Mem0完整指南給AI Agent裝上持久記憶的終極方案LoCoMo基準92.5分背后的秘密【免費下載鏈接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.項目地址: https://gitcode.com/GitHub_Trending/em/embedchainMem0 是一個專為 AI Agent 打造的持久記憶層Memory Layer for AI Agents讓大模型應用擁有跨會話、跨用戶的長期記憶能力。它通過一套全新的 ADD-only 記憶提取與多信號檢索算法在 LoCoMo 長期記憶基準上取得 92.5 分舊算法僅 71.4 分LongMemEval 更是達到 94.4 分而每次查詢平均只消耗不到 7,000 個 token。本文將帶你快速理解 Mem0 的工作原理、部署方式和核心秘密。為什么 AI Agent 需要持久記憶你有沒有這樣的體驗每次打開 AI 助手它都失憶了——忘記你上次聊過的偏好、項目決策甚至你的名字。這就是典型的無狀態(tài)StatelessAgent問題每個新會話都從零開始所有歷史上下文全部丟失導致重復提問、體驗割裂。而有狀態(tài)StatefulAgent則會把每次交互中學到的信息寫入記憶在新會話中再把它讀回來。Mem0 正是這一層的最佳實踐從健忘的交互進化為持續(xù)智能。傳統(tǒng)做法是把全部聊天記錄塞進 Prompt代價是Token 成本飆升全上下文方案在基準測試中每次查詢要消耗 25,000 tokens而 Mem0 僅需約 7,000延遲變高模型每次都要重讀大量舊對話記憶混亂關鍵事實淹沒在海量閑聊中檢索精度下降Mem0 的思路是把消息Messages蒸餾成記憶Memories。你存入的是對話它存儲的是提煉后的干凈事實——比如你說我喜歡靠過道的座位它存的是User prefers aisle seats。Mem0 核心能力一覽Mem0 以開箱即用 生產(chǎn)級為核心目標主要能力包括能力說明多層級記憶按user_id、agent_id、run_id三個維度隔離記憶用戶、Agent、會話互不串擾智能提取LLM 自動從對話中蒸餾偏好、決策、計劃等可復用事實自動去重多信號檢索語義向量 BM25 關鍵詞 實體匹配 時間推理四路信號并行打分融合生產(chǎn)級部署本地庫、自托管服務器、云端托管三種形態(tài)Python/TypeScript 雙語言 SDK從上圖可以看到Mem0 嵌入在 Agent 編排器與信息源之間請求時Memory Reader與工具、RAG 并行拉取記憶上下文交給 LLM 推理響應后Memory Writer把有價值的信息存檔供未來會話使用。92.5分的秘密四大核心算法升級Mem0 在 2026 年 4 月發(fā)布的全新記憶算法是它從 71.4 分躍升到 92.5 分的關鍵。核心改動有四點1?? ADD-only 單遍提取一次 LLM 調用只增不刪傳統(tǒng)方案對每條新消息都要決定新增/更新/刪除舊記憶既慢又容易丟失信息。新算法改為單遍、僅新增一次 LLM 調用即可提取事實舊記憶原樣保留。當用戶說我從奧斯汀搬到西雅圖時新舊兩個事實都會存下——這保住了完整的時間脈絡還讓提取延遲直接減半。整個提取流水線共六步異步入隊 → 上下文查找防重復→ 蒸餾提取 → 去重與向量化 → 實體鏈接 → 時間推理標注。2?? 多信號檢索四路打分并行融合查詢到達時Mem0 不會只用向量相似度而是四路信號并行打分后融合排序信號擅長場景示例問題語義檢索概念性問題用戶對遠程辦公怎么看BM25 關鍵詞精確事實我上周參加了哪些會議實體匹配人物/項目問題我們了解 Alice 的哪些信息時間推理時間相關問題用戶最早是什么時候提到這個項目的實驗證明融合分數(shù)在所有類別上都超過了任何單一信號。3?? 實體鏈接跨記憶的圖譜關系Mem0 會從記憶中抽取人名、地名、組織名等實體把它們嵌入并鏈接到相關記憶形成一張實體圖譜。當查詢提到某個實體時所有關聯(lián)記憶都會被加權提權。如上圖所示joseph這個實體同時關聯(lián)了他的姓名、城市Seattle和職業(yè)軟件工程師任何一條相關記憶的查詢都能通過圖譜互相增強。4?? 時間推理知道什么時候的記憶寫入時Mem0 會為每條記憶提取時間元數(shù)據(jù)——事件發(fā)生時間、是否仍在持續(xù)、時間精度、記憶類型事件/狀態(tài)/計劃/偏好等。檢索時按查詢的時間意圖對這些元數(shù)據(jù)打分。這項技術在 LoCoMo 時間類問題上貢獻了最大提升時間類 92.0 分、多跳類 91.3 分。 基準成績單基準舊算法新算法平均 Tokenp50 延遲LoCoMo71.492.57.0K0.88sLongMemEval67.894.46.8K1.09sBEAM (1M)—64.16.7K1.00sBEAM (10M)—48.66.9K1.05s其中 BEAM 是目前唯一在 100 萬 / 1000 萬 token 規(guī)模生產(chǎn)真實量級上評估記憶系統(tǒng)的公開基準無法靠擴大上下文窗口作弊。