🧠 LLM 记忆（Memory）

轻量级 LLM 记忆层，将记忆管理抽象为简单的 API，可嵌入到任何 LLM 应用中。支持语义检索、记忆更新和遗忘。

核心特性

• ✨ 自动从对话中提取重要信息作为记忆
• 🔍 基于语义相似度检索相关记忆
• ♻️ 智能更新和合并已有记忆（避免重复）
• 🗑️ 支持记忆删除和遗忘
• 🔌 可作为 LangChain / LlamaIndex 的集成组件
• 💾 支持多种存储后端（PostgreSQL / MongoDB / 向量数据库）

安装与使用

# 安装
pip install mem0ai

# 配置
from mem0 import Memory
memory = Memory.from_config({
    "vector_store": {
        "provider": "qdrant",
        "config": {"collection_name": "user_memory", "path": ":memory:"}
    },
    "llm": {
        "provider": "openai",
        "config": {"model": "gpt-4o", "api_key": "sk-xxx"}
    }
})

# 添加记忆
memory.add("我喜欢川菜，尤其是麻婆豆腐", user_id="user_123")

# 检索记忆
results = memory.search("用户喜欢什么菜？", user_id="user_123")
# → [{"memory": "用户喜欢川菜，尤其是麻婆豆腐", "score": 0.92}]

# 获取所有记忆
all_memories = memory.get_all(user_id="user_123")

# 删除记忆
memory.delete(memory_id="mem_001", user_id="user_123")

与 LangChain 集成

from mem0 import Memory
from mem0.configs import MemoryConfig

memory = Memory.from_config(MemoryConfig(...))

# 在对话中自动维护记忆
from langchain.memory import ConversationBufferMemory

class Mem0ConversationMemory(ConversationBufferMemory):
    def save_context(self, inputs, outputs):
        super().save_context(inputs, outputs)
        # 自动将对话内容存入 Mem0
        memory.add(
            f"User: {inputs['input']}
Assistant: {outputs['response']}",
            user_id=self.user_id
        )

为 LLM Agent 提供持久化记忆服务，侧重于会话历史的存储、检索和摘要。支持跨会话的长期记忆。

核心概念

部署与使用

# Docker 部署 Zep 服务
docker compose up -d

# Python 客户端
from zep_cloud.client import Zep

client = Zep(api_key="your-api-key")

# 添加消息到会话
client.add(
    session_id="session_001",
    messages=[
        {"role": "user", "content": "我叫小明，住在上海"},
        {"role": "assistant", "content": "好的，小明！有什么可以帮忙？"},
    ]
)

# 搜索记忆
memories = client.memory.search(
    session_id="session_001",
    query="用户叫什么名字？"
)

# 获取用户历史摘要
summary = client.memory.get_summary(session_id="session_001")

面向企业 Agent 的记忆服务，强调业务记忆的结构化管理、权限控制和审计。

特点

• 支持业务实体级别的记忆（客户、订单、产品等）
• 多租户隔离和权限控制
• 记忆操作的完整审计日志
• 支持记忆共享和协作
• 与主流 Agent 框架（LangChain、AutoGen 等）集成

使用示例

from agentmemory import AgentMemoryClient

client = AgentMemoryClient(
    project_id="enterprise_project",
    api_key="sk-xxx"
)

# 记录业务记忆
client.remember(
    agent_id="sales_agent_01",
    memory_type="customer_preference",
    content={
        "customer_id": "C12345",
        "preferred_contact": "email",
        "budget_range": "50k-100k",
        "interested_categories": ["SaaS", "AI"]
    }
)

# 根据业务上下文检索
memories = client.recall(
    agent_id="sales_agent_01",
    context="准备客户 C12345 的方案",
    memory_types=["customer_preference", "history"]
)

专为长对话场景设计的记忆管理系统，使用分层记忆架构（核心记忆 + 档案记忆 + 向量记忆）。

三层记忆架构

工作原理

1. 接收到新消息后，LLM 判断是否需要更新记忆
2. 如果是长期信息 → 写入 Core Memory
3. 如果是情景信息 → 写入 Recall Memory
4. 如果是知识信息 → 写入 Vector Memory
5. 回复时按需从各层检索相关记忆注入上下文