92.5分背后的秘密)
Mem0完整指南給AI Agent裝上持久記憶的終極方案LoCoMo基準(zhǔn)92.5分背后的秘密【免費(fèi)下載鏈接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.項(xiàng)目地址: https://gitcode.com/GitHub_Trending/em/embedchainMem0 是一個(gè)專為 AI Agent 打造的持久記憶層Memory Layer for AI Agents讓大模型應(yīng)用擁有跨會(huì)話、跨用戶的長期記憶能力。它通過一套全新的 ADD-only 記憶提取與多信號檢索算法在 LoCoMo 長期記憶基準(zhǔn)上取得 92.5 分舊算法僅 71.4 分LongMemEval 更是達(dá)到 94.4 分而每次查詢平均只消耗不到 7,000 個(gè) token。本文將帶你快速理解 Mem0 的工作原理、部署方式和核心秘密。為什么 AI Agent 需要持久記憶你有沒有這樣的體驗(yàn)每次打開 AI 助手它都失憶了——忘記你上次聊過的偏好、項(xiàng)目決策甚至你的名字。這就是典型的無狀態(tài)StatelessAgent問題每個(gè)新會(huì)話都從零開始所有歷史上下文全部丟失導(dǎo)致重復(fù)提問、體驗(yàn)割裂。而有狀態(tài)StatefulAgent則會(huì)把每次交互中學(xué)到的信息寫入記憶在新會(huì)話中再把它讀回來。Mem0 正是這一層的最佳實(shí)踐從健忘的交互進(jìn)化為持續(xù)智能。傳統(tǒng)做法是把全部聊天記錄塞進(jìn) Prompt代價(jià)是Token 成本飆升全上下文方案在基準(zhǔn)測試中每次查詢要消耗 25,000 tokens而 Mem0 僅需約 7,000延遲變高模型每次都要重讀大量舊對話記憶混亂關(guān)鍵事實(shí)淹沒在海量閑聊中檢索精度下降Mem0 的思路是把消息Messages蒸餾成記憶Memories。你存入的是對話它存儲的是提煉后的干凈事實(shí)——比如你說我喜歡靠過道的座位它存的是User prefers aisle seats。Mem0 核心能力一覽Mem0 以開箱即用 生產(chǎn)級為核心目標(biāo)主要能力包括能力說明多層級記憶按user_id、agent_id、run_id三個(gè)維度隔離記憶用戶、Agent、會(huì)話互不串?dāng)_智能提取LLM 自動(dòng)從對話中蒸餾偏好、決策、計(jì)劃等可復(fù)用事實(shí)自動(dòng)去重多信號檢索語義向量 BM25 關(guān)鍵詞 實(shí)體匹配 時(shí)間推理四路信號并行打分融合生產(chǎn)級部署本地庫、自托管服務(wù)器、云端托管三種形態(tài)Python/TypeScript 雙語言 SDK從上圖可以看到Mem0 嵌入在 Agent 編排器與信息源之間請求時(shí)Memory Reader與工具、RAG 并行拉取記憶上下文交給 LLM 推理響應(yīng)后Memory Writer把有價(jià)值的信息存檔供未來會(huì)話使用。92.5分的秘密四大核心算法升級Mem0 在 2026 年 4 月發(fā)布的全新記憶算法是它從 71.4 分躍升到 92.5 分的關(guān)鍵。核心改動(dòng)有四點(diǎn)1?? ADD-only 單遍提取一次 LLM 調(diào)用只增不刪傳統(tǒng)方案對每條新消息都要決定新增/更新/刪除舊記憶既慢又容易丟失信息。新算法改為單遍、僅新增一次 LLM 調(diào)用即可提取事實(shí)舊記憶原樣保留。當(dāng)用戶說我從奧斯汀搬到西雅圖時(shí)新舊兩個(gè)事實(shí)都會(huì)存下——這保住了完整的時(shí)間脈絡(luò)還讓提取延遲直接減半。整個(gè)提取流水線共六步異步入隊(duì) → 上下文查找防重復(fù)→ 蒸餾提取 → 去重與向量化 → 實(shí)體鏈接 → 時(shí)間推理標(biāo)注。2?? 多信號檢索四路打分并行融合查詢到達(dá)時(shí)Mem0 不會(huì)只用向量相似度而是四路信號并行打分后融合排序信號擅長場景示例問題語義檢索概念性問題用戶對遠(yuǎn)程辦公怎么看BM25 關(guān)鍵詞精確事實(shí)我上周參加了哪些會(huì)議實(shí)體匹配人物/項(xiàng)目問題我們了解 Alice 的哪些信息時(shí)間推理時(shí)間相關(guān)問題用戶最早是什么時(shí)候提到這個(gè)項(xiàng)目的實(shí)驗(yàn)證明融合分?jǐn)?shù)在所有類別上都超過了任何單一信號。