用 AI 助手的人都经历过这个循环：今天跟它讲清楚了自己在做什么项目、用什么技术栈、不喜欢什么写法，明天开个新对话，一切归零，又得从头交代一遍。聊得越久越明显——它不是不聪明，是根本记不住。
上下文窗口拉长只能缓解一部分，因为你不可能把三个月的聊天记录全塞进去：贵，慢，而且塞进去之后模型反而更容易抓错重点。mem0 想解决的是这个问题中间的那一层——决定什么值得记下来、什么时候该把它捞出来。
是什么
mem0ai/mem0，Python 写的 AI 记忆层，Apache-2.0 协议，6.5 万 Star、7725 Fork，当前版本 v2.1.0（9 月 18 日发布），当日仓库还有提交，待处理 Issue 327 个、待合并 PR 440 个。项目 2023 年 6 月建仓，是 Y Combinator S24 的项目，也发过论文（arXiv 2504.19413）。
要注意它不是向量数据库。向量库解决的是"怎么快速找到相似的文本"，mem0 解决的是"这段对话里有什么值得长期记住、该以什么形式存、下次什么情况下取出来"。它架在向量库和模型之间：底下可以接 Qdrant、pgvector 这类存储，上面接你自己的模型，中间这层抽取、去重、检索融合的逻辑才是它的本体。
它有三种形态，按投入递增：装个库直接用、docker compose 起一个自托管服务、或者用官方云平台。README 给的建议很直白：只是在试就用库，给团队做就自托管，一点运维都不想碰就上云。
核心优势
检索成本压到了几千 Token 这个量级。这是它最值得看的一页数字。今年 4 月换掉旧算法之后，官方基准里单次检索（一次调用、不走 agent 循环、检索预算取前 200 条）的 Token 消耗在 6.7K 到 7.0K 之间，p50 延迟一秒出头。分数那边：LoCoMo 从 71.4 提到 92.5，LongMemEval 从 67.8 提到 94.4，其中助手记忆召回这一项是 98.2；另外还有两个百万级 Token 的 BEAM 测试，分别是 64.1 和 48.6。同一套检索路径，分数涨了二三十点，Token 反而更省——这两件事同时发生，才是这个版本真正的看点。
不过 README 自己写得很清楚：这组数字跑在官方托管平台上，包含了一些开源 SDK 里没有的优化，开源用户应该预期"方向类似但数字不完全一样"。这句话挺少见地诚实，也让上面那组数更可信一些——它没打算把基准当宣传页用。
写入改成只增不删，旧信息不会莫名其妙消失。新版做法是一次模型调用完成抽取，不做 UPDATE 和 DELETE，记忆只累积、不覆盖。连带的一个变化是：Agent 自己确认过的动作结果也算一等公民，和别人说的话一样权重存进去。好处很好理解：你再也不用担心某次抽取把之前存对的东西改坏了。代价下面会说。
检索是三种信号一起投票。语义相似度、BM25 关键词、实体匹配三路并行打分，再融合排序。单走向量的老问题很好举：问"我上次说的那个方案"，纯语义匹配很容易飘；而关键词那一路会因为"方案"这个字命中得更准。它还做了实体链接——把提到的实体抽出来做 embedding 并在记忆之间连起来，用来给召回加分。
带时间感。问"我现在用什么部署方式""上次那个 bug""下周要交的活"这类问题时，检索会按时间点去挑对应的那条记忆，而不是把所有相关记忆混成一锅粥。长期记忆里最烦的就是这种时序错乱，这块做了专门处理。
Agent 可以自己注册，不用人先开账号。这个小设计挺有意思：装完 CLI 跑 mem0 init --agent --agent-caller claude-code，四条命令走完就能拿到一把可用的密钥——不用邮箱、不用开后台、不用等验证码。人类主人之后随时可以用 mem0 init --email 把这个账号认领过来，密钥不变、记忆不动。对让 Agent 自己搭自己那套环境的用法来说，这一步省掉的事不少。
它对现在主流的编码助手做了适配。官方出了一批 skill，直接 npx skills add 装进 Claude Code、Codex、Cursor 这类工具里，有常驻的知识型（SDK 用法），也有按需跑流程的（把一个已有的仓库接进 mem0、跑通之后做验证）。
怎么用
