Mem0embedchain为 AI Agent 构建持久化记忆层的完整指南——从安装到多场景部署【免费下载链接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.项目地址: https://gitcode.com/GitHub_Trending/em/embedchain本文基于当前仓库的 README 与源码系统讲解 Mem0 这一AI Agent 记忆层的定位与能力覆盖库安装、自托管 Server、云平台三种部署模式的选型与操作步骤并深入源码剖析Memory默认配置、Python SDK 的典型调用链帮助读者快速把持久化记忆能力接入自己的 AI 应用。项目概览Mem0 是什么Mem0mem-zero为 AI 助手与 Agent 提供智能记忆层实现个性化 AI 交互它记住用户偏好、适应个体需求并随时间持续学习——适用于客服聊天机器人、AI 助手与自主系统来源README.md。核心能力README 原文多级记忆Multi-Level Memory无缝保留 User、Session、Agent 三个层级的状态并支持自适应个性化开发者友好Developer-Friendly直观的 API、跨平台 SDK以及全托管服务选项。典型应用场景场景说明AI 助手保持连贯、上下文丰富的对话客服支持回忆历史工单与用户历史提供定制化帮助医疗健康追踪患者偏好与病史实现个性化照护生产力与游戏基于用户行为自适应调整工作流与环境从源码结构看当前仓库版本为mem0ai 2.0.19pyproject.tomlPython 要求3.10,4.0。顶层包导出四个核心类Memory、AsyncMemoryOSS 本地版与MemoryClient、AsyncMemoryClient托管平台客户端见 mem0/init.pyOSS 版核心实现位于 mem0/memory/main.py。三种部署模式的选型README 给出的三种部署方式对照表完整继承原文Librarypip / npmSelf-Hosted ServerCloud Platform适用测试、原型验证团队运行在自有基础设施上零运维生产环境部署pip install mem0aidocker compose up在 Mem0 Platform 注册Dashboard—有有认证 API Keys—有有高级特性—部分预告全部包含一句话选型只是测试用 Library为团队构建Self-Hosted想零运维选 Cloud。Librarypip / npmpip install mem0ai如需增强的混合检索BM25 关键词匹配 实体抽取安装 NLP 支持版本pip install mem0ai[nlp] python -m spacy download en_core_web_smnpm 安装 TS SDKnpm install mem0ai从 pyproject.toml 可以看到核心依赖包含qdrant-client、openai、pydantic、sqlalchemy等默认向量库为 Qdrant与下文MemoryConfig一致可选依赖按功能分组nlp即spacy3.7.0、vector-stores覆盖 Chroma、Milvus、Pinecone、pgvector、Elasticsearch、Redis 等 20 余种后端、llmsGroq、Ollama、VertexAI、LiteLLM 等。按需安装对应 extra 即可解锁对应后端。Self-Hosted Server注意README 原文自托管模式下认证默认开启。若从旧版无认证升级需设置ADMIN_API_KEY、通过向导注册管理员或仅在本地开发时设置AUTH_DISABLEDtrue。# 推荐一条命令——启动整个服务栈、创建管理员、签发第一把 API Key cd server make bootstrap # 手动方式启动服务栈通过浏览器向导完成设置 cd server docker compose up -d # http://localhost:3000查看 server/Makefile 可以确认bootstrap的实际构成它依次执行updocker compose up -d --build并先检测 3000/8888 端口未被占用→wait-api轮询http://localhost:8888/auth/setup-status→wait-dashboard轮询http://localhost:3000/api/health→seed通过server/scripts/seed.sh传入EMAIL、PASSWORD、NAME环境变量创建管理员并签发 Key。Makefile 还提供up/down/clean/logs/health/reset-admin-password等目标make health会分别检查 API/docs、Dashboard/api/health与 Postgres 的存活状态。服务栈的关键端点Dashboardhttp://localhost:3000APIhttp://localhost:8888Cloud Platform在 Mem0 Platform 注册账号通过 SDK 或 API Key 接入记忆层若你当前使用托管 Qdrant 向量库可按仓库自带的迁移脚本 scripts/oss-to-platform-migrate.sh 将数据导入 Mem0 Platform配套说明见 docs/migration/oss-to-platform.mdx。