Mem0 智能體長期記憶框架入門:Python 安裝、按用戶 ID 存取記憶與對接主流模型

聊天窗口一關 AI 就把客戶的飲食忌口和技術棧偏好忘得一乾二淨,硬拼全部歷史記錄又燒爆 Token?本文詳解高人氣開源記憶層框架 Mem0:Python 快速安裝、按 user_id 嚴格隔離存取記憶防串號、自動解決前後記憶衝突,以及自定義向量庫與模型的完整代碼。

NNathaniel bigo··原創首發·AI 輔助撰寫
8 分鐘讀完
資料核對於 2026-11-19 · 依據官方文檔與公開資料整理 免費帳號 帳號

自己動手開發 AI 客服、私人學習伴侶或團隊研發助手時,很快就會撞上一道必考題:怎麼讓智能體隔了一個月還能記住“這位用戶是素食者、後端只用 Python FastAPI、討厭長篇寒暄”?

如果採用最原始的辦法——每次提問都把該用戶過去半年的幾百條聊天記錄(Messages)原封不動拼進上下文發給大模型,不僅單輪 API 帳單會呈指數級爆炸,而且當用戶上個月說“我在上海工作”、這個月說“我剛搬到深圳定居”時,大模型同時看着兩句前後矛盾的歷史廢話反而會不知所措。

開源長期記憶層框架 Mem0(包名 mem0ai)專門用來充當智能體與向量數據庫之間的“智能記憶提煉管家”。如果你之前了解過 LangGraph 基於 Postgres 的會話檢查點與存儲 或 用記憶服務替代編輯器舊版自動記憶,用 Mem0 只需十來行 Python 代碼就能給任何獨立後端接上自更新的個性化記憶底座。

AI 全棧開發訂閱配套入口:在本地部署與聯調開源 AI 框架時,搭配固定月費的終端編程智能體與旗艦推理訂閱能大幅縮短排錯時間。國內無境外信用卡可在本站通過支付寶、微信支付或 AlipayHK 免密自助開通 Claude Code 訂閱、ChatGPT Plus / Pro 或查看 AI 會員充值總覽。

硬塞歷史聊天記錄與 Mem0 記憶層機制對比

一、Mem0 底層到底比普通向量庫多幹了哪一步

很多人誤以為 Mem0 只是對向量數據庫做了一層簡單的 insert 封裝,其實它的核心價值藏在 m.add() 寫入瞬間:

  1. 事實抽水脫敏:你傳進去一段十來句的口水聊天,Mem0 會先調一次輕量模型,只把裏面有長期保留價值的客觀事實與偏好(例如 "後端框架偏好 FastAPI,包管理固定用 uv")提煉成精簡詞條,把“你好”、“謝謝”等寒暄垃圾全部扔掉。
  2. 衝突自動覆蓋合併(Update / Delete):寫入新詞條前,它會自動檢索該用戶名下已有的相似舊記憶。如果發現舊庫裏寫着 "居住城市:上海",而最新對話提到 "已搬家至深圳",它會自動執行原地更新(Update)把過期舊記憶改掉,從根源上消滅新舊偏好打架。

二、Python 四步實戰:安裝、綁定配置與按 user_id 隔離讀寫

在虛擬環境中安裝官方開源包:

bash
pip install mem0ai

用 Mem0 給智能體加上跨會話長期記憶四步

下面是一份生產開發最實用的完整示例:顯式使用 Memory.from_config() 指定輕量提取模型與本地持久化 Qdrant 向量目錄,並嚴格按 user_id 隔離不同用戶的私密記憶:

python
import os
from openai import OpenAI
from mem0 import Memory

# 1. 自定義底層提煉模型與本地持久化向量庫路徑(亦支持切換 Anthropic 或 Pgvector)
config = {
    "llm": {
        "provider": "openai",
        "config": {
            "model": "gpt-4o-mini",
            "temperature": 0.1,
        },
    },
    "vector_store": {
        "provider": "qdrant",
        "config": {
            "path": "./local_mem0_qdrant",
        },
    },
}

memory = Memory.from_config(config)
llm_client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def chat_with_memory(user_id: str, user_input: str) -> str:
    # 2. 提問前:嚴格帶上 filters={"user_id": ...} 召回與當前話題最相關的歷史記憶
    related = memory.search(query=user_input, filters={"user_id": user_id}, limit=5)
    items = related.get("results", related) if isinstance(related, dict) else related
    mem_context = "\n".join(f"- {item['memory']}" for item in items)