3?? 實(shí)體鏈接跨記憶的圖譜關(guān)系Mem0 會(huì)從記憶中抽取人名、地名、組織名等實(shí)體把它們嵌入并鏈接到相關(guān)記憶形成一張實(shí)體圖譜。當(dāng)查詢提到某個(gè)實(shí)體時(shí)所有關(guān)聯(lián)記憶都會(huì)被加權(quán)提權(quán)。如上圖所示joseph這個(gè)實(shí)體同時(shí)關(guān)聯(lián)了他的姓名、城市Seattle和職業(yè)軟件工程師任何一條相關(guān)記憶的查詢都能通過圖譜互相增強(qiáng)。4?? 時(shí)間推理知道什么時(shí)候的記憶寫入時(shí)Mem0 會(huì)為每條記憶提取時(shí)間元數(shù)據(jù)——事件發(fā)生時(shí)間、是否仍在持續(xù)、時(shí)間精度、記憶類型事件/狀態(tài)/計(jì)劃/偏好等。檢索時(shí)按查詢的時(shí)間意圖對這些元數(shù)據(jù)打分。這項(xiàng)技術(shù)在 LoCoMo 時(shí)間類問題上貢獻(xiàn)了最大提升時(shí)間類 92.0 分、多跳類 91.3 分。 基準(zhǔn)成績單基準(zhǔn)舊算法新算法平均 Tokenp50 延遲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 萬 / 1000 萬 token 規(guī)模生產(chǎn)真實(shí)量級上評估記憶系統(tǒng)的公開基準(zhǔn)無法靠擴(kuò)大上下文窗口作弊。完整的評估方法可參考 docs/core-concepts/memory-evaluation.mdx。 注以上分?jǐn)?shù)來自 Mem0 托管平臺含專有優(yōu)化開源 SDK 用戶可獲得方向一致的提升具體數(shù)字會(huì)略有差異。三種部署方式總有一款適合你方式一本地庫 —— 5分鐘跑通原型最簡單的方式是作為 Python/Node 庫嵌入現(xiàn)有項(xiàng)目pip install mem0ai # 或 npm install mem0ai核心 API 只有兩個(gè)動(dòng)詞add存記憶和search取記憶。默認(rèn)使用 OpenAI 模型 Qdrant 向量庫 SQLite 歷史庫零配置即可運(yùn)行。完整入門見 docs/open-source/python-quickstart.mdx 和 docs/open-source/node-quickstart.mdx。方式二自托管服務(wù)器 —— 團(tuán)隊(duì)生產(chǎn)級部署git clone https://gitcode.com/GitHub_Trending/em/embedchain cd server make bootstrap # 一鍵啟動(dòng) 創(chuàng)建管理員 簽發(fā)首個(gè)API Key自托管版本自帶管理面板、API Key 認(rèn)證和請求日志適合需要把數(shù)據(jù)留在自己基礎(chǔ)設(shè)施上的團(tuán)隊(duì)。相關(guān)代碼在 server/ 目錄包含 FastAPI 后端server/main.py、數(shù)據(jù)庫遷移server/alembic/和 Next.js 管理面板server/dashboard/。方式三云端托管 —— 零運(yùn)維注冊后通過 SDK 或 API Key 直接使用托管記憶服務(wù)內(nèi)置全部高級特性圖譜記憶、多信號檢索等適合追求零運(yùn)維的場景。用命令行管理記憶Mem0 CLI除了代碼 APIMem0 還提供終端 CLI讓 AI Agent 自己都能在 5 秒內(nèi)完成注冊并開始讀寫記憶npm install -g mem0/cli # 或 pip install mem0-cli mem0 add 偏好深色模式和 vim 鍵位 --user-id alice mem0 search Alice 有什么偏好 --user-id aliceCLI 的完整命令參考位于 cli/README.md實(shí)現(xiàn)代碼分別在 cli/node/TypeScript與 cli/python/Python。