尧图网页设计 
Mem0完整指南给AI Agent装上持久记忆的终极方案LoCoMo基准92.5分背后的秘密【免费下载链接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.项目地址: https://gitcode.com/GitHub_Trending/em/embedchainMem0 是一个专为 AI Agent 打造的持久记忆层Memory Layer for AI Agents让大模型应用拥有跨会话、跨用户的长期记忆能力。它通过一套全新的 ADD-only 记忆提取与多信号检索算法在 LoCoMo 长期记忆基准上取得 92.5 分旧算法仅 71.4 分LongMemEval 更是达到 94.4 分而每次查询平均只消耗不到 7,000 个 token。本文将带你快速理解 Mem0 的工作原理、部署方式和核心秘密。为什么 AI Agent 需要持久记忆你有没有这样的体验每次打开 AI 助手它都失忆了——忘记你上次聊过的偏好、项目决策甚至你的名字。这就是典型的无状态StatelessAgent问题每个新会话都从零开始所有历史上下文全部丢失导致重复提问、体验割裂。而有状态StatefulAgent则会把每次交互中学到的信息写入记忆在新会话中再把它读回来。Mem0 正是这一层的最佳实践从健忘的交互进化为持续智能。传统做法是把全部聊天记录塞进 Prompt代价是Token 成本飙升全上下文方案在基准测试中每次查询要消耗 25,000 tokens而 Mem0 仅需约 7,000延迟变高模型每次都要重读大量旧对话记忆混乱关键事实淹没在海量闲聊中检索精度下降Mem0 的思路是把消息Messages蒸馏成记忆Memories。你存入的是对话它存储的是提炼后的干净事实——比如你说我喜欢靠过道的座位它存的是User prefers aisle seats。Mem0 核心能力一览Mem0 以开箱即用 生产级为核心目标主要能力包括能力说明多层级记忆按user_id、agent_id、run_id三个维度隔离记忆用户、Agent、会话互不串扰智能提取LLM 自动从对话中蒸馏偏好、决策、计划等可复用事实自动去重多信号检索语义向量 BM25 关键词 实体匹配 时间推理四路信号并行打分融合生产级部署本地库、自托管服务器、云端托管三种形态Python/TypeScript 双语言 SDK从上图可以看到Mem0 嵌入在 Agent 编排器与信息源之间请求时Memory Reader与工具、RAG 并行拉取记忆上下文交给 LLM 推理响应后Memory Writer把有价值的信息存档供未来会话使用。92.5分的秘密四大核心算法升级Mem0 在 2026 年 4 月发布的全新记忆算法是它从 71.4 分跃升到 92.5 分的关键。核心改动有四点1️⃣ ADD-only 单遍提取一次 LLM 调用只增不删传统方案对每条新消息都要决定新增/更新/删除旧记忆既慢又容易丢失信息。新算法改为单遍、仅新增一次 LLM 调用即可提取事实旧记忆原样保留。当用户说我从奥斯汀搬到西雅图时新旧两个事实都会存下——这保住了完整的时间脉络还让提取延迟直接减半。整个提取流水线共六步异步入队 → 上下文查找防重复→ 蒸馏提取 → 去重与向量化 → 实体链接 → 时间推理标注。2️⃣ 多信号检索四路打分并行融合查询到达时Mem0 不会只用向量相似度而是四路信号并行打分后融合排序信号擅长场景示例问题语义检索概念性问题用户对远程办公怎么看BM25 关键词精确事实我上周参加了哪些会议实体匹配人物/项目问题我们了解 Alice 的哪些信息时间推理时间相关问题用户最早是什么时候提到这个项目的实验证明融合分数在所有类别上都超过了任何单一信号。3️⃣ 实体链接跨记忆的图谱关系Mem0 会从记忆中抽取人名、地名、组织名等实体把它们嵌入并链接到相关记忆形成一张实体图谱。当查询提到某个实体时所有关联记忆都会被加权提权。如上图所示joseph这个实体同时关联了他的姓名、城市Seattle和职业软件工程师任何一条相关记忆的查询都能通过图谱互相增强。4️⃣ 时间推理知道什么时候的记忆写入时Mem0 会为每条记忆提取时间元数据——事件发生时间、是否仍在持续、时间精度、记忆类型事件/状态/计划/偏好等。检索时按查询的时间意图对这些元数据打分。这项技术在 LoCoMo 时间类问题上贡献了最大提升时间类 92.0 分、多跳类 91.3 分。 基准成绩单基准旧算法新算法平均 Tokenp50 延迟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 万 / 1000 万 token 规模生产真实量级上评估记忆系统的公开基准无法靠扩大上下文窗口作弊。