在大语言模型（LLM）迅猛发展的今天，我们已经可以使用 ChatGPT、Claude 等工具完成写作、总结、编程等任务。但这些模型存在一个关键短板：它们没有“长期记忆”。 每一次session都是第一次相遇，用户必须反复输入背景信息，这极大地限制了模型在个性化助手、长期交互、用户建模等场景的能力。往深了想，AI没有自己的记忆或者长期叙事，就无法真正拥有“我”的概念，可能永远也谈不上真正意义上的“自主决策”。(这部分讨论请看AI是否应该有末那识)

是否有一种快速、简单的方法为我们的模型加上长期记忆呢？

当然有啦~那就是今天给大家介绍的开源项目Mem0

                                   1 什么是Mem0？

Mem0是一个专为 AI 应用设计的开源记忆层，支持长期和短期的上下文存储，可用于增强 LLM 的个性化能力。核心特点包括：

• 多粒度记忆管理（用户 / 会话 / 代理）

• 简洁的 Python SDK 接口

• 与 Chroma 向量数据库集成良好

• 支持自托管与托管两种方式

                    2 如何使用 Mem0：快速上手实践

2.1 自托管方式

咱们先试一下自托管的方式，核心逻辑是使用本地的Chroma 向量数据库，会在本地自动生成一些.sqlite3文件。

以下是具体代码和用4o生成的详细注释：​​​​​​

# 引入 OpenAI SDK 和 Mem0 的记忆模块from openai import OpenAIfrom mem0 import Memoryimport os# 设置 OpenAI API Key 和自定义的 Base URL（适用于自托管或代理）os.environ["OPENAI_API_KEY"] = "XX"os.environ["OPENAI_BASE_URL"] = "XX"# 定义 Mem0 的配置，包括 LLM 模型信息和向量数据库（使用 Chroma）config = {    "llm": {        "provider": "openai",  # 使用 OpenAI 提供的模型        "config": {            "model": "gpt-4o-mini",  # 模型名称            "temperature": 0.2,      # 输出的随机程度（越小越稳定）            "max_tokens": 2000,      # 最大输出长度        }    },    "vector_store": {        "provider": "chroma",       # 使用 Chroma 作为向量存储        "config": {            "collection_name": "test",  # 数据集合名            "path": "db",               # Chroma 数据库存储路径        }    }}# 初始化 OpenAI 客户端openai_client = OpenAI(    api_key = "XX",    base_url = "XX"  # 可选)# 根据上述配置初始化记忆对象memory = Memory.from_config(config)# 核心函数：与 AI 对话，并利用记忆增强响应def chat_with_memories(message: str, user_id: str = "default_user") -> str:    # 第一步：从记忆中检索与当前用户输入最相关的记忆内容    relevant_memories = memory.search(query=message, user_id=user_id, limit=3)    # 将检索到的记忆整理成字符串，作为系统提示输入    memories_str = "\n".join(f"- {entry['memory']}" for entry in relevant_memories["results"])    # 构建系统提示，告诉 AI 要参考哪些记忆内容    system_prompt = (        "You are a helpful AI. Answer the question based on query and memories.\n"        f"User Memories:\n{memories_str}"    )    # 构造对话历史，系统提示 + 当前用户问题    messages = [        {"role": "system", "content": system_prompt},        {"role": "user", "content": message}    ]    # 使用 OpenAI 接口生成对话回复    response = openai_client.chat.completions.create(        model="gpt-4o-mini",        messages=messages    )    assistant_response = response.choices[0].message.content  # 获取回复内容    # 将这轮对话（用户和 AI 的发言）添加进记忆库    messages.append({"role": "assistant", "content": assistant_response})    memory.add(messages, user_id=user_id)    return assistant_response  # 返回 AI 的回答# 命令行对话主入口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(message=user_input, user_id='test_1')}")# 程序主执行入口if __name__ == "__main__":    main()

不得不说，现在的AI作为效率工具确实厉害，这代码注释写的非常清楚啦~

代码内容就不再赘述了(偷懒ing)。

主要说一下：

1. 通过设置不同的user_id，可以保证记忆是隔离的，同一个user_id下的记忆是共享的，也是长期的，即今天运行程序和大模型聊天后关闭程序，明天运行程序时之前的记忆依旧存在；

2. mem0的存储的是通过4o-mini(可以自行设置)进行摘要和信息抽取后的内容；

---

原始对话输入：

USER：我叫鸣人，来自木叶村，是个火影候选人，喜欢吃一乐拉面，老师是卡卡西，我的梦想是成为最强的火影！

Mem0 在会利用模型（如 gpt-4o-mini）对其进行摘要与结构化抽取，生成多条独立的 memory 条目，便于后续精确检索：​​​​

[  {    "memory": "用户叫鸣人"  },  {    "memory": "用户来自木叶村"  },  {    "memory": "用户是火影候选人"  },  {    "memory": "用户喜欢吃一乐拉面"  },  {    "memory": "用户的老师是卡卡西"  },  {    "memory": "用户的梦想是成为最强的火影"  }]