生態(tài)集成20 主流框架即插即用Mem0 與主流 AI 生態(tài)深度集成無論你的 Agent 用什么框架構(gòu)建都能一鍵接入LangChain / LangGraph為鏈?zhǔn)綉?yīng)用和圖狀態(tài)機(jī)注入記憶CrewAI / AutoGen / Agno / Camel多 Agent 協(xié)作共享記憶Google ADK / OpenAI Agents SDK / Vercel AI SDK各大廠 Agent 框架Dify / Flowise / n8n低代碼平臺的記憶節(jié)點(diǎn)所有集成文檔位于 docs/integrations/可直接調(diào)用的代碼集成含 OpenClaw、Vercel AI SDK、Zapier 等位于 integrations/。此外倉庫還提供了 AI 編程助手的 Agent Skillsskills/可以讓 Claude Code、Cursor 等工具自動(dòng)幫你把 Mem0 集成進(jìn)現(xiàn)有項(xiàng)目。項(xiàng)目文件導(dǎo)航 路徑說明README.md項(xiàng)目總覽、快速開始與基準(zhǔn)成績mem0/Python SDK 核心記憶引擎、LLM/Embedding/向量庫適配mem0-ts/TypeScript SDK 源碼server/自托管服務(wù)器API 管理面板cli/Python / Node 雙語言 CLIdocs/core-concepts/核心概念工作原理、記憶類型、基準(zhǔn)評估integrations/各框架的代碼級集成tests/全量單元測試覆蓋所有 LLM/向量庫/重排序器寫在最后Mem0 證明了記憶可以是 AI Agent 架構(gòu)中獨(dú)立的一層存事實(shí)而非全文、用多信號而非單一向量、只增不刪而非覆蓋改寫。正是這套思路讓它在 LoCoMo 上拿下 92.5 分同時(shí)把每次查詢的成本壓到 7,000 token 以內(nèi)。如果你正在構(gòu)建客服機(jī)器人、AI 助手或任何需要記住用戶的應(yīng)用Mem0 值得成為你的第一個(gè)記憶方案?！久赓M(fèi)下載鏈接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.項(xiàng)目地址: https://gitcode.com/GitHub_Trending/em/embedchain創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 Mem0完整指南：給AI Agent裝上持久記憶的終極方案，LoCoMo基準(zhǔn)92.5分背后的秘密
Mem0完整指南給AI Agent裝上持久記憶的終極方案LoCoMo基準(zhǔn)92.5分背后的秘密【免費(fèi)下載鏈接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.項(xiàng)目地址: https://gitcode.com/GitHub_Trending/em/embedchainMem0 是一個(gè)專為 AI Agent 打造的持久記憶層Memory Layer for AI Agents讓大模型應(yīng)用擁有跨會(huì)話、跨用戶的長期記憶能力。它通過一套全新的 ADD-only 記憶提取與多信號檢索算法在 LoCoMo 長期記憶基準(zhǔn)上取得 92.5 分舊算法僅 71.4 分LongMemEval 更是達(dá)到 94.4 分而每次查詢平均只消耗不到 7,000 個(gè) token。本文將帶你快速理解 Mem0 的工作原理、部署方式和核心秘密。為什么 AI Agent 需要持久記憶你有沒有這樣的體驗(yàn)每次打開 AI 助手它都失憶了——忘記你上次聊過的偏好、項(xiàng)目決策甚至你的名字。這就是典型的無狀態(tài)StatelessAgent問題每個(gè)新會(huì)話都從零開始所有歷史上下文全部丟失導(dǎo)致重復(fù)提問、體驗(yàn)割裂。而有狀態(tài)StatefulAgent則會(huì)把每次交互中學(xué)到的信息寫入記憶在新會(huì)話中再把它讀回來。Mem0 正是這一層的最佳實(shí)踐從健忘的交互進(jìn)化為持續(xù)智能。傳統(tǒng)做法是把全部聊天記錄塞進(jìn) Prompt代價(jià)是Token 成本飆升全上下文方案在基準(zhǔn)測試中每次查詢要消耗 25,000 tokens而 Mem0 僅需約 7,000延遲變高模型每次都要重讀大量舊對話記憶混亂關(guān)鍵事實(shí)淹沒在海量閑聊中檢索精度下降Mem0 的思路是把消息Messages蒸餾成記憶Memories。你存入的是對話它存儲的是提煉后的干凈事實(shí)——比如你說我喜歡靠過道的座位它存的是User prefers aisle seats。