    # 3. 拼入系統提示詞,僅消耗幾十個 Token 即可實現千人千面回覆
    system_prompt = f"你是貼心的技術顧問。以下是該用戶的已知長期背景偏好:\n{mem_context}"
    resp = llm_client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": user_input},
        ],
    )
    answer = resp.choices[0].message.content

    # 4. 回覆後(生產環境建議放入後台異步隊列):提煉本輪新事實歸檔至該 user_id 名下
    memory.add(
        messages=[
            {"role": "user", "content": user_input},
            {"role": "assistant", "content": answer},
        ],
        user_id=user_id,
    )
    return answer

if __name__ == "__main__":
    uid = "dev_user_001"
    # 第一天會話寫入偏好
    memory.add("我平時只寫 TypeScript + PostgreSQL,代碼示例請一律不要用 class 類寫法。", user_id=uid)
    # 隔週新開窗口直接提問,自動按偏好作答
    print(chat_with_memory(uid, "幫我寫一段連接數據庫查詢用戶列表的示例函數"))
研發團隊訂閱與高配額省心方案:調試複雜多步智能體循環、RAG 切片策略與 CI 評測流水線非常消耗單日 Token。個人主力開發推薦免上號兌換 Claude Pro iOS 自助卡密 或 5 倍額度的 Claude Max 5x,多人研發團隊協同亦可聯絡客服定製 ChatGPT Business 團隊版。

三、上生產前必看的三個工程與私隱避坑點

把這段演示邏輯搬進真實多用戶 SaaS 系統前,務必守住下面三條鐵律:

  1. 嚴防多租戶串號泄漏:調用 memory.search()、memory.get_all() 或 memory.delete_all() 時,每一次都必須顯式傳準經過後端登入態校驗的真實 user_id(切勿直接信任前端請求體傳過來的裸 ID),否則甲用戶的私人業務數據可能會被檢索塞進乙用戶的提示詞裏釀成嚴重安全事故。
  2. 把 memory.add() 拆到後台異步執行:因為 add() 內部需要調一次輕量大模型做事實抽取與去重比對,如果同步卡在接口返回前執行,會讓前端用戶感覺首字回覆慢了一兩秒。最佳做法是先把大模型生成的回答流式推給前端,同時用 FastAPI 的 BackgroundTasks 或消息隊列在後台靜默跑 memory.add()。
  3. 給用戶留出“查看與遺忘”面板:合規的商業產品應當允許用戶管理 AI 記住了自己什麼。利用 memory.get_all(user_id=uid) 把詞條列表展示在用戶個人設定頁,每條旁邊放一個刪除按鈕綁定 memory.delete(memory_id=...),既透明體面又符合數據私隱規範。如果你想在內網純離線環境運行,Mem0 同樣支持把 llm 與 embedder 提供方全部切換為本地 Ollama 服務。

日常搭建智能體後端架構與聯調多組件邏輯時,搭配強力的官方編程訂閱能顯著加快開發驗證速度。需要開通直連開發訂閱的同學,可前往查看貝果研究社 Claude Code 訂閱與配置方案或 ChatGPT Plus 自助充值專頁。

常見問題

除了按人類 user_id 隔離,多個不同職責的子智能體之間能分開存記憶嗎?