完整的評估方法可參考 docs/core-concepts/memory-evaluation.mdx。 注以上分數(shù)來自 Mem0 托管平臺含專有優(yōu)化開源 SDK 用戶可獲得方向一致的提升具體數(shù)字會略有差異。三種部署方式總有一款適合你方式一本地庫 —— 5分鐘跑通原型最簡單的方式是作為 Python/Node 庫嵌入現(xiàn)有項目pip install mem0ai # 或 npm install mem0ai核心 API 只有兩個動詞add存記憶和search取記憶。默認使用 OpenAI 模型 Qdrant 向量庫 SQLite 歷史庫零配置即可運行。完整入門見 docs/open-source/python-quickstart.mdx 和 docs/open-source/node-quickstart.mdx。方式二自托管服務器 —— 團隊生產(chǎn)級部署git clone https://gitcode.com/GitHub_Trending/em/embedchain cd server make bootstrap # 一鍵啟動 創(chuàng)建管理員 簽發(fā)首個API Key自托管版本自帶管理面板、API Key 認證和請求日志適合需要把數(shù)據(jù)留在自己基礎設施上的團隊。相關代碼在 server/ 目錄包含 FastAPI 后端server/main.py、數(shù)據(jù)庫遷移server/alembic/和 Next.js 管理面板server/dashboard/。方式三云端托管 —— 零運維注冊后通過 SDK 或 API Key 直接使用托管記憶服務內(nèi)置全部高級特性圖譜記憶、多信號檢索等適合追求零運維的場景。用命令行管理記憶Mem0 CLI除了代碼 APIMem0 還提供終端 CLI讓 AI Agent 自己都能在 5 秒內(nèi)完成注冊并開始讀寫記憶npm install -g mem0/cli # 或 pip install mem0-cli mem0 add 偏好深色模式和 vim 鍵位 --user-id alice mem0 search Alice 有什么偏好 --user-id aliceCLI 的完整命令參考位于 cli/README.md實現(xiàn)代碼分別在 cli/node/TypeScript與 cli/python/Python。生態(tài)集成20 主流框架即插即用Mem0 與主流 AI 生態(tài)深度集成無論你的 Agent 用什么框架構建都能一鍵接入LangChain / LangGraph為鏈式應用和圖狀態(tài)機注入記憶CrewAI / AutoGen / Agno / Camel多 Agent 協(xié)作共享記憶Google ADK / OpenAI Agents SDK / Vercel AI SDK各大廠 Agent 框架Dify / Flowise / n8n低代碼平臺的記憶節(jié)點所有集成文檔位于 docs/integrations/可直接調用的代碼集成含 OpenClaw、Vercel AI SDK、Zapier 等位于 integrations/。此外倉庫還提供了 AI 編程助手的 Agent Skillsskills/可以讓 Claude Code、Cursor 等工具自動幫你把 Mem0 集成進現(xiàn)有項目。項目文件導航 路徑說明README.md項目總覽、快速開始與基準成績mem0/Python SDK 核心記憶引擎、LLM/Embedding/向量庫適配mem0-ts/TypeScript SDK 源碼server/自托管服務器API 管理面板cli/Python / Node 雙語言 CLIdocs/core-concepts/核心概念工作原理、記憶類型、基準評估integrations/各框架的代碼級集成tests/全量單元測試覆蓋所有 LLM/向量庫/重排序器寫在最后Mem0 證明了記憶可以是 AI Agent 架構中獨立的一層存事實而非全文、用多信號而非單一向量、只增不刪而非覆蓋改寫。正是這套思路讓它在 LoCoMo 上拿下 92.5 分同時把每次查詢的成本壓到 7,000 token 以內(nèi)。如果你正在構建客服機器人、AI 助手或任何需要記住用戶的應用Mem0 值得成為你的第一個記憶方案。【免費下載鏈接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.項目地址: https://gitcode.com/GitHub_Trending/em/embedchain創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 Mem0完整指南：給AI Agent裝上持久記憶的終極方案，LoCoMo基準92.5分背后的秘密