Mem0 核心能力一覽Mem0 以開箱即用 生產(chǎn)級為核心目標(biāo)主要能力包括能力說明多層級記憶按user_id、agent_id、run_id三個(gè)維度隔離記憶用戶、Agent、會(huì)話互不串?dāng)_智能提取LLM 自動(dòng)從對話中蒸餾偏好、決策、計(jì)劃等可復(fù)用事實(shí)自動(dòng)去重多信號檢索語義向量 BM25 關(guān)鍵詞 實(shí)體匹配 時(shí)間推理四路信號并行打分融合生產(chǎn)級部署本地庫、自托管服務(wù)器、云端托管三種形態(tài)Python/TypeScript 雙語言 SDK從上圖可以看到Mem0 嵌入在 Agent 編排器與信息源之間請求時(shí)Memory Reader與工具、RAG 并行拉取記憶上下文交給 LLM 推理響應(yīng)后Memory Writer把有價(jià)值的信息存檔供未來會(huì)話使用。92.5分的秘密四大核心算法升級Mem0 在 2026 年 4 月發(fā)布的全新記憶算法是它從 71.4 分躍升到 92.5 分的關(guān)鍵。核心改動(dòng)有四點(diǎn)1?? ADD-only 單遍提取一次 LLM 調(diào)用只增不刪傳統(tǒng)方案對每條新消息都要決定新增/更新/刪除舊記憶既慢又容易丟失信息。新算法改為單遍、僅新增一次 LLM 調(diào)用即可提取事實(shí)舊記憶原樣保留。當(dāng)用戶說我從奧斯汀搬到西雅圖時(shí)新舊兩個(gè)事實(shí)都會(huì)存下——這保住了完整的時(shí)間脈絡(luò)還讓提取延遲直接減半。整個(gè)提取流水線共六步異步入隊(duì) → 上下文查找防重復(fù)→ 蒸餾提取 → 去重與向量化 → 實(shí)體鏈接 → 時(shí)間推理標(biāo)注。2?? 多信號檢索四路打分并行融合查詢到達(dá)時(shí)Mem0 不會(huì)只用向量相似度而是四路信號并行打分后融合排序信號擅長場景示例問題語義檢索概念性問題用戶對遠(yuǎn)程辦公怎么看BM25 關(guān)鍵詞精確事實(shí)我上周參加了哪些會(huì)議實(shí)體匹配人物/項(xiàng)目問題我們了解 Alice 的哪些信息時(shí)間推理時(shí)間相關(guān)問題用戶最早是什么時(shí)候提到這個(gè)項(xiàng)目的實(shí)驗(yàn)證明融合分?jǐn)?shù)在所有類別上都超過了任何單一信號。3?? 實(shí)體鏈接跨記憶的圖譜關(guān)系Mem0 會(huì)從記憶中抽取人名、地名、組織名等實(shí)體把它們嵌入并鏈接到相關(guān)記憶形成一張實(shí)體圖譜。當(dāng)查詢提到某個(gè)實(shí)體時(shí)所有關(guān)聯(lián)記憶都會(huì)被加權(quán)提權(quán)。如上圖所示joseph這個(gè)實(shí)體同時(shí)關(guān)聯(lián)了他的姓名、城市Seattle和職業(yè)軟件工程師任何一條相關(guān)記憶的查詢都能通過圖譜互相增強(qiáng)。4?? 時(shí)間推理知道什么時(shí)候的記憶寫入時(shí)Mem0 會(huì)為每條記憶提取時(shí)間元數(shù)據(jù)——事件發(fā)生時(shí)間、是否仍在持續(xù)、時(shí)間精度、記憶類型事件/狀態(tài)/計(jì)劃/偏好等。檢索時(shí)按查詢的時(shí)間意圖對這些元數(shù)據(jù)打分。這項(xiàng)技術(shù)在 LoCoMo 時(shí)間類問題上貢獻(xiàn)了最大提升時(shí)間類 92.0 分、多跳類 91.3 分。 基準(zhǔn)成績單基準(zhǔn)舊算法新算法平均 Tokenp50 延遲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 萬 / 1000 萬 token 規(guī)模生產(chǎn)真實(shí)量級上評估記憶系統(tǒng)的公開基準(zhǔn)無法靠擴(kuò)大上下文窗口作弊。完整的評估方法可參考 docs/core-concepts/memory-evaluation.mdx。 注以上分?jǐn)?shù)來自 Mem0 托管平臺含專有優(yōu)化開源 SDK 用戶可獲得方向一致的提升具體數(shù)字會(huì)略有差異。三種部署方式總有一款適合你方式一本地庫 —— 5分鐘跑通原型最簡單的方式是作為 Python/Node 庫嵌入現(xiàn)有項(xiàng)目pip install mem0ai # 或 npm install mem0ai核心 API 只有兩個(gè)動(dòng)詞add存記憶和search取記憶。