像 Agent 一样注册Agent Sign-upAI Agent 可以在五秒内自助申领一把可用的 Mem0 API Key——无邮箱、无 Dashboard、无 OTP四条命令走完全流程README.md 原文命令# 1. 安装 npm install -g mem0/cli # 或: pip install mem0-cli # 2. 以 agent 身份注册把 claude-code 换成你的名字 mem0 init --agent --agent-caller claude-code # 3. 添加一条记忆 mem0 add I am using mem0 # 4. 搜索 mem0 search am I using mem0人类所有者之后可以用mem0 init --email their-email认领该账号——同一把 Key记忆完整保留。CLI在终端管理记忆npm install -g mem0/cli # 或: pip install mem0-cli mem0 init mem0 add Prefers dark mode and vim keybindings --user-id alice mem0 search What does Alice prefer? --user-id alice本仓库同时维护了 Node 与 Python 两套 CLI 实现可在 cli/node/ 与 cli/python/ 中查看源码与测试完整命令规范见 cli/CLI_SPECIFICATION.md。Agent Skills让 AI 编码助手学会用 Mem0仓库的 skills/ 目录内置了一组遵循 skills 标准的技能包可教 Claude Code、Codex、Cursor、Windsurf、OpenCode、OpenClaw 等任何支持该标准的工具如何使用 Mem0分为两类Reference skills — 常驻把 SDK 知识加载进助手上下文mem0、mem0-cli、mem0-vercel-ai-sdkPipeline skills — 按需执行在已有仓库中跑端到端工作流mem0-integrate以测试先行test-first流水线把 Mem0 接入现有仓库mem0-test-integration接入后做集成验证mem0-oss-to-platform把既有项目从 Mem0 OSS 迁移到托管 Platform SDK。README 给出的安装方式为npx skills add 本仓库地址 --skill 技能名例如npx skills add 本仓库地址 --skill mem0-integrate。技能目录的完整清单与说明见 skills/README.md每个技能均有独立的SKILL.md如 skills/mem0/SKILL.md。Python SDK 快速上手模型前提README 原文Mem0 运行需要一个 LLM默认使用 OpenAI 的gpt-5-mini默认嵌入模型为text-embedding-3-small。若追求最佳混合检索效果语义 关键词 实体加权README 建议至少使用 Qwen 600M 级别如gte-Qwen2-1.5B-instruct或同级别的嵌入模型。最小完整示例完整继承 README.md 代码from openai import OpenAI from mem0 import Memory openai_client OpenAI() memory Memory() def chat_with_memories(message: str, user_id: str default_user) - str: # 检索相关记忆 relevant_memories memory.search(querymessage, filters{user_id: user_id}, top_k3) memories_str \n.join(f- {entry[memory]} for entry in relevant_memories[results]) # 基于记忆生成回复 system_prompt fYou are a helpful AI. Answer the question based on query and memories.\nUser Memories:\n{memories_str} messages [{role: system, content: system_prompt}, {role: user, content: message}] response openai_client.chat.completions.create(modelgpt-5-mini, messagesmessages) assistant_response response.choices[0].message.content # 从本轮对话中沉淀新记忆 messages.append({role: assistant, content: assistant_response}) memory.add(messages, user_iduser_id) return assistant_response def main(): print(Chat with AI (type exit to quit)) while True: user_input input(You: ).strip() if user_input.lower() exit: print(Goodbye!) break print(fAI: {chat_with_memories(user_input)}) if __name__ __main__: main()调用链可以概括为memory.search()先召回 top_k 条记忆 → 拼入 system prompt 让 LLM 有据作答 →memory.add()再从本轮对话中抽取事实、向量化后写入。