手，用 mem0 后，助手能记住你 “每天 8 点要听新闻”“讨厌冗长的回复”，下次不用你重复说，它会主动在 8 点发精简的新闻，对话体验更像 “跟熟人聊天”。

2. 个性化学习：记得你的学习进度

比如一个 AI 学习平台，mem0 能记住 “你学完了 Python 基础，卡在了爬虫部分”“喜欢看视频教程，不喜欢读文字”，推荐内容时就不会再推基础课，而是优先给爬虫的视频教程。

3. 客服机器人：不用用户 “重复说”

比如电商客服 AI，mem0 能记住 “用户之前买过 XX 型号的手机，现在问售后”“用户对物流速度敏感”，用户再咨询时，客服不用反复问 “你买的是什么型号”，能直接对接需求。

4. 医疗场景：管理患者信息

比如给医生用的 AI 辅助工具，mem0 能记住 “患者有高血压，对青霉素过敏”“上次就诊开了 XX 药”，下次患者复诊时，AI 能快速调出历史信息，帮医生减少重复询问，避免遗漏关键病史。

5. 虚拟陪伴：处出 “熟人情谊”

比如虚拟宠物、情感陪伴 AI，mem0 能记住 “用户喜欢晚上 9 点聊天”“提到过宠物叫‘团团’”，后续互动时，AI 会主动在 9 点打招呼，偶尔提 “团团最近怎么样”，让用户觉得 “它真的记得我”。

6. 生产力工具：适配你的习惯

比如 AI 办公助手，mem0 能记住 “你习惯用 Markdown 写文档”“每周五要整理项目周报”，到了周五，助手会主动提醒 “该写周报啦”，生成文档时也会默认用 Markdown 格式，不用你每次手动设置。

7. 游戏场景：让世界 “记住你”

比如开放世界游戏的 AI NPC，mem0 能记住 “玩家之前帮过村民修房子”“讨厌被偷袭”，下次玩家再遇到这个 NPC，NPC 会说 “上次谢谢你修房子”，战斗时也不会用玩家讨厌的偷袭方式，让游戏体验更沉浸。

四、怎么上手用？简单三步搞定

不管是想快速试用，还是自己部署，步骤都很简单：

1. 安装：一行代码装包

如果用 Python，直接用 pip 装 mem0 的包就行：

pip install mem0ai

如果不想自己装环境，也能直接用 mem0 的官方托管平台（官网就能进），不用配置服务器，注册后直接用。

2. 初始化：连好 LLM 就能用

mem0 需要搭配 LLM（大语言模型）才能工作，默认用 OpenAI 的 gpt-4o，也支持其他 LLM（比如 Claude、本地模型，具体看官方文档的 “支持的 LLM” 列表）。

首先要设置 LLM 的 API 密钥（比如 OpenAI 的 key），然后初始化 “记忆” 对象：

# 1. 导入mem0和os（用来设置环境变量）
import os
from mem0 import Memory

# 2. 设置OpenAI的API密钥（替换成你的key）
os.environ["OPENAI_API_KEY"] = "sk-你的密钥"

# 3. 初始化记忆
m = Memory()

如果要开 “图记忆”，需要额外配置 Neo4j 数据库（本地或云端的都可以），比如：

from mem0 import Memory

# 配置图数据库和版本
config = {
    "graph_store": {
        "provider": "neo4j",  # 目前只支持Neo4j
        "config": {
            "url": "neo4j+s://你的Neo4j地址",  # 比如云端AuraDB的地址
            "username": "neo4j",  # 默认用户名
            "password": "你的Neo4j密码"
        }
    },
    "version": "v1.1"  # 必须是v1.1才能用图记忆
}

# 用配置初始化记忆
m = Memory.from_config(config_dict=config)

3. 常用操作：5 个核心功能示例

mem0 的常用操作就 5 个，代码都很直观，不用记复杂逻辑：

操作	代码示例	效果
存记忆	result = m.add("我在练网球，想找线上课程", user_id="alice", metadata={"category": "hobbies"})	会自动提炼出 “练网球”“找线上课程”，存到数据库，关联用户 “alice” 和分类 “爱好”
更新记忆	result = m.update(memory_id="记忆ID", data="喜欢周末打网球")	把原来的 “练网球” 更新成 “喜欢周末打网球”，会保留更新记录
搜记忆	related_memories = m.search(query="alice的爱好是什么？", user_id="alice")	会找出 “alice 喜欢周末打网球” 这个记忆
查所有记忆	all_memories = m.get_all()	能拿到所有存过的记忆，包括每个记忆的 ID、内容、关联用户等
查记忆历史	history = m.history(memory_id="记忆ID")	能看到这个记忆的修改记录，比如 “之前是‘练网球’，后来改成‘周末打网球’”