Mem0

活跃
GitHub Python Apache-2.0

简介

Mem0 是面向 AI Agent 的长期记忆层,支持跨会话记忆管理与个性化上下文检索。

核心特性

  • 多层级记忆 — 无缝管理用户级、会话级和 Agent 级三层记忆状态,支持自适应个性化
  • 单次 ADD 提取 — 一次 LLM 调用完成记忆提取,无 UPDATE/DELETE,记忆只累积不覆盖
  • 实体链接 — 提取实体并跨记忆嵌入链接,提升检索准确性
  • 多信号检索 — 语义搜索、BM25 关键词匹配、实体匹配并行打分并融合排序
  • 时间感知推理 — 时间敏感的检索排序,准确回答关于当前状态、历史事件和未来计划的问题
  • 跨平台 SDK — Python 和 Node.js SDK,支持 CLI、自托管服务器和云端平台三种部署方式

适用场景

💡 个性化 AI 助手:让聊天机器人记住用户偏好和历史对话,提供一致的个性化体验
💡 客户支持系统:召回历史工单和用户记录,为客服提供完整上下文以快速解决问题
💡 医疗健康管理:追踪患者偏好和病史,为个性化医疗提供记忆支撑
💡 AI 编码助手记忆:让 Claude Code 等编码工具记住项目约定、代码风格和历史决策
💡 自适应学习系统:根据用户行为和学习进度自动调整教学策略和内容推荐

优势与不足

优势

  • 活跃维护,近期持续更新
  • 社区热度高(63.4k stars)
  • 开源许可证友好(Apache-2.0)
  • 项目有一定历史沉淀(已维护 3 年)

快速开始

# 安装 Mem0
pip install mem0ai

# 快速开始:添加和搜索记忆
from mem0 import Memory

m = Memory()

# 添加记忆
m.add("用户偏好使用深色模式", user_id="alice")

# 搜索记忆
results = m.search("用户的界面偏好", user_id="alice")
print(results)

相关项目

Graphiti

30.0k · Python
活跃 A+

Graphiti 是面向 Agent 记忆的时序知识图谱引擎,帮助系统持续沉淀长期上下文。

memoryknowledge-graphrag +1
  • · 时序事实管理 — 每个事实具有时间窗口,旧事实被失效而非删除,可查询当前或历史任意时刻的真实状态
  • · 溯源与血缘追踪 — 每个实体和关系追溯到产生它的原始数据(Episodes),完整的推导事实到数据源的血缘
  • · 混合检索 — 结合语义嵌入、关键词 BM25 和图遍历实现低延迟高精度查询,无需依赖 LLM 摘要

MemAgent

1.1k · Python
不活跃 B

可扩展至 350 万上下文 token 的记忆智能体框架,附带用于任意智能体工作流 RL 训练的训练框架,解决长上下文记忆难题。

memoryagentrag +2
  • · 超长上下文处理:从 8K 训练上下文外推至 350 万 token,性能损失低于 5%
  • · 强化学习驱动:采用 RLVR(可验证奖励强化学习)训练,扩展 DAPO 算法支持多轮对话端到端优化
  • · 线性时间复杂度:突破长文本处理的计算瓶颈,资源随文本长度线性扩展

HyperDB

1.4k · Python
不活跃 C

HyperDB 是一个面向 LLM Agent 设计的超快速本地向量数据库,提供轻量级的向量存储和相似度搜索能力,适合嵌入到 Agent 应用中作为即时记忆和知识检索组件。

vector-databasepythonagent +2
  • · 超快速本地向量数据库,专为 LLM Agent 设计
  • · C++ 高性能后端,通过 MKL BLAS 实现硬件加速运算
  • · 简洁统一的接口,兼容所有主流大语言模型 Agent 框架

相关文章