Mem0 是专为 AI Agent 设计的开源记忆层框架，自带三层内存架构（核心/召回/归档）+ 多向量存储。准确率比 OpenAI Memory 高 26%，Token 节省 90%。Python/TypeScript 双语言，LangChain/CrewAI 全框架集成，开源免费。
🎤 引言
大模型最反人类的地方：每次对话都是「从零开始」。
你跟 ChatGPT 说「我老婆叫小美，下周过生日」，下次新建对话它依然不认识你老婆是谁。更别说 AI Agent 了——Copilot、Claude Code、Cursor 这些工具，用着用着就忘了你项目里用的是 Python 还是 Go，忘了你习惯用 vllm 而不是 transformers。
这就是 Mem0 要解决的问题：给 AI Agent 加一层持久记忆层。
2022 年诞生，GitHub 至今 61.9k Stars，2,521 次 commit，224 个 issue，519 个 PR——这个量级的开源 AI 基础设施项目，在 2026 年已经跑通了所有主流框架集成：LangChain、CrewAI、AutoGen、Vercel AI SDK，甚至已经接入了 OpenClaw（@mem0/openclaw-mcp）。
⭐ 核心功能
🏗️ 三层内存架构（Core / Recall / Archival）
Mem0 把 AI 记忆分成三个层次，比喻成计算机存储体系：
| 层次 | 比喻 | 作用 | 容量 |
|---|---|---|---|
| Core Memory | RAM | 始终在 LLM 上下文窗口中，高频访问 | ~4-8 条最新记忆 |
| Recall Memory | Disk Cache | 可搜索的对话历史缓存，中频访问 | ~50-200 条相关记忆 |
| Archival Memory | Cold Storage | 长期归档存储，LLM 按需查询 | 无限量 |
Agent 会主动决定哪些记忆放 Core、哪些放 Recall、哪些归档——不需要人工干预。Mem0 内部有一个 self-editing 机制，Agent 可以自己编辑和更新记忆块。
🔍 智能记忆操作
from mem0 import Memory
m = Memory()
user_id = "alice"
# 存储记忆（自动提取实体、偏好、事件）
result = m.add("Alice 周末喜欢打网球，偏好清淡饮食", user_id=user_id)
# 语义搜索相关记忆
relevant = m.search("Alice 周末做什么运动？", user_id=user_id)
# 更新记忆（自动合并）
m.update(memory_id="m1", data="改打羽毛球了", user_id=user_id)
# 删除记忆
m.delete(memory_id="m1", user_id=user_id)背后的实现：每次 add 时，Mem0 会调用 LLM 的 function calling，让 AI 自己判断这条新信息和已有记忆是什么关系——是补充？是矛盾？是重复？然后决定 merge / update / keep。
🤖 多 Agent 与多会话支持
# 支持 user_id / agent_id / session_id 三维记忆
m.add("用户的项目用 Django", user_id="alice", agent_id="coding-agent")
m.add("coding-agent 偏好用 Black 格式化代码", agent_id="coding-agent")
m.add("alice 习惯晚上工作", user_id="alice")这样同一个 user 在不同 agent 里有各自的记忆，不同 session 也能共享同一份 user profile。
🔗 丰富的向量存储支持
Mem0 不绑定向量数据库，你可以选：
| 向量存储 | 特点 | 适用场景 |
|---|---|---|
| Qdrant | 性能强，支持过滤 | 生产环境首选 |
| Pinecone | 托管简单 | 快速原型 |
| Chroma | 本地轻量 | 实验/个人项目 |
| Weaviate | 混合搜索强 | 复杂检索需求 |
| Redis | 低延迟 | 高并发场景 |
| pgvector | Postgres 扩展 | 已有 PG 基础设施 |
🛠️ 框架集成全家桶
- LangChain：
from langchain_mem0 import Mem0Memory - CrewAI：原生支持 Agent 间共享记忆
- AutoGen：多 Agent 协作记忆共享
- Vercel AI SDK：
@mem0/vercel-ai-provider - OpenClaw MCP：
@mem0/openclaw-mcp（OpenClaw 记忆持久化）
📥 安装与使用
安装
pip install mem0ai
# 可选：指定向量存储
pip install mem0ai[qdrant] # Qdrant 支持
pip install mem0ai[postgres] # pgvector 支持快速上手
import os
from mem0 import Memory
os.environ["OPENAI_API_KEY"] = "your-key"
m = Memory()
# 对话式记忆
messages = [
{"role": "user", "content": "我叫李明，在字节工作，做推荐算法"},
{"role": "assistant", "content": "你好李明！"},
{"role": "user", "content": "我最近在学 Rust，主要为了提升系统编程能力"},