完整的评估方法可参考 docs/core-concepts/memory-evaluation.mdx。 注以上分数来自 Mem0 托管平台含专有优化开源 SDK 用户可获得方向一致的提升具体数字会略有差异。三种部署方式总有一款适合你方式一本地库 —— 5分钟跑通原型最简单的方式是作为 Python/Node 库嵌入现有项目pip install mem0ai # 或 npm install mem0ai核心 API 只有两个动词add存记忆和search取记忆。默认使用 OpenAI 模型 Qdrant 向量库 SQLite 历史库零配置即可运行。完整入门见 docs/open-source/python-quickstart.mdx 和 docs/open-source/node-quickstart.mdx。方式二自托管服务器 —— 团队生产级部署git clone https://gitcode.com/GitHub_Trending/em/embedchain cd server make bootstrap # 一键启动 创建管理员 签发首个API Key自托管版本自带管理面板、API Key 认证和请求日志适合需要把数据留在自己基础设施上的团队。相关代码在 server/ 目录包含 FastAPI 后端server/main.py、数据库迁移server/alembic/和 Next.js 管理面板server/dashboard/。方式三云端托管 —— 零运维注册后通过 SDK 或 API Key 直接使用托管记忆服务内置全部高级特性图谱记忆、多信号检索等适合追求零运维的场景。用命令行管理记忆Mem0 CLI除了代码 APIMem0 还提供终端 CLI让 AI Agent 自己都能在 5 秒内完成注册并开始读写记忆npm install -g mem0/cli # 或 pip install mem0-cli mem0 add 偏好深色模式和 vim 键位 --user-id alice mem0 search Alice 有什么偏好 --user-id aliceCLI 的完整命令参考位于 cli/README.md实现代码分别在 cli/node/TypeScript与 cli/python/Python。生态集成20 主流框架即插即用Mem0 与主流 AI 生态深度集成无论你的 Agent 用什么框架构建都能一键接入LangChain / LangGraph为链式应用和图状态机注入记忆CrewAI / AutoGen / Agno / Camel多 Agent 协作共享记忆Google ADK / OpenAI Agents SDK / Vercel AI SDK各大厂 Agent 框架Dify / Flowise / n8n低代码平台的记忆节点所有集成文档位于 docs/integrations/可直接调用的代码集成含 OpenClaw、Vercel AI SDK、Zapier 等位于 integrations/。此外仓库还提供了 AI 编程助手的 Agent Skillsskills/可以让 Claude Code、Cursor 等工具自动帮你把 Mem0 集成进现有项目。项目文件导航 路径说明README.md项目总览、快速开始与基准成绩mem0/Python SDK 核心记忆引擎、LLM/Embedding/向量库适配mem0-ts/TypeScript SDK 源码server/自托管服务器API 管理面板cli/Python / Node 双语言 CLIdocs/core-concepts/核心概念工作原理、记忆类型、基准评估integrations/各框架的代码级集成tests/全量单元测试覆盖所有 LLM/向量库/重排序器写在最后Mem0 证明了记忆可以是 AI Agent 架构中独立的一层存事实而非全文、用多信号而非单一向量、只增不删而非覆盖改写。正是这套思路让它在 LoCoMo 上拿下 92.5 分同时把每次查询的成本压到 7,000 token 以内。如果你正在构建客服机器人、AI 助手或任何需要记住用户的应用Mem0 值得成为你的第一个记忆方案。【免费下载链接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.项目地址: https://gitcode.com/GitHub_Trending/em/embedchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Mem0完整指南：给AI Agent装上持久记忆的终极方案，LoCoMo基准92.5分背后的秘密
