> [!NOTE]
> 本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
> [English](./README.en.md) · [原始项目](https://github.com/mem0ai/mem0) · [上游 README](https://github.com/mem0ai/mem0/blob/HEAD/README.md)
> 原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。
了解更多
·
加入 Discord
·
演示
📄 Mem0 高 Token 效率记忆算法基准测试 →
## 新记忆算法（2026 年 4 月）
| Benchmark | 旧版 | 新版 | Tokens | 延迟 p50 |
| --- | --- | --- | --- | --- |
| **LoCoMo** | 71.4 | **92.5** | 7.0K | 0.88s |
| **LongMemEval** | 67.8 | **94.4** | 6.8K | 1.09s |
| **BEAM (1M)** | — | **64.1** | 6.7K | 1.00s |
| **BEAM (10M)** | — | **48.6** | 6.9K | 1.05s |
所有基准测试均在相同的、具有生产代表性的模型栈上运行。采用单次检索（一次调用，无 agentic 循环），检索预算为 top_200。分数反映的是 Mem0 托管平台的表现，其中包含开源 SDK 中不可用的专有优化；开源用户可预期方向相近的提升，但数值不会完全一致。
**主要变更：**
- **单次 ADD-only 提取** -- 一次 LLM 调用，无 UPDATE/DELETE。记忆持续累积；不会被覆盖。
- **Agent 生成的事实为一等公民** -- 当 agent 确认某项操作时，该信息现在会以同等权重存储。
- **实体链接（Entity linking）** -- 提取实体、进行嵌入，并在各条记忆间建立链接以提升检索效果。
- **多信号检索（Multi-signal retrieval）** -- 语义、BM25 关键词与实体匹配并行评分并融合。
- **时序推理（Temporal Reasoning）** -- 具备时间感知的检索，针对当前状态、过往事件和即将发生的计划类查询，对正确日期的实例进行排序。
升级说明请参阅[迁移指南](https://docs.mem0.ai/migration/oss-v2-to-v3)。[评估框架](https://github.com/mem0ai/memory-benchmarks) 已开源，任何人都可以复现这些数字。
## 研究亮点
- **LoCoMo 得分 92.5** -- 较上一版算法提升 21 分
- **LongMemEval 得分 94.4** -- 提升 27 分，assistant 记忆召回达 98.2
- **BEAM (1M) 得分 64.1** -- 在 1M tokens 规模下的生产级记忆评估
- [阅读完整论文](https://mem0.ai/research)
# 简介
[Mem0](https://mem0.ai)（"mem-zero"）通过智能记忆层增强 AI 助手与 agent，实现个性化的 AI 交互。它能记住用户偏好、适应个人需求，并随时间持续学习——非常适合客服聊天机器人、AI 助手和自主系统。
### 核心特性与用例
**核心能力：**
- **多级记忆（Multi-Level Memory）**：无缝保留 User、Session 与 Agent 状态，并支持自适应个性化
- **开发者友好**：直观的 API、跨平台 SDK，以及完全托管的服务选项
**应用场景：**
- **AI 助手**：一致且上下文丰富的对话
- **客户支持**：回忆历史工单与用户记录，提供定制化帮助
- **医疗健康**：跟踪患者偏好与病史，实现个性化护理
- **生产力与游戏**：基于用户行为自适应工作流与环境
## 🚀 快速入门指南
### 以 Agent 身份注册
AI agent 可在五秒内生成可用的 Mem0 API 密钥 —— 无需邮箱、无需控制台、无需 OTP。端到端只需四条命令：
```bash
# 1. Install
npm install -g @mem0/cli # or: pip install mem0-cli
# 2. Sign up as an agent (replace `claude-code` with your name)
mem0 init --agent --agent-caller claude-code
# 3. Add a memory
mem0 add "I am using mem0"
# 4. Search
mem0 search "am I using mem0"
```
人类所有者可稍后通过 `mem0 init --email ` 认领账户 —— 同一密钥，记忆完整保留。完整指南：[以 Agent 身份注册](https://docs.mem0.ai/platform/agent-signup).
| | Library | Self-Hosted Server | Cloud Platform |
|---|---------|-------------------|----------------|
| **最适合** | 测试、原型开发 | 在自有基础设施上运行的团队 | 零运维的生产使用 |
| **设置** | `pip install mem0ai` | `docker compose up` | 在 [app.mem0.ai](https://app.mem0.ai?utm_source=oss&utm_medium=readme) 注册 |
| **控制台** | -- | [有](https://docs.mem0.ai/open-source/setup) | 有 |
| **认证与 API 密钥** | -- | 有 | 有 |
| **高级功能** | -- | 预览 | 全部包含 |
只是测试？用 Library。为团队构建？选自托管。想要零运维？选 Cloud。
### Library（pip / npm）
```bash
pip install mem0ai
```
如需增强型混合检索（BM25 关键词匹配与实体提取），请安装带 NLP 支持的版本：
```bash
pip install mem0ai[nlp]
python -m spacy download en_core_web_sm
```
通过 npm 安装 SDK：
```bash
npm install mem0ai
```
### 自托管服务器
> **注意：** 自托管认证默认开启。从启用认证前的版本升级？请设置 `ADMIN_API_KEY`，通过向导注册管理员，或仅在本地开发时使用 `AUTH_DISABLED=true`。详见[升级说明](https://docs.mem0.ai/open-source/setup#upgrade-notes).