可以。Mem0 原生內置了三個正交的命名空間維度:user_id(針對具體終端客戶)、agent_id(針對不同工種智能體各自積累的經驗)以及 run_id(僅限單次長程任務週期內的短期工作記憶)。你可以單獨使用其中任意一個,也可以組合過濾實現極其精細的權限分層。

提煉記憶調用的模型一定要和主對話一樣用最貴的旗艦模型嗎?

完全沒必要,甚至不推薦用慢速重型推理模型跑 memory.add()。事實抽取與衝突合併屬於模式非常固定的結構化小任務,在 config["llm"] 裏綁定響應極快、單價極低的輕量高性價比模型(如各家官方的 Mini / Haiku / Flash 檔模型),就能以忽略不計的成本跑出非常乾淨的記憶詞條。

搭好開源框架後,國內沒有外幣信用卡怎麼開通主力編程與大模型訂閱?

可在 本站 AI 會員充值中心 使用支付寶、微信支付或 AlipayHK 自助選購卡密,支持免交密碼兌換 Claude Code(Pro / Max)、ChatGPT Plus 與 ChatGPT Pro,並支持開具增值稅發票;實時價格與售後邊界(封號不在質保範圍)以對應商品頁說明為準。

小結

  1. Mem0 不是死存原始聊天記錄,而是在 m.add() 時自動提煉高價值事實並原地覆蓋過時衝突資訊,讓長期對話的 Token 開銷保持恆定低位。
  2. 多租戶系統調用 m.search() 時務必通過 filters={"user_id": ...} 鎖死經過鑑權的用戶身份,嚴防跨用戶記憶串號。
  3. 生產環境將 m.add() 放入後台異步任務隊列執行免拖慢前端響應,並搭配輕量快速模型與用戶自助刪除入口兼顧成本與私隱合規。

Nathaniel 的更多內容

  1. 01

    獨立開發者用 ChatGPT + Codex 跑通產品全流程:市場驗證、PRD、原型到代碼上線覆盤清單

    單人做獨立產品最容易陷入「閉門寫兩個月代碼上線零用戶」或「AI 寫到一半目錄越改越崩」。本文整理「ChatGPT 負責市場驗證、PRD 與覆盤 + Codex 負責工程實現與測試」的五階段雙軌流程,附起手提示詞與 7 項上線覆盤清單。

    ChatGPTCodex0
  2. 02

    用 ChatGPT 批量生成規範文件命名規則、整理混亂目錄樹與合併零散發票抬頭清單腳本

    面對滿桌面的「新建文件夾」「最終版2」和上百張零散電子發票,手工改名抄台帳耗時又容易漏重。本文分享先脫敏取樣、再用 ChatGPT 生成帶預演和回滾日誌的本地 Python 腳本,離線安全完成目錄整理與發票抬頭合併去重的實戰流程。

    ChatGPT0
  3. 03

    用 ChatGPT 做海外電郵營銷(EDM)受眾分層文案、A/B 主題行測試與防進垃圾箱自檢

    做海外獨立站或出海 SaaS 電郵營銷(EDM),最怕千人一面群發被直接送進垃圾箱。本文結合 Gmail/Yahoo 批量發件人規範,梳理用 ChatGPT 設計受眾分層文案、批量生成 A/B 主題行矩陣並開展發前垃圾詞與合規自檢的實戰提示詞。

    ChatGPT0
  4. 04

    用 ChatGPT 寫 Notion Formula 2.0 公式、Obsidian Dataview 查詢與 Airtable 自動化腳本

    給 Notion 數據庫寫多條件 Formula 2.0 公式、給 Obsidian 寫 Dataview 動態看板,或在 Airtable 裏寫自動化腳本,經常因為一個小括號或類型不匹配報錯半天。本文整理三大工具的通用上下文喂料規範與三套直接可複製的生成提示詞。

    ChatGPT其他 AI 工具0
  5. 05

    用 ChatGPT 處理複雜 JSON / YAML / XML 字段映射、格式轉換與校驗規則編寫實戰

    對接第三方 API、遷移 Kubernetes 配置或解析政企 XML 報文時,手工對照幾百行嵌套字段既慢又容易漏掉空值與類型邊界。本文整理用 ChatGPT 完成字段映射表梳理、生成確定性轉換腳本以及編寫 JSON Schema / Pydantic / XSD 校驗規則的實戰流。

