Mem0

Mem0 是一个为 LLM 和 AI Agent（智能体） 提供长期持久化记忆的开源工具层，定位是替代 Agent 循环中的平铺 MEMORY.md 文件。核心能力：按语义检索（而非关键词匹配）相关记忆、原位更新已有事实（而非追加增长）、按 user_id / agent_id / run_id 隔离作用域。

在 Agent 循环中解决的问题

平铺记忆文件有三个问题：①膨胀并占用上下文预算；②只能匹配关键词，检索到"最近的"而非"最相关的"；③事实更新等于追加重复，旧值和新值并存。Mem0 在三个维度提供结构化替代。

Loop Engineering（循环工程）中 Token-Poor Loop 的可行性依赖于有能力按需精准检索而非把全部历史堆进上下文；Mem0 的作用域隔离同时防止多 Agent Fleet 中各 Agent 互相污染状态。

集成示例（v3 SDK）：

from mem0 import MemoryClient
mem = MemoryClient(api_key="...")

# 每轮开始前：按语义检索相关历史
prior = mem.search("auth refactor: what has been tried?", user_id="alice")

# 每轮结束后：按作用域写入结果
mem.add(messages, user_id="alice", agent_id="builder", run_id="auth-loop")

run_id 作用域使第 47 轮能读取第 1 到 46 轮的累积知识，而不把全部内容带入上下文。

BEAM Benchmark

Mem0 发布的 BEAM（Benchmark for Evaluating Agent Memory）是目前唯一在大规模 token 量级测量记忆系统性能的公开基准：

主流记忆 benchmark 通常上限约 1.5M tokens；一个多周运行的 Agent 循环可轻松超过这个量级。BEAM 对应的正是循环实际运行的规模区间——也是所有记忆系统最弱的区间。

注意：BEAM 由 Mem0 自行发布，尚未经过独立同行评审；数据应视为方向性参考而非定论。

“召回不等于使用”

MemoryArena benchmark（arxiv 2602.16313）指出：即使记忆召回率接近饱和的系统，在记忆需要指导行动时仍然大量失败。对循环的含义：系统需要的不是"能否回忆第 12 次尝试"，而是"给定第 1 到 46 次的全部历史，第 47 次应该做什么"。多信号检索（multi-signal retrieval）是这个方向上的一个应对。

LongMemEval（arxiv 2410.10813）给出了量化基线：商业助手在长期记忆任务上相对短上下文性能平均下降约 30%。

接入方式

云托管：app.mem0.ai；开源自部署：github.com/mem0ai/mem0。

自部署资源需求

官方文档未列出最低硬件规格，以下为基于 stack 组成的推断。

不需要 GPU。 LLM 推理和 embedding 计算均走外部 API（OpenAI / Anthropic / Google），本机只发 HTTP 请求。可选的 mem0ai[nlp] 包会安装 spacy en_core_web_sm（~12MB）做实体抽取，该模型在 CPU 上运行。

三个容器的资源轮廓：

类似三容器 FastAPI + PostgreSQL 栈的经验门槛：1 vCPU / 2 GB RAM（轻负载测试），生产建议 2 vCPU / 4 GB+。磁盘需求取决于记忆数量；pgvector 向量存储随数据量线性增长。

相关词条

• Agent Memory（Agent 记忆） — 概念层，Mem0 是其一种具体实现
• Loop Engineering（循环工程） — Mem0 服务的工程背景
• Context Rot（上下文腐烂） — 平铺记忆文件同样会加剧上下文腐烂
• EverOS — 同品类工具，OSS 版以 Markdown 为事实源