默認(rèn)使用 OpenAI 模型 Qdrant 向量庫 SQLite 歷史庫零配置即可運(yùn)行。完整入門見 docs/open-source/python-quickstart.mdx 和 docs/open-source/node-quickstart.mdx。方式二自托管服務(wù)器 —— 團(tuán)隊(duì)生產(chǎn)級部署git clone https://gitcode.com/GitHub_Trending/em/embedchain cd server make bootstrap # 一鍵啟動(dòng) 創(chuàng)建管理員 簽發(fā)首個(gè)API Key自托管版本自帶管理面板、API Key 認(rèn)證和請求日志適合需要把數(shù)據(jù)留在自己基礎(chǔ)設(shè)施上的團(tuán)隊(duì)。相關(guān)代碼在 server/ 目錄包含 FastAPI 后端server/main.py、數(shù)據(jù)庫遷移server/alembic/和 Next.js 管理面板server/dashboard/。方式三云端托管 —— 零運(yùn)維注冊后通過 SDK 或 API Key 直接使用托管記憶服務(wù)內(nèi)置全部高級特性圖譜記憶、多信號檢索等適合追求零運(yùn)維的場景。用命令行管理記憶Mem0 CLI除了代碼 APIMem0 還提供終端 CLI讓 AI Agent 自己都能在 5 秒內(nèi)完成注冊并開始讀寫記憶npm install -g mem0/cli # 或 pip install mem0-cli mem0 add 偏好深色模式和 vim 鍵位 --user-id alice mem0 search Alice 有什么偏好 --user-id aliceCLI 的完整命令參考位于 cli/README.md實(shí)現(xiàn)代碼分別在 cli/node/TypeScript與 cli/python/Python。生態(tài)集成20 主流框架即插即用Mem0 與主流 AI 生態(tài)深度集成無論你的 Agent 用什么框架構(gòu)建都能一鍵接入LangChain / LangGraph為鏈?zhǔn)綉?yīng)用和圖狀態(tài)機(jī)注入記憶CrewAI / AutoGen / Agno / Camel多 Agent 協(xié)作共享記憶Google ADK / OpenAI Agents SDK / Vercel AI SDK各大廠 Agent 框架Dify / Flowise / n8n低代碼平臺的記憶節(jié)點(diǎn)所有集成文檔位于 docs/integrations/可直接調(diào)用的代碼集成含 OpenClaw、Vercel AI SDK、Zapier 等位于 integrations/。此外倉庫還提供了 AI 編程助手的 Agent Skillsskills/可以讓 Claude Code、Cursor 等工具自動(dòng)幫你把 Mem0 集成進(jìn)現(xiàn)有項(xiàng)目。項(xiàng)目文件導(dǎo)航 路徑說明README.md項(xiàng)目總覽、快速開始與基準(zhǔn)成績mem0/Python SDK 核心記憶引擎、LLM/Embedding/向量庫適配mem0-ts/TypeScript SDK 源碼server/自托管服務(wù)器API 管理面板cli/Python / Node 雙語言 CLIdocs/core-concepts/核心概念工作原理、記憶類型、基準(zhǔn)評估integrations/各框架的代碼級集成tests/全量單元測試覆蓋所有 LLM/向量庫/重排序器寫在最后Mem0 證明了記憶可以是 AI Agent 架構(gòu)中獨(dú)立的一層存事實(shí)而非全文、用多信號而非單一向量、只增不刪而非覆蓋改寫。正是這套思路讓它在 LoCoMo 上拿下 92.5 分同時(shí)把每次查詢的成本壓到 7,000 token 以內(nèi)。如果你正在構(gòu)建客服機(jī)器人、AI 助手或任何需要記住用戶的應(yīng)用Mem0 值得成為你的第一個(gè)記憶方案?！久赓M(fèi)下載鏈接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.項(xiàng)目地址: https://gitcode.com/GitHub_Trending/em/embedchain創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考