最简单的路径就是一行安装：pip install mem0ai。然后 Memory() 实例化，写入用 memory.add(消息列表, user_id="某人")，读取用 memory.search(query=问题, filters={"user_id": "某人"}, top_k=3)，把返回的记忆拼进系统提示词就行。官方 quickstart 里那个循环对话的例子只有几十行，基本可以直接拿去改。
要用上完整能力还得配两样东西：一个模型（默认是 gpt-5-mini）和一个 embedding 模型（默认是 text-embedding-3-small）。想开混合检索那套关键词和实体加分，得装带 NLP 支持的额外依赖，再下一个 spacy 的语言包；embedding 那边官方建议至少用 Qwen 600M 以上的量级，效果会比默认的好。
不想写代码就用 CLI：mem0 add "..." --user-id 和 mem0 search "..." --user-id，在终端里就能管记忆。给团队用就走自托管，cd server && make bootstrap 一条命令把整套栈起来、建好管理员、签发第一把密钥；手动起也行，docker compose up -d 之后在浏览器里走一遍向导。
不是没有槽点
它需要模型，就有持续成本。写入记忆要调模型做抽取，检索时的实体链接也可能要用 embedding 服务。也就是说每次对话都比不用记忆时多花一点钱。省下来的是"把全部历史塞进上下文"那笔更大的开销，但这笔账得自己算，别默认它一定便宜。
只增不删是把双刃剑。记忆只累积不覆盖，好处是安全，坏处是一年之后库里会躺着大量过时甚至自相矛盾的信息。用户换了工作、换了技术栈，旧记忆还在。"现在用什么框架"这种问题，靠时间感知能挑对，但"用户到底偏好什么"这类偏好会越堆越乱。怎么淘汰、什么时候合并、多久清一次，官方没有替你解决，这是要自己设计的部分。
它不是知识库，别拿它塞文档。mem0 存的是关于"人"和"交互"的碎片化事实，不是一篇篇完整文档。你要做的是把产品手册、规章制度检索出来，那该用 RAG——两者解决的问题不一样，混着用通常两边都做不好。
自托管这版有鉴权，从旧版本升上来会踩坑。自托管默认开了鉴权，如果你从没有鉴权的旧构建升上来，要么先设 ADMIN_API_KEY，要么走一遍向导注册管理员；把它设成 AUTH_DISABLED=true 只适合本地开发，别带去线上。
跨语言的细节没那么多。默认的 embedding 和 spacy 语言包都是以英文为主调的。中文场景不是不能跑，但实体抽取和关键词那一路的收益会打折，得自己换模型、试参数。这类"中文要额外调"的活，基本是同类项目的通病。
跟同类怎么比
对"纯向量库加自己拼提示词"。这是最常见的自建方案，灵活、零依赖，问题出在两头：写进去的时候没人替你判断什么值得留，读出来的时候也只有一个相似度分数。用户随口提一句"我住北京"，你是存还是不存？下次问天气要不要带上？这些判断正是 mem0 替你做的部分。如果你的场景简单到只需要"把文档切块存起来再检索"，那真的不需要它。
对模型厂商自带的记忆功能。那些功能开箱即用，零开发成本，代价是绑在那个产品里——换模型、换供应商，记忆带不走，数据结构你也看不到。自己做一层的好处是可迁移、可控、可审计，代价是要自己搭、自己维护。个人图省事就用自带的；做产品要给用户承诺"记忆归用户所有"，那得自己搭。
对 RAG 那套知识库方案。不是竞品关系，是两层。RAG 管的是公共知识的检索，mem0 管的是个体交互历史的沉淀。真做产品，通常是两个都上——底层检索知识文档，上层记住"这个用户是谁、上次做到哪一步"。
对同赛道的其他记忆项目。这个方向最近一两年挤进来不少方案，路线也不太一样：有的往知识图谱那边靠，强调实体之间的结构化关系；mem0 更偏"轻量一层、随插随用"。选哪个主要看你愿意为结构化付出多少清洗成本。图谱类方案在关系推理上更强，但灌进去的数据得先规整好。
一句话：你在做的 AI 应用已经进入"同一个用户会反复来"的阶段，加一层记忆的边际收益就很高；你只是一次性问答工具，加它纯属给自己找活干。
项目地址：https://github.com/mem0ai/mem0
文档：https://docs.mem0.ai/
标签：#mem0 #AIAgent #长期记忆 #开源工具 #Python #RAG
你用 AI 助手的时候，最希望它记住的是你的偏好、你的项目背景，还是你们上次聊到哪一步？