这些拆分后的结构化记忆将被向量化并存储在底层向量数据库（如 Chroma）中，以支持模糊语义搜索。当你日后询问类似“我最喜欢吃什么？”或“我的老师是谁？”这类问题时，Mem0 能快速从记忆中找出对应片段，构建上下文响应。

---

这种摘要+抽取的方式，对于日常的信息量不大的聊天历史来说，非常方便，检索起来也很准确。但是对于做一些deep research等复杂任务，一轮对话会生成非常多的条目，并且有可能丢失某些重要信息(关于信息损失有多大，要看进行信息抽取和摘要的模型的能力)。

这种自托管的方式，好处在于不用掏钱，数据存在本地也安全。坏处在于chroma是轻量级的向量数据库，没有对应的官方前端，要查看数据可中的内容，需要借助一些其他工具，这里推荐SQLite Viewer(VS Code插件)，直接在VS Code或者Cursor的插件里搜索安装即可，简单易用。

💬 Mem0 记忆效果展示

Chat with AI (type 'exit' to quit)You: 我叫鸣人，来自木叶村，是个火影候选人，喜欢吃一乐拉面，老师是卡卡西，我的梦想是成为最强的火影！AI: 你好，鸣人！听起来你有一个伟大的梦想，成为最强的火影！我相信你一定能通过坚持和努力实现这个目标。你在追求梦想的过程中有什么有趣的经历吗？还有你对卡卡西老师的看法如何？# 程序重启后，再次对话Chat with AI (type 'exit' to quit)You: 我是谁AI: 你是鸣人，是火影候选人，你的老师是卡卡西。You: 我的梦想是什么AI: 你的梦想是成为最强的火影。You: exitGoodbye!

🧠 Mem0 记忆内容展示

2.2 托管方式

托管方式指的是将记忆的内容托管到mem0的云端，进行记忆摘要和信息抽取的模型mem0也配置好了，使用更方便，并且有漂亮的前端展示，可以让你清晰的看到不同USER_ID下记忆内容。缺点是免费帐户每月存储和检索次数有限，且一些私密数据上传云端可能不是很安全。

以下是具体代码和用4o生成的详细注释：​​​​​​​

# 导入 OpenAI SDK 和 Mem0 的托管客户端接口from openai import OpenAIfrom mem0 import MemoryClient# 初始化 OpenAI 客户端（用于调用 LLM 生成回复）openai_client = OpenAI(    api_key = "XX",       # 替换为你的 OpenAI API 密钥    base_url = "XX"       # 可选项，若使用代理则指定 base_url)# 初始化 Mem0 托管服务的客户端# 🔐 api_key 获取方式：#   1. 访问官网：https://mem0.ai#   2. 登录后进入 Dashboard 页面#   3. 在「API Key」模块中复制你的专属密钥memory = MemoryClient(api_key='XX')  # 替换为你从 mem0.ai 获取的 API 密钥# 核心对话函数：基于记忆检索+模型响应+记忆写入def chat_with_memories(message: str, user_id: str = "default_user") -> str:    # 🔎 Step 1：从 Mem0 中搜索与当前问题相关的记忆片段    relevant_memories = memory.search(query=message, user_id=user_id, limit=3)    print(relevant_memories)  # 可用于调试，查看检索结果    # 将记忆内容拼接成系统提示内容    if relevant_memories:        memories_str = "\n".join(f"- {entry['memory']}" for entry in relevant_memories)    else:        memories_str = "No memories found"    # 🧠 Step 2：构造 system prompt，将记忆嵌入模型提示中    system_prompt = (        "You are a helpful AI. Answer the question based on query and memories.\n"        f"User Memories:\n{memories_str}"    )    # 组装对话消息历史（用于发送给 LLM）    messages = [        {"role": "system", "content": system_prompt},        {"role": "user", "content": message}    ]    # 使用 OpenAI 的 chat API 获取模型回复    response = openai_client.chat.completions.create(        model="gpt-4o-mini",        messages=messages    )    assistant_response = response.choices[0].message.content  # 提取回复内容    # 🧾 Step 3：将这轮对话（user 和 assistant）添加进 Mem0 的记忆    messages.append({"role": "assistant", "content": assistant_response})    memory.add(messages, user_id=user_id)    return assistant_response  # 返回给前端或 CLI 的回答内容# 命令行对话入口函数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        # 注意此处设置的 user_id，是记忆关联的主键        print(f"AI: {chat_with_memories(message=user_input, user_id='test')}")# 启动主程序if __name__ == "__main__":    main()

🧠 Mem0 记忆内容展示

整体而言，mem0简单易用，可以满足咱们的日常需求，可以快速给你的AI加上长期记忆。mem0是一个开源项目，并且有对应的论文(arxiv.org/pdf/2504.19413)。

后续咱们一起解读下这篇paper，然后看看项目源码，争取对该项目的memory实现有更深入的了解~

欢迎大家指正错误，点点关注，一起学习~

参考资料

[1]

Mem0: https://github.com/mem0ai/mem0