    ChatGPT其他 AI 工具0
  6. 06

    用 ChatGPT 準備本科/碩士畢業論文答辯:提煉答辯 PPT 結構、模擬導師犀利追問與 3 分鐘自述稿

    畢業論文寫完後,要在 3–5 分鐘內講清研究價值並頂住答辯評委的連環追問並不輕鬆。本文整理在嚴格遵守高校學術規範的前提下,用 ChatGPT 提煉答辯 PPT 結構、打磨 3 分鐘口語自述稿並開展模擬導師犀利追問的排練流程與提示詞。

    ChatGPT0

同產品的其他教學

  1. 01

    用 ChatGPT 速讀英文產品手冊、開源文檔與 GitHub Issue 並沉澱團隊中文內訓手冊

    團隊引入海外 SaaS 工具或開源框架時,全英文文檔晦澀冗長、真正的坑全藏在幾十頁 GitHub Issue 討論裏。本文分享速讀拆解英文手冊、歸類 Issue 排障庫以及重構團隊中文內訓 SOP 的完整實戰流程。

    ChatGPT其他 AI 工具0
  2. 02

    用 ChatGPT 寫油猴腳本(Tampermonkey)與瀏覽器書籤小工具解決網頁繁瑣重複操作實戰

    每天在後台系統裏重複勾選幾十個複選框、手工複製網頁表格或清理遮擋閱讀的側邊欄,既枯燥又浪費時間。本文分享不會寫 JS 也能用 F12 配合 ChatGPT 寫出油猴腳本與書籤小工具的完整實戰流程。

    ChatGPT其他 AI 工具0
  3. 03

    用 ChatGPT 寫高質素 SQL 窗口函數(RANK / LAG / SUM OVER)做留存與漏斗分析實戰

    做用戶留存率、復購間隔與有序轉化漏斗時,多層自連接既難讀又拖垮數據庫,窗口函數則是高效解法。本文整理數據庫方言喂數規範、CTE 分層提示詞以及用內置沙盒先驗證再上線的完整實戰流程。

    ChatGPT其他 AI 工具0
  4. 04

    ChatGPT 連接 Canva、Figma、Linear、Jira、Dropbox 等第三方應用搜不到數據或授權失效怎麼辦

    在 ChatGPT 接入 Canva、Figma、Linear、Jira 或 Dropbox 後,明明顯示已連接卻搜不到文件工單,或老提示授權失效怎麼辦?本文拆解帳號錯綁、OAuth 範圍漏選、權限繼承與管理員攔截 5 步排障法。

    ChatGPT其他 AI 工具0
  5. 05

    Anthropic Contextual Retrieval(上下文增強檢索)是什麼、怎麼實現:給文檔塊自動補背景摘要結合緩存降失誤率

    長文檔切成小塊後丟了公司名、年份和主語指代導致 RAG 頻頻搜錯?本文按 Anthropic 官方技術文章詳解 Contextual Retrieval 原理、官方公開評測失誤率下降 49% 至 67% 的組合架構,以及用 Claude 提示詞緩存低成本批量生成切片背景的完整 Python 代碼。

    Claude其他 AI 工具0
  6. 06

    RAG 知識庫回答不準怎麼調優:切片大小(Chunking)、BM25 + 向量混合檢索與 Rerank 重排序三步排查法

    搭好的 RAG 企業知識庫一問具體型號、報錯碼或跨行表格就答非所問?本文按 OpenAI 與 Anthropic 官方檢索文檔,給出先隔離檢索與生成故障、再按結構化切片(Chunking)、BM25 加向量混合召回(RRF)與 Rerank 重排序逐層調優的三步法。

    Claude其他 AI 工具0

0 條評論

登入 後參與評論

還沒有評論,來搶沙發~