Mem0完整指南給AI Agent裝上持久記憶的終極方案LoCoMo基準92.5分背后的秘密【免費下載鏈接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.項目地址: https://gitcode.com/GitHub_Trending/em/embedchainMem0 是一個專為 AI Agent 打造的持久記憶層Memory Layer for AI Agents讓大模型應用擁有跨會話、跨用戶的長期記憶能力。它通過一套全新的 ADD-only 記憶提取與多信號檢索算法在 LoCoMo 長期記憶基準上取得 92.5 分舊算法僅 71.4 分LongMemEval 更是達到 94.4 分而每次查詢平均只消耗不到 7,000 個 token。本文將帶你快速理解 Mem0 的工作原理、部署方式和核心秘密。為什么 AI Agent 需要持久記憶你有沒有這樣的體驗每次打開 AI 助手它都失憶了——忘記你上次聊過的偏好、項目決策甚至你的名字。這就是典型的無狀態(tài)StatelessAgent問題每個新會話都從零開始所有歷史上下文全部丟失導致重復提問、體驗割裂。而有狀態(tài)StatefulAgent則會把每次交互中學到的信息寫入記憶在新會話中再把它讀回來。Mem0 正是這一層的最佳實踐從健忘的交互進化為持續(xù)智能。傳統(tǒng)做法是把全部聊天記錄塞進 Prompt代價是Token 成本飆升全上下文方案在基準測試中每次查詢要消耗 25,000 tokens而 Mem0 僅需約 7,000延遲變高模型每次都要重讀大量舊對話記憶混亂關鍵事實淹沒在海量閑聊中檢索精度下降Mem0 的思路是把消息Messages蒸餾成記憶Memories。你存入的是對話它存儲的是提煉后的干凈事實——比如你說我喜歡靠過道的座位它存的是User prefers aisle seats。Mem0 核心能力一覽Mem0 以開箱即用 生產(chǎn)級為核心目標主要能力包括能力說明多層級記憶按user_id、agent_id、run_id三個維度隔離記憶用戶、Agent、會話互不串擾智能提取LLM 自動從對話中蒸餾偏好、決策、計劃等可復用事實自動去重多信號檢索語義向量 BM25 關鍵詞 實體匹配 時間推理四路信號并行打分融合生產(chǎn)級部署本地庫、自托管服務器、云端托管三種形態(tài)Python/TypeScript 雙語言 SDK從上圖可以看到Mem0 嵌入在 Agent 編排器與信息源之間請求時Memory Reader與工具、RAG 并行拉取記憶上下文交給 LLM 推理響應后Memory Writer把有價值的信息存檔供未來會話使用。92.5分的秘密四大核心算法升級Mem0 在 2026 年 4 月發(fā)布的全新記憶算法是它從 71.4 分躍升到 92.5 分的關鍵。核心改動有四點1?? ADD-only 單遍提取一次 LLM 調用只增不刪傳統(tǒng)方案對每條新消息都要決定新增/更新/刪除舊記憶既慢又容易丟失信息。新算法改為單遍、僅新增一次 LLM 調用即可提取事實舊記憶原樣保留。當用戶說我從奧斯汀搬到西雅圖時新舊兩個事實都會存下——這保住了完整的時間脈絡還讓提取延遲直接減半。整個提取流水線共六步異步入隊 → 上下文查找防重復→ 蒸餾提取 → 去重與向量化 → 實體鏈接 → 時間推理標注。2?? 多信號檢索四路打分并行融合查詢到達時Mem0 不會只用向量相似度而是四路信號并行打分后融合排序信號擅長場景示例問題語義檢索概念性問題用戶對遠程辦公怎么看BM25 關鍵詞精確事實我上周參加了哪些會議實體匹配人物/項目問題我們了解 Alice 的哪些信息時間推理時間相關問題用戶最早是什么時候提到這個項目的實驗證明融合分數(shù)在所有類別上都超過了任何單一信號。3?? 實體鏈接跨記憶的圖譜關系Mem0 會從記憶中抽取人名、地名、組織名等實體把它們嵌入并鏈接到相關記憶形成一張實體圖譜。當查詢提到某個實體時所有關聯(lián)記憶都會被加權提權。如上圖所示joseph這個實體同時關聯(lián)了他的姓名、城市Seattle和職業(yè)軟件工程師任何一條相關記憶的查詢都能通過圖譜互相增強。4?? 時間推理知道什么時候的記憶寫入時Mem0 會為每條記憶提取時間元數(shù)據(jù)——事件發(fā)生時間、是否仍在持續(xù)、時間精度、記憶類型事件/狀態(tài)/計劃/偏好等。檢索時按查詢的時間意圖對這些元數(shù)據(jù)打分。這項技術在 LoCoMo 時間類問題上貢獻了最大提升時間類 92.0 分、多跳類 91.3 分。 基準成績單基準舊算法新算法平均 Tokenp50 延遲LoCoMo71.492.57.0K0.88sLongMemEval67.894.46.8K1.09sBEAM (1M)—64.16.7K1.00sBEAM (10M)—48.66.9K1.05s其中 BEAM 是目前唯一在 100 萬 / 1000 萬 token 規(guī)模生產(chǎn)真實量級上評估記憶系統(tǒng)的公開基準無法靠擴大上下文窗口作弊。