]
# 自动从对话历史中提取并存储记忆
m.add_messages(messages, user_id="liming")
# 检索时带上记忆
query = "我叫啥名字？最近在学什么？"
memories = m.search(query, user_id="liming")
print(memories)
# 将记忆注入 prompt
context = "\n".join([m["text"] for m in memories])
prompt = f"用户问题：{query}\n用户记忆：{context}"自托管（Ollama 本地模型）
from mem0 import Memory
m = Memory.from_config(
provider="ollama",
config={
"model": "llama3.1",
"url": "http://localhost:11434"
}
)不需要 OpenAI API Key，完全本地运行，数据不出本机。
🎯 适用场景
特别适合：
- 🤖 AI Agent 开发：Copilot/Cursor/Claude Code 类工具，需要记住项目上下文
- 💬 客服机器人：记住用户历史问题，提供连续对话体验
- 📚 学习助手：记住学生的学习进度、偏好、薄弱点
- 🏥 医疗/法律顾问：合规要求下的会话记录与记忆持久化
- 🎮 游戏 NPC：让游戏角色记住玩家的行为和对话历史
不太适合：
- 📝 简单的一次性问答（不需要记忆的场景，用原生 LLM 即可）
- 🔒 数据完全不能出本机且无法自托管（Mem0 托管版需要数据上云）
- 🧠 需要实时、大规模并行记忆更新的场景（Mem0 目前偏向应用层，实时性有上限）
🔍 对比/替代方案
| 工具 | 类型 | 记忆精度 | 延迟 | 部署方式 | 适合场景 |
|---|---|---|---|---|---|
| Mem0 | 记忆层框架 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | 开源/托管 | Agent 生产级记忆 |
| OpenAI Memory | 闭源 API | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | 云端 | 简单偏好存储 |
| LangMem | 开源协议 | ⭐⭐⭐ | ⭐⭐⭐ | 开源 | LangChain 原生 |
| MemGPT | 虚拟内存 | ⭐⭐⭐⭐ | ⭐⭐⭐ | 本地 | 单 Agent 长对话 |
| Supermemory | 记忆+RAG | ⭐⭐⭐⭐ | ⭐⭐⭐ | 托管 | 用户画像+RAG |
| Zep / Graphiti | 时序图谱 | ⭐⭐⭐⭐ | ⭐⭐⭐ | 开源/托管 | 时序关系追踪 |
关键差异：Mem0 是目前生态最完整的记忆框架——GitHub Stars 最多、框架集成最全（LangChain/CrewAI/AutoGen/Vercel/OpenClaw）、同时支持 Python + TypeScript 双 SDK。MemGPT 偏向单 Agent 虚拟内存方案，LangMem 刚刚起步，Zep 更偏时序图谱。
⚠️ 注意事项
Token 成本
- Mem0 的检索结果需要注入 prompt，记忆越多 Token 消耗越高
- Mem0 官方数据：相比全上下文方式节省 90% Token，但相比 OpenAI 原生 Memory 消耗略高
- 建议生产环境监控 Token 使用量，设置记忆上限
自托管需要额外维护
- 开源版需要自己运维向量数据库（Qdrant / Chroma 等）
- Mem0 托管版（Pro）有现成的基础设施，但 $19/月起
- 自托管方案适合有 DevOps 能力的团队
记忆一致性挑战
- 多 Agent 并发写入同一用户记忆时，需要注意写入顺序
- Mem0 目前通过 memory_id 做冲突检测，但多 Agent 场景下建议业务层加锁
数据隐私
- 托管版数据会上传到 Mem0 云端，医疗/金融等敏感场景建议自托管
- 本地模型（Ollama）支持已经比较完善，但功能比云端版少一些
v2.0 破坏性变更
- 2026 年 7 月刚发布 v2.0，API 有破坏性变更
- 从 v1.x 升级需要改代码（
Mem0类替换了旧版Memory类） - TypeScript SDK 也同步升级到 v3.1.2
✅ 总结
Mem0 解决的是一个很具体的问题：LLM 天生无状态，而真实应用需要记忆。
三年来它从「一个实验性想法」变成了 AI Agent 记忆层的事实标准——61.9k Stars、2,521 次 commit、主流框架全部集成。它的三层内存架构（Core/Recall/Archival）是目前最符合直觉的记忆分层方案，self-editing 机制让 Agent 自主管理记忆生命周期，而不是靠人工规则硬编码。
适合人群：正在构建 AI Agent、需要记忆用户偏好/项目上下文/会话历史的开发者。
不适合人群：简单的一次性 LLM 调用、不想维护额外基础设施的轻量用户。
如果你在用 Cursor/Copilot/Claude Code 这些工具，可以试试装一个 mem0ai，给自己的 AI 助手加一层记忆——用过之后你就再也回不去了。
推荐指数：⭐⭐⭐⭐（4.5/5，AI Agent 开发者必试）
📦 项目地址：https://github.com/mem0ai/mem0
🌐 官方网站：https://mem0.ai
📜 许可证：Apache 2.0（开源免费）
🐙 Claude Code 集成：/mem0 skill in Claude Marketplace