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。

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:
- 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。 - 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

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:
- 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。 - 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()。 - 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
- 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。 - 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。 - 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。
0 條評論
還沒有評論,來搶沙發~