完整的評估方法可參考 docs/core-concepts/memory-evaluation.mdx。 注以上分數(shù)來自 Mem0 托管平臺含專有優(yōu)化開源 SDK 用戶可獲得方向一致的提升具體數(shù)字會略有差異。三種部署方式總有一款適合你方式一本地庫 —— 5分鐘跑通原型最簡單的方式是作為 Python/Node 庫嵌入現(xiàn)有項目pip install mem0ai # 或 npm install mem0ai核心 API 只有兩個動詞add存記憶和search取記憶。默認使用 OpenAI 模型 Qdrant 向量庫 SQLite 歷史庫零配置即可運行。完整入門見 docs/open-source/python-quickstart.mdx 和 docs/open-source/node-quickstart.mdx。方式二自托管服務器 —— 團隊生產(chǎn)級部署git clone https://gitcode.com/GitHub_Trending/em/embedchain cd server make bootstrap # 一鍵啟動 創(chuàng)建管理員 簽發(fā)首個API Key自托管版本自帶管理面板、API Key 認證和請求日志適合需要把數(shù)據(jù)留在自己基礎設施上的團隊。相關代碼在 server/ 目錄包含 FastAPI 后端server/main.py、數(shù)據(jù)庫遷移server/alembic/和 Next.js 管理面板server/dashboard/。方式三云端托管 —— 零運維注冊后通過 SDK 或 API Key 直接使用托管記憶服務內(nèi)置全部高級特性圖譜記憶、多信號檢索等適合追求零運維的場景。用命令行管理記憶Mem0 CLI除了代碼 APIMem0 還提供終端 CLI讓 AI Agent 自己都能在 5 秒內(nèi)完成注冊并開始讀寫記憶npm install -g mem0/cli # 或 pip install mem0-cli mem0 add 偏好深色模式和 vim 鍵位 --user-id alice mem0 search Alice 有什么偏好 --user-id aliceCLI 的完整命令參考位于 cli/README.md實現(xiàn)代碼分別在 cli/node/TypeScript與 cli/python/Python。生態(tài)集成20 主流框架即插即用Mem0 與主流 AI 生態(tài)深度集成無論你的 Agent 用什么框架構建都能一鍵接入LangChain / LangGraph為鏈式應用和圖狀態(tài)機注入記憶CrewAI / AutoGen / Agno / Camel多 Agent 協(xié)作共享記憶Google ADK / OpenAI Agents SDK / Vercel AI SDK各大廠 Agent 框架Dify / Flowise / n8n低代碼平臺的記憶節(jié)點所有集成文檔位于 docs/integrations/可直接調用的代碼集成含 OpenClaw、Vercel AI SDK、Zapier 等位于 integrations/。此外倉庫還提供了 AI 編程助手的 Agent Skillsskills/可以讓 Claude Code、Cursor 等工具自動幫你把 Mem0 集成進現(xiàn)有項目。項目文件導航 路徑說明README.md項目總覽、快速開始與基準成績mem0/Python SDK 核心記憶引擎、LLM/Embedding/向量庫適配mem0-ts/TypeScript SDK 源碼server/自托管服務器API 管理面板cli/Python / Node 雙語言 CLIdocs/core-concepts/核心概念工作原理、記憶類型、基準評估integrations/各框架的代碼級集成tests/全量單元測試覆蓋所有 LLM/向量庫/重排序器寫在最后Mem0 證明了記憶可以是 AI Agent 架構中獨立的一層存事實而非全文、用多信號而非單一向量、只增不刪而非覆蓋改寫。正是這套思路讓它在 LoCoMo 上拿下 92.5 分同時把每次查詢的成本壓到 7,000 token 以內(nèi)。如果你正在構建客服機器人、AI 助手或任何需要記住用戶的應用Mem0 值得成為你的第一個記憶方案。【免費下載鏈接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.項目地址: https://gitcode.com/GitHub_Trending/em/embedchain創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考