📌 项目：https://github.com/mem0ai/mem0 | 星数：67k | 语言：Python | 协议：Apache-2.0 | 更新：2026-10-21
Mem0是mem0ai开源的AI Agent记忆层框架，67k颗星，Python编写，Apache-2.0协议。LLM Agent的致命短板是没有长期记忆——每次对话从零开始，不记得你是谁、不记得你的偏好、不记得上次讨论到哪里了。Mem0的定位是"Agent的Memory Infrastructure"：Agent调用Mem0的API存取记忆，Mem0负责记忆的提取（从对话中自动提取值得记住的信息）、存储（向量化+图结构双重存储）、检索（按语义相关性召回相关记忆）、遗忘（过时信息自动降权）。这让Agent从"金鱼记忆"变成有长期记忆的助手。
Agent记忆方向，Agent记忆仓库规范可参考AgentMemoryRepo记忆仓库指南，Agent深度记忆可看Leviathan深度记忆指南，iPhone辅助Mac跑LLM可参考Backburner iPhone+Mac LLM指南。
记忆提取与存储引擎：Mem0的核心能力是从非结构化对话中自动提取值得记忆的信息——用户说"我喜欢用Rust写后端，不用Python"，Mem0自动提取为结构化记忆（偏好：后端语言=Rust，不使用=Python）。提取用LLM做信息抽取（判断什么值得记、什么不值得记），避免存储噪音。存储用双引擎：向量数据库（Qdrant/Chroma）做语义相似度检索，知识图谱（Neo4j可选）做实体关系推理。例如记忆"用户在用React"和"React是Meta开发的"，图记忆能推理出"用户在用Meta开发的技术"，向量检索做不到这种推理链。
记忆检索与个性化：Agent执行任务时调用Mem0的search接口，输入当前上下文，Mem0返回相关记忆。检索不是简单全量加载——先做向量相似度粗筛（找到语义相关的top-k记忆），再用LLM做精排（判断哪些记忆与当前任务真正相关）。个性化是Mem0的杀手级应用——Agent记住用户的技术栈、代码风格、项目背景，每次交互自动适配。例如用户第一次说"我用的Vue3"，之后所有代码建议都基于Vue3而非React。Mem0还支持记忆版本管理——记忆可以更新（"我换到React了"覆盖旧偏好）和删除。
部署与集成生态：Mem0支持三种部署模式——开源自托管（Python pip install，本地Qdrant做向量存储）、Mem0 Cloud（托管服务，免费tier有1000条记忆额度）、混合模式（敏感数据本地、非敏感用云）。SDK支持Python和TypeScript，API兼容OpenAI Assistants的thread机制。集成生态覆盖主流Agent框架——LangChain/LlamaIndex/CrewAI/AutoGen都有Mem0适配器。Apache-2.0协议允许商用，企业可以基于Mem0构建自己的AI记忆中台。
| ✅ 优势 | ❌ 劣势 |
|---|---|
| 自动从对话提取记忆 | LLM提取有成本 |
| 向量+图双重存储 | 图数据库需额外运维 |
| LLM精排检索相关性高 | 记忆质量依赖提取准确率 |
| Apache-2.0可商用 | Cloud版有数据隐私顾虑 |
| 主流Agent框架集成 |
RAG（检索增强生成）是从外部文档检索信息辅助生成，Mem0是存储和检索Agent自身交互产生的记忆。简单说：RAG检索的是"外部知识"（文档/数据库），Mem0检索的是"历史交互记忆"（用户说过什么、偏好什么、之前做了什么）。两者互补——Agent可以同时用Mem0（记住用户偏好）和RAG（查阅外部文档）。Mem0的技术栈也用向量检索，但存储的是结构化记忆而非文档chunk，检索逻辑和存储格式不同。
Mem0用LLM做记忆提取，准确率约85-90%——能正确提取明确的事实（"我用Vue3"）和偏好（"我喜欢函数式风格"），但对隐含信息的提取（从对话推断用户技术水平）准确率下降。可以通过自定义提取prompt提升特定场景的准确率。Mem0支持人工审核记忆——查看Agent存了什么、删除不准的条目、修改不精确的记忆。建议初期开启审核模式，积累一定记忆量后切换到自动模式。
最小部署：Python + 本地Qdrant（或Chroma），1GB内存够用，存储10000条记忆约500MB。生产部署建议：Qdrant独立服务+SSD存储+2-4GB内存。图记忆（Neo4j）可选——如果不需要实体关系推理，只用向量存储即可。Mem0 Cloud免费tier有1000条记忆+每天100次API调用，适合原型验证。企业部署建议自托管保护数据隐私，敏感行业（金融/医疗）不应使用Cloud版。