源码级默认配置剖析Memory()无参实例化时配置来自 mem0/configs/base.py 的MemoryConfig各字段及默认值如下字段默认值说明vector_storeQdrantConfig向量库配置默认 Qdrant见 mem0/vector_stores/configs.pyllmLlmConfig语言模型配置embedderEmbedderConfig嵌入模型配置history_db_path~/.mem0/history.db记忆变更历史的 SQLite 路径目录可用环境变量MEM0_DIR覆盖rerankerNone可选的重排序器配置 LLM 重排时默认模型同样为gpt-5-minimem0/configs/rerankers/llm.pyversionv1.1记忆处理 API 版本custom_instructionsNone自定义事实抽取指令也就是说README 示例零配置即用的前提是OpenAI API Key 已在环境变量中、本机可直连 Qdrant 默认配置、历史库落在~/.mem0/。若要切换向量库或 LLM只需传入对应config字典具体选项可参考 docs/components/vectordbs/ 与 docs/components/llms/ 下的组件文档。新记忆算法2026 年 4 月README 披露了新算法在公开基准上的成绩完整继承原文表格Benchmark旧算法新算法Tokens延迟 p50LoCoMo71.492.57.0K0.88sLongMemEval67.894.46.8K1.09sBEAM (1M)—64.16.7K1.00sBEAM (10M)—48.66.9K1.05s适用前提务必注意README 原文所有基准跑在同一套生产代表性模型栈上采用单次检索一次调用、无 agentic 循环top_200 检索预算分数反映的是 Mem0托管平台表现其中包含开源 SDK 不具备的专有优化——开源用户预期方向相近的增益但不会是相同数字。算法改了什么README 原文五点单遍 ADD-only 抽取——一次 LLM 调用无 UPDATE/DELETE记忆只增不减任何已有记忆不会被覆写Agent 生成的事实是一等公民——当 agent 确认过某个动作该信息以同等权重存储实体链接——实体被抽取、向量化并跨记忆建立链接用于检索加权多信号检索——语义、BM25 关键词、实体匹配三路并行打分并融合时间推理Temporal Reasoning——时间感知的检索针对当前状态、过往事件、未来计划类查询排序出正确的时间版本。若你在使用旧版本 OSS 升级仓库内提供了迁移指南 docs/migration/oss-v2-to-v3.mdx。集成与示例README 列出的集成与 DemoChatGPT with Memory由 Mem0 驱动的个性化聊天浏览器扩展跨 ChatGPT、Perplexity、Claude 保存记忆——本仓库 examples/yt-assistant-chrome/ 提供了 Chrome 扩展的完整工程webpack manifestLangGraph用 LangGraph Mem0 构建客服机器人文档见 docs/integrations/langgraph.mdxCrewAI用 Mem0 定制 CrewAI 输出文档见 docs/integrations/crewai.mdx。仓库 integrations/ 目录进一步提供了可直接复用的集成实现包括vercel-ai-sdk、openclaw、n8n-nodes-mem0、zapier-mem0、deepseek-plugin、pi-agent-plugin、mem0-strands等examples/ 下还有 mem0-demoNext.js 聊天应用、notebooks、多 Agent 示例等。许可与引用LicenseApache 2.0详见 LICENSE。论文引用README 原文 BibTeXarticle{mem0, title{Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory}, author{Chhikara, Prateek and Khant, Dev and Aryan, Saket and Singh, Taranjeet and Yadav, Deshraj}, journal{arXiv preprint arXiv:2504.19413}, year{2025} }小结围绕 README.md 的脉络可以得出三条落地路径个人快速验证用pip install mem0ai 默认配置Qdrant OpenAI起步团队自有基础设施用cd server make bootstrap一条命令拉起带认证与 Dashboard 的自托管栈生产零运维则接入托管平台。配合 CLI 的init / add / search三步闭环与 Agent Skills 流水线从给 Agent 加记忆到验证并迁移上云都有仓库内可查的源码、测试与脚本作为依据。【免费下载链接】embedchainThe Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.项目地址: https://gitcode.com/GitHub_Trending/em/embedchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考