Mem0完整指南给AI Agent装上持久记忆的终极方案LoCoMo基准92.5分背后的秘密【免费下载链接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.项目地址: https://gitcode.com/GitHub_Trending/em/embedchainMem0 是一个专为 AI Agent 打造的持久记忆层Memory Layer for AI Agents让大模型应用拥有跨会话、跨用户的长期记忆能力。它通过一套全新的 ADD-only 记忆提取与多信号检索算法在 LoCoMo 长期记忆基准上取得 92.5 分旧算法仅 71.4 分LongMemEval 更是达到 94.4 分而每次查询平均只消耗不到 7,000 个 token。本文将带你快速理解 Mem0 的工作原理、部署方式和核心秘密。为什么 AI Agent 需要持久记忆你有没有这样的体验每次打开 AI 助手它都失忆了——忘记你上次聊过的偏好、项目决策甚至你的名字。这就是典型的无状态StatelessAgent问题每个新会话都从零开始所有历史上下文全部丢失导致重复提问、体验割裂。而有状态StatefulAgent则会把每次交互中学到的信息写入记忆在新会话中再把它读回来。Mem0 正是这一层的最佳实践从健忘的交互进化为持续智能。传统做法是把全部聊天记录塞进 Prompt代价是Token 成本飙升全上下文方案在基准测试中每次查询要消耗 25,000 tokens而 Mem0 仅需约 7,000延迟变高模型每次都要重读大量旧对话记忆混乱关键事实淹没在海量闲聊中检索精度下降Mem0 的思路是把消息Messages蒸馏成记忆Memories。你存入的是对话它存储的是提炼后的干净事实——比如你说我喜欢靠过道的座位它存的是User prefers aisle seats。Mem0 核心能力一览Mem0 以开箱即用 生产级为核心目标主要能力包括能力说明多层级记忆按user_id、agent_id、run_id三个维度隔离记忆用户、Agent、会话互不串扰智能提取LLM 自动从对话中蒸馏偏好、决策、计划等可复用事实自动去重多信号检索语义向量 BM25 关键词 实体匹配 时间推理四路信号并行打分融合生产级部署本地库、自托管服务器、云端托管三种形态Python/TypeScript 双语言 SDK从上图可以看到Mem0 嵌入在 Agent 编排器与信息源之间请求时Memory Reader与工具、RAG 并行拉取记忆上下文交给 LLM 推理响应后Memory Writer把有价值的信息存档供未来会话使用。92.5分的秘密四大核心算法升级Mem0 在 2026 年 4 月发布的全新记忆算法是它从 71.4 分跃升到 92.5 分的关键。核心改动有四点1️⃣ ADD-only 单遍提取一次 LLM 调用只增不删传统方案对每条新消息都要决定新增/更新/删除旧记忆既慢又容易丢失信息。新算法改为单遍、仅新增一次 LLM 调用即可提取事实旧记忆原样保留。当用户说我从奥斯汀搬到西雅图时新旧两个事实都会存下——这保住了完整的时间脉络还让提取延迟直接减半。整个提取流水线共六步异步入队 → 上下文查找防重复→ 蒸馏提取 → 去重与向量化 → 实体链接 → 时间推理标注。2️⃣ 多信号检索四路打分并行融合查询到达时Mem0 不会只用向量相似度而是四路信号并行打分后融合排序信号擅长场景示例问题语义检索概念性问题用户对远程办公怎么看BM25 关键词精确事实我上周参加了哪些会议实体匹配人物/项目问题我们了解 Alice 的哪些信息时间推理时间相关问题用户最早是什么时候提到这个项目的实验证明融合分数在所有类别上都超过了任何单一信号。3️⃣ 实体链接跨记忆的图谱关系Mem0 会从记忆中抽取人名、地名、组织名等实体把它们嵌入并链接到相关记忆形成一张实体图谱。当查询提到某个实体时所有关联记忆都会被加权提权。如上图所示joseph这个实体同时关联了他的姓名、城市Seattle和职业软件工程师任何一条相关记忆的查询都能通过图谱互相增强。4️⃣ 时间推理知道什么时候的记忆写入时Mem0 会为每条记忆提取时间元数据——事件发生时间、是否仍在持续、时间精度、记忆类型事件/状态/计划/偏好等。检索时按查询的时间意图对这些元数据打分。这项技术在 LoCoMo 时间类问题上贡献了最大提升时间类 92.0 分、多跳类 91.3 分。 基准成绩单基准旧算法新算法平均 Tokenp50 延迟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 万 / 1000 万 token 规模生产真实量级上评估记忆系统的公开基准无法靠扩大上下文窗口作弊。