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：
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
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：
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
},
},
}
print("初始化 Memory...")
m = Memory.from_config(config)
print("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")
print("Add result:", result)
print("查询 Memory...")
results = m.search("What do you know about me?", user_id="Hollis666")
print(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
uv add mem0ai
uv add ollama
uv add psycopg2-binary
6、运行代码
uv run hello.py
或者
pip hello.py
输出结果如下：
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'}]}