mem0ai--mem0/README.md

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 · 原始项目 · 上游 README
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。评估框架 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

简介

Mem0（"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：

# 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 <their-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.

	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 注册
控制台	--	有	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）

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：

pip install mem0ai[nlp]
python -m spacy download en_core_web_sm

通过 npm 安装 SDK：

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.

# 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。

云平台

1. 在 Mem0 Platform 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，将其导入 Mem0 Platform。

CLI

在终端中管理记忆：

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。

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）：

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）：

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 或 Vibecoding with Mem0 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.

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 或同等级别的嵌入模型。配置详情请参阅 Supported Embeddings

第一步是实例化 memory：

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 和 API Reference.

🔗 Integrations & Demos

• ChatGPT with Memory：由 Mem0 驱动的个性化聊天（Live Demo)
• Browser Extension：在 ChatGPT、Perplexity 和 Claude 之间存储记忆（Chrome Extension)
• Langgraph Support：使用 Langgraph + Mem0 构建客服机器人（Guide)
• CrewAI Integration：使用 Mem0 定制 CrewAI 输出（Example)

📚 Documentation & Support

• 完整文档：https://docs.mem0.ai
• 社区：Discord · X（原 Twitter）
• 联系：founders@mem0.ai

Citation

我们现在提供一篇可供引用的论文：

@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 文件。