了解更多 · 加入Discord · 演示

📄 使用可扩展的长期记忆构建生产就绪的AI智能体 →

⚡ 相比OpenAI Memory，准确率提升26% • 🚀 响应速度提升91% • 💰 令牌使用量减少90%

🎉 mem0ai v1.0.0现已发布！ 此次重大更新包括API现代化、向量存储支持改进以及GCP集成增强。查看迁移指南 →

🔥 研究亮点

• 在LOCOMO基准测试中，相比OpenAI Memory，准确率提升26%
• 响应速度比全上下文模式快91%，确保大规模部署下的低延迟
• 令牌使用量比全上下文模式低90%，在不牺牲性能的情况下大幅降低成本
• 阅读完整论文

简介

Mem0（“mem-zero”）通过智能记忆层增强AI助手和智能体，实现个性化的AI交互。它能够记住用户偏好、适应个体需求，并随时间不断学习——非常适合客户支持聊天机器人、AI助手以及自主系统。

核心功能与应用场景

核心能力：

• 多层级记忆：无缝保留用户、会话和智能体状态，实现自适应个性化
• 开发者友好：直观的API、跨平台SDK以及完全托管的服务选项

应用领域：

• AI助手：保持连贯且富含上下文的对话
• 客户支持：调用过往工单和用户历史，提供定制化帮助
• 医疗健康：跟踪患者偏好和病史，实现个性化护理
• 生产力与游戏：根据用户行为调整工作流和环境

🚀 快速入门指南

您可以选择我们的托管平台或自托管方案：

托管平台

几分钟内即可启动并运行，享受自动更新、数据分析和企业级安全性。

1. 在Mem0平台注册
2. 通过SDK或API密钥嵌入记忆层

自托管（开源）

使用pip安装SDK：

pip install mem0ai

若需增强混合搜索功能，结合BM25关键词匹配和实体抽取，请安装带有NLP支持的版本：

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

使用npm安装SDK：

npm install mem0ai

CLI

通过终端管理记忆：

npm install -g @mem0/cli   # 或：pip install mem0-cli

mem0 init
mem0 add "偏好深色模式和vim键位" --user-id alice
mem0 search "Alice偏好什么？" --user-id alice

完整命令参考请参阅CLI文档。

基本使用

Mem0需要LLM才能运行，默认使用来自OpenAI的gpt-4.1-nano-2025-04-14模型。不过，它也支持多种LLM；详情请参阅我们的支持的LLM文档。

Mem0默认使用OpenAI的text-embedding-3-small作为嵌入模型。为获得最佳的混合搜索效果（语义+关键词+实体增强），我们建议至少使用Qwen 600M或类似的嵌入模型。配置详情请参阅支持的嵌入模型文档。

第一步是实例化记忆对象：

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:
    # 检索相关记忆
    relevant_memories = memory.search(query=message, user_id=user_id, limit=3)
    memories_str = "\n".join(f"- {entry['memory']}" for entry in relevant_memories["results"])

    # 生成助手回复
    system_prompt = f"你是一个有用的AI助手。请根据问题和记忆回答。\n用户记忆：\n{memories_str}"
    messages = [{"role": "system", "content": system_prompt}, {"role": "user", "content": message}]
    response = openai_client.chat.completions.create(model="gpt-4.1-nano-2025-04-14", messages=messages)
    assistant_response = response.choices[0].message.content

    # 根据对话创建新记忆
    messages.append({"role": "assistant", "content": assistant_response})
    memory.add(messages, user_id=user_id)

    return assistant_response

def main():
    print("与AI聊天（输入'exit'退出）")
    while True:
        user_input = input("你：").strip()
        if user_input.lower() == 'exit':
            print("再见！")
            break
        print(f"AI：{chat_with_memories(user_input)}")

if __name__ == "__main__":
    main()

有关详细集成步骤，请参阅快速入门和API参考。

🔗 集成与演示

• 带记忆的 ChatGPT：由 Mem0 提供支持的个性化聊天（在线演示）
• 浏览器扩展：在 ChatGPT、Perplexity 和 Claude 之间存储记忆（Chrome 扩展）
• Langgraph 支持：使用 Langgraph + Mem0 构建客户机器人（指南）
• CrewAI 集成：用 Mem0 定制 CrewAI 的输出（示例）

📚 文档与支持

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

引用

我们现在有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}
}

⚖️ 许可证

Apache 2.0 — 详情请参阅 LICENSE 文件。

Mem0 快速上手指南

Mem0 是一个专为个性化 AI 设计的智能记忆层，能够帮助 AI 助手和 Agent 记住用户偏好、适应个体需求并随时间持续学习。它适用于客服机器人、个人助理及自主系统，相比全上下文模式，可实现响应速度提升 91% 且 Token 用量减少 90%。

环境准备

在开始之前，请确保满足以下前置条件：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：Python 3.8 或更高版本
• LLM API Key：Mem0 需要连接大语言模型才能运行。默认支持 OpenAI，你需要准备 OPENAI_API_KEY 环境变量。
  • 注：Mem0 也支持其他 LLM 提供商，具体配置可参考官方文档。
• 网络环境：确保能够访问 PyPI 源及对应的 LLM 服务接口。

安装步骤

你可以通过 pip 或 npm 安装 Mem0 SDK。

方式一：使用 pip 安装（推荐 Python 开发者）

基础安装：

pip install mem0ai

增强安装（推荐）： 若需启用混合搜索（BM25 关键词匹配 + 实体提取）以获得更佳效果，请安装带有 NLP 支持的版本，并下载 spaCy 模型：

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

方式二：使用 npm 安装（推荐 Node.js 开发者）

npm install mem0ai

可选：安装命令行工具 (CLI)

如果你希望通过终端直接管理记忆数据：

npm install -g @mem0/cli
# 或者使用 pip
pip install mem0-cli

基本使用

以下是一个最简单的 Python 示例，展示如何初始化记忆、检索相关上下文并更新记忆。

1. 配置环境变量

在运行代码前，请在终端设置你的 OpenAI API Key：

export OPENAI_API_KEY="your-openai-api-key"

2. 代码示例

创建一个名为 main.py 的文件，填入以下代码：

from openai import OpenAI
from mem0 import Memory

# 初始化 OpenAI 客户端和 Mem0 记忆层
openai_client = OpenAI()
memory = Memory()

def chat_with_memories(message: str, user_id: str = "default_user") -> str:
    # 1. 检索与当前问题相关的记忆
    relevant_memories = memory.search(query=message, user_id=user_id, limit=3)
    memories_str = "\n".join(f"- {entry['memory']}" for entry in relevant_memories["results"])

    # 2. 构建包含记忆的 System Prompt
    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}]
    
    # 3. 调用 LLM 生成回复
    response = openai_client.chat.completions.create(model="gpt-4.1-nano-2025-04-14", messages=messages)
    assistant_response = response.choices[0].message.content

    # 4. 将对话内容存入记忆，供未来使用
    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()

3. 运行测试

运行脚本即可开始体验带记忆的对话：

python main.py

CLI 快速测试

如果你安装了 CLI 工具，也可以直接在命令行操作：

mem0 init
mem0 add "Prefers dark mode and vim keybindings" --user-id alice
mem0 search "What does Alice prefer?" --user-id alice