Mem0：AI 应用的开源记忆层框架

了解更多 · 加入 Discord · 查看 Demo

📄 Mem0 高 token 效率内存算法的基准测试 →

新内存算法（2026 年 4 月）

所有基准测试均运行在同一套具备生产环境代表性的模型栈上。采用单次检索（一次调用，无 Agent 循环），检索预算为 top_200。分数来自 Mem0 托管平台，其中包含开源 SDK 未提供的专有优化；开源用户可以期待趋势相近的提升，但具体数值不会完全相同。

仅执行单次 ADD 提取——只调用一次 LLM，不执行 UPDATE/DELETE。内存会持续累积，不会覆盖任何内容。

Agent 生成的事实是一等数据——当 Agent 确认某项操作后，该信息会以同等权重存储。

实体链接——提取实体并生成 embedding，再将不同内存中的实体关联起来，以增强检索效果。

多信号检索——并行计算语义匹配、BM25 关键词匹配和实体匹配的分数，再将结果融合。

时序推理——具备时间感知能力的检索机制。对于当前状态、过去事件和未来计划等查询，它能够正确排序并返回对应时间点的信息。

升级说明请参阅迁移指南。评估框架已经开源，任何人都可以复现这些结果。

LoCoMo 得分 92.5——比上一版算法提高 21 分。

LongMemEval 得分 94.4——提高 27 分，其中 Assistant 内存召回得分达到 98.2。

BEAM（1M）得分 64.1——在 100 万 token 规模下进行的生产级内存评估。

Mem0（读作“mem-zero”）通过智能内存层增强 AI Assistant 和 Agent，使 AI 交互更加个性化。它能够记住用户偏好、适应个人需求，并随着时间推移持续学习，非常适合客服聊天机器人、AI Assistant 和自主系统。

核心特性与使用场景

多级内存：无缝保留 User、Session 和 Agent 状态，实现自适应个性化。

开发者友好：提供直观的 API、跨平台 SDK，以及全托管服务选项。

AI Assistant：提供连贯且上下文丰富的对话。

客户支持：回忆过去的工单和用户历史，提供量身定制的帮助。

医疗健康：跟踪患者偏好和历史记录，提供个性化护理。

生产力与游戏：根据用户行为提供自适应工作流和环境。

AI Agent 可以在 5 秒内创建一个可用的 Mem0 API key——不需要邮箱、不需要 Dashboard，也不需要 OTP。整个流程只需四条命令：

# 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"

之后，人类所有者可以通过 mem0 init --email <their-email> 认领该账户——API key 保持不变，已有内存也会保留。完整指南请参阅“以 Agent 身份注册”。

只是测试一下？使用 Library。为团队构建？选择 Self-hosted。希望零运维？选择 Cloud。

pip install mem0ai

如果需要支持 BM25 关键词匹配和实体提取的增强型混合搜索，请安装 NLP 支持：

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

npm install mem0ai

注意：Self-hosted 默认启用身份认证。如果你从尚未支持身份认证的版本升级，请设置 ADMIN_API_KEY、通过配置向导注册管理员，或者仅在本地开发环境中设置 AUTH_DISABLED=true。详情请参阅升级说明。

# 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

配置方法请参阅 Self-hosted 文档。

在 Mem0 Platform 上注册。

通过 SDK 或 API key 嵌入内存层。

正在使用托管的 Qdrant vector？请参阅 Platform 迁移指南，将其导入 Mem0 Platform。

通过终端管理内存：

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。

教会你的 AI 编程 Assistant——包括 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。skills 分为两类：

Reference skills——始终启用（将 SDK 知识加载到 Assistant 的上下文中）：

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

Pipeline skills——按需运行（在现有代码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，通过测试优先的流水线将 Mem0 接入现有代码仓库，再使用 /mem0-test-integration 进行验证。使用 /mem0-oss-to-platform，可将现有项目从 Mem0 OSS 迁移到托管的 Platform SDK。完整信息请参阅 skills 目录或《使用 Mem0 进行 Vibecoding》。

Mem0 需要 LLM 才能工作，默认使用 OpenAI 的 gpt-5-mini。不过，它也支持多种 LLM；详情请参阅 Supported LLMs 文档。

Mem0 默认使用 OpenAI 的 text-embedding-3-small 作为 embedding 模型。为了让混合搜索（语义搜索、关键词搜索和实体增强）获得最佳效果，建议至少使用 Qwen 600M 或能力相当的 embedding 模型。配置详情请参阅 Supported Embeddings。

第一步是实例化内存：

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()

详细集成步骤请参阅 Quickstart 和 API Reference。

🔗 集成与 Demo

ChatGPT with Memory：由 Mem0 驱动的个性化聊天（在线 Demo）。

Browser Extension：跨 ChatGPT、Perplexity 和 Claude 存储内存（Chrome Extension）。

Langgraph Support：使用 Langgraph + Mem0 构建客服机器人（指南）。

CrewAI Integration：使用 Mem0 定制 CrewAI 的输出（示例）。

📚 文档与支持

完整文档：Mem0 官方文档。

社区：Discord · X（原 Twitter）。

联系方式：founders@mem0.ai

我们现在有一篇可以引用的论文：

@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}
}

采用 Apache 2.0 许可证——详情请参阅 LICENSE 文件。