完整的评估方法可参考 docs/core-concepts/memory-evaluation.mdx。 注以上分数来自 Mem0 托管平台含专有优化开源 SDK 用户可获得方向一致的提升具体数字会略有差异。三种部署方式总有一款适合你方式一本地库 —— 5分钟跑通原型最简单的方式是作为 Python/Node 库嵌入现有项目pip install mem0ai # 或 npm install mem0ai核心 API 只有两个动词add存记忆和search取记忆。默认使用 OpenAI 模型 Qdrant 向量库 SQLite 历史库零配置即可运行。完整入门见 docs/open-source/python-quickstart.mdx 和 docs/open-source/node-quickstart.mdx。方式二自托管服务器 —— 团队生产级部署git clone https://gitcode.com/GitHub_Trending/em/embedchain cd server make bootstrap # 一键启动 创建管理员 签发首个API Key自托管版本自带管理面板、API Key 认证和请求日志适合需要把数据留在自己基础设施上的团队。相关代码在 server/ 目录包含 FastAPI 后端server/main.py、数据库迁移server/alembic/和 Next.js 管理面板server/dashboard/。方式三云端托管 —— 零运维注册后通过 SDK 或 API Key 直接使用托管记忆服务内置全部高级特性图谱记忆、多信号检索等适合追求零运维的场景。用命令行管理记忆Mem0 CLI除了代码 APIMem0 还提供终端 CLI让 AI Agent 自己都能在 5 秒内完成注册并开始读写记忆npm install -g mem0/cli # 或 pip install mem0-cli mem0 add 偏好深色模式和 vim 键位 --user-id alice mem0 search Alice 有什么偏好 --user-id aliceCLI 的完整命令参考位于 cli/README.md实现代码分别在 cli/node/TypeScript与 cli/python/Python。生态集成20 主流框架即插即用Mem0 与主流 AI 生态深度集成无论你的 Agent 用什么框架构建都能一键接入LangChain / LangGraph为链式应用和图状态机注入记忆CrewAI / AutoGen / Agno / Camel多 Agent 协作共享记忆Google ADK / OpenAI Agents SDK / Vercel AI SDK各大厂 Agent 框架Dify / Flowise / n8n低代码平台的记忆节点所有集成文档位于 docs/integrations/可直接调用的代码集成含 OpenClaw、Vercel AI SDK、Zapier 等位于 integrations/。此外仓库还提供了 AI 编程助手的 Agent Skillsskills/可以让 Claude Code、Cursor 等工具自动帮你把 Mem0 集成进现有项目。项目文件导航 路径说明README.md项目总览、快速开始与基准成绩mem0/Python SDK 核心记忆引擎、LLM/Embedding/向量库适配mem0-ts/TypeScript SDK 源码server/自托管服务器API 管理面板cli/Python / Node 双语言 CLIdocs/core-concepts/核心概念工作原理、记忆类型、基准评估integrations/各框架的代码级集成tests/全量单元测试覆盖所有 LLM/向量库/重排序器写在最后Mem0 证明了记忆可以是 AI Agent 架构中独立的一层存事实而非全文、用多信号而非单一向量、只增不删而非覆盖改写。正是这套思路让它在 LoCoMo 上拿下 92.5 分同时把每次查询的成本压到 7,000 token 以内。如果你正在构建客服机器人、AI 助手或任何需要记住用户的应用Mem0 值得成为你的第一个记忆方案。【免费下载链接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.项目地址: https://gitcode.com/GitHub_Trending/em/embedchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考