```bash
# Recommended: one command — start the stack, create an admin, issue the first API key.
cd server && make bootstrap
# Manual: start the stack and finish setup via the browser wizard.
cd server && docker compose up -d # http://localhost:3000
```
配置说明请参阅[自托管文档](https://docs.mem0.ai/open-source/overview)。
### 云平台
1. 在 [Mem0 Platform](https://app.mem0.ai?utm_source=oss&utm_medium=readme) 注册
2. 通过 SDK 或 API 密钥嵌入记忆层
3. 使用托管的 Qdrant 向量？请参阅[平台迁移指南](https://docs.mem0.ai/migration/oss-to-platform)，将其导入 Mem0 Platform。
### CLI
在终端中管理记忆：
```bash
npm install -g @mem0/cli # or: pip install mem0-cli
mem0 init
mem0 add "Prefers dark mode and vim keybindings" --user-id alice
mem0 search "What does Alice prefer?" --user-id alice
```
完整命令参考请参阅 [CLI 文档](https://docs.mem0.ai/platform/cli)。
### Agent Skills
教会你的 AI 编程助手（Claude Code、Codex、Cursor、Windsurf、OpenCode、OpenClaw，以及任何支持 skills 标准的工具）如何使用 Mem0 进行开发。分为两类：
**参考型 skills —— 始终开启**（将 SDK 知识加载到助手上下文中）：
```bash
npx skills add https://github.com/mem0ai/mem0 --skill mem0
npx skills add https://github.com/mem0ai/mem0 --skill mem0-cli
npx skills add https://github.com/mem0ai/mem0 --skill mem0-vercel-ai-sdk
```
**流水线型 skills —— 按需运行**（在现有仓库中执行端到端工作流）：
```bash
npx skills add https://github.com/mem0ai/mem0 --skill mem0-integrate
npx skills add https://github.com/mem0ai/mem0 --skill mem0-test-integration
npx skills add https://github.com/mem0ai/mem0 --skill mem0-oss-to-platform
```
使用 `/mem0-integrate` 通过测试优先（test-first）流水线将 Mem0 接入现有仓库，然后使用 `/mem0-test-integration` 进行验证。使用 `/mem0-oss-to-platform` 将现有项目从 Mem0 OSS 迁移到托管版 Platform SDK。完整说明请参阅 [skills 目录](./skills/) 或 [Vibecoding with Mem0](https://docs.mem0.ai/vibecoding) for the full picture.
### Basic Usage
Mem0 需要 LLM 才能运行，默认使用来自 OpenAI 的 `gpt-5-mini`。不过它也支持多种 LLM；详情请参阅我们的 [Supported LLMs documentation](https://docs.mem0.ai/components/llms/overview).
Mem0 默认使用来自 OpenAI 的 `text-embedding-3-small` 作为嵌入（embedding）模型。要在混合搜索（语义 + 关键词 + 实体加权）中获得最佳效果，我们建议至少使用 [Qwen 600M](https://huggingface.co/Alibaba-NLP/gte-Qwen2-1.5B-instruct) 或同等级别的嵌入模型。配置详情请参阅 [Supported Embeddings](https://docs.mem0.ai/components/embedders/overview)
第一步是实例化 memory：
```python
from openai import OpenAI
from mem0 import Memory
openai_client = OpenAI()
memory = Memory()
def chat_with_memories(message: str, user_id: str = "default_user") -> str:
# Retrieve relevant memories
relevant_memories = memory.search(query=message, filters={"user_id": user_id}, top_k=3)
memories_str = "\n".join(f"- {entry['memory']}" for entry in relevant_memories["results"])
# Generate Assistant response
system_prompt = f"You are a helpful AI. Answer the question based on query and memories.\nUser Memories:\n{memories_str}"
messages = [{"role": "system", "content": system_prompt}, {"role": "user", "content": message}]
response = openai_client.chat.completions.create(model="gpt-5-mini", messages=messages)
assistant_response = response.choices[0].message.content
# Create new memories from the conversation
messages.append({"role": "assistant", "content": assistant_response})
memory.add(messages, user_id=user_id)
return assistant_response
def main():
print("Chat with AI (type 'exit' to quit)")
while True:
user_input = input("You: ").strip()
if user_input.lower() == 'exit':
print("Goodbye!")
break
print(f"AI: {chat_with_memories(user_input)}")
if __name__ == "__main__":
main()
```
详细的集成步骤请参阅 [Quickstart](https://docs.mem0.ai/quickstart) 和 [API Reference](https://docs.mem0.ai/api-reference).
## 🔗 Integrations & Demos
- **ChatGPT with Memory**：由 Mem0 驱动的个性化聊天（[Live Demo](https://mem0.dev/demo))
- **Browser Extension**：在 ChatGPT、Perplexity 和 Claude 之间存储记忆（[Chrome Extension](https://chromewebstore.google.com/detail/onihkkbipkfeijkadecaafbgagkhglop?utm_source=item-share-cb))
- **Langgraph Support**：使用 Langgraph + Mem0 构建客服机器人（[Guide](https://docs.mem0.ai/integrations/langgraph))
- **CrewAI Integration**：使用 Mem0 定制 CrewAI 输出（[Example](https://docs.mem0.ai/integrations/crewai))
## 📚 Documentation & Support
- 完整文档：https://docs.mem0.ai
- 社区：[Discord](https://mem0.dev/DiG) · [X（原 Twitter）](https://x.com/mem0ai)
- 联系：founders@mem0.ai
## Citation
我们现在提供一篇可供引用的论文：
```bibtex
@article{mem0,
title={Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory},
author={Chhikara, Prateek and Khant, Dev and Aryan, Saket and Singh, Taranjeet and Yadav, Deshraj},
journal={arXiv preprint arXiv:2504.19413},
year={2025}
}
```
## ⚖️ License
Apache 2.0 — 详情请参阅 [LICENSE](https://github.com/mem0ai/mem0/blob/main/LICENSE) 文件。