mem 0ai/mem 0：AI Agent的通用内存层

了解更多·加入Discord ·演示对Mem 0的代币高效内存算法进行基准测试-所有基准测试都在相同的生产代表模型堆栈上运行。单程检索（一次调用，没有代理循环）。发生了什么变化：- 单程仅ADD提取--一次LLM调用，没有BEP/RST。

记忆不断积累;没有什么会被重写。- 代理生成的事实是一流的--当代理确认某个动作时，该信息现在以同等的权重存储。- 实体链接--实体被提取、嵌入并跨存储器链接，以增强检索。- 多信号检索--并行和融合的语义、BM 25关键词和实体匹配评分。

- 时间推理--时间感知检索，为有关当前状态、过去事件和即将到来的计划的查询对正确日期的实例进行排名。有关升级说明，请参阅迁移指南。评估框架是开源的，因此任何人都可以复制这些数字。

- 91. LoCoMo上6分--比之前的算法多20分- 94. LongMemEval上的8分-- +27分，+53分。

6关于辅助记忆回忆- 64. 1 on BEAM（1 M）--以1 M代币进行生产规模内存评估- 阅读全文Mem 0（“mem-zero”）通过智能存储层增强了人工智能助手和代理，实现个性化人工智能交互。

它记住用户偏好，适应个人需求，并随着时间的推移不断学习-非常适合客户支持聊天机器人、人工智能助理和自治系统。

核心能力：- 多层内存：通过自适应个性化完美保留用户、会话和代理状态- 对操作员友好：直观的API、跨平台SDK和完全托管的服务选项应用领域：- 人工智能助手：一致、上下文丰富的对话- 客户支持：回忆过去的门票和用户历史记录以获取量身定制的帮助- 医疗保健：

跟踪患者偏好和个性化护理历史- 生产力与游戏：基于用户行为的自适应工作流程和环境人工智能代理可以在五秒内铸造一个有效的Mem 0 API密钥-无需电子邮件、无需仪表板、无需一次性密码。

端到端的四个命令：#1.安装nPM安装-g@mem0/RST #或：pip安装mem 0-RST#2.注册成为代理人（将“claude-code”替换为您的姓名）mem 0 init --代理-呼叫者claude-code#3。

为首页加入收藏mem 0添加“我正在使用mem 0”#4.搜索mem 0搜索“我正在使用mem 0”人类所有者可以稍后使用mem 0 init --电子邮件来认领该帐户<their-email>- 同样的钥匙，保留记忆。

完整指南：注册成为代理。只是测试？使用图书馆。为团队建设？自我托管。想要零操作吗？

Cloud. pip安装mem 0ai要通过BM 25关键字匹配和实体提取增强的混合搜索，请在NLP支持下安装：pip安装mem 0ai [nmp]Python -m spacy下载en_core_web_sim通过nPM安装sdk：nPM安装mem 0 ai注意：

默认情况下，自托管身份验证处于打开状态。从授权前构建升级？

设置管理员_API_KEY，通过向导注册管理员，orAUTH_DISABLED=true仅适用于本地开发人员。请参阅升级说明。#推荐：一个命令-启动堆栈、创建管理员、发出第一个API密钥。CD服务器'进行引导#手动：通过浏览器向导启动堆栈并完成设置。

CD服务器和docker组成-d #http：//localhost：3000请参阅自托管文档了解配置。- 注册Mem 0平台- 通过SDK或API密钥嵌入内存层- 使用托管的Qdrant向量？

请参阅Platform迁移指南将它们导入Mem 0 Platform。

从您的终端管理记忆：nPM安装-g@mem0/RST #或：pip安装mem 0-RSTmem 0初始化mem 0 add“更喜欢黑暗模式和vim键盘绑定”--user-id alicemem 0搜索“Alice更喜欢什么？

“--user-id爱丽丝有关完整的命令参考，请参阅CLI文档。教你的AI编码助手（Claude Code、Codex、Cursor、Windsurf、OpenCode、OpenClaw和任何支持技能标准的工具）如何使用Mem 0构建。

两类：参考技能-始终开启（SDK知识加载到助手的上下文中）：npx技能添加https：//github。com/mem0ai/mem0 --skill mem0npx技能添加https：//github。

com/mem 0ai/mem 0--技能mem 0-npx技能添加https：//github。

com/mem0ai/mem0 --skill mem0-vercel-ai-sdk管道技能-按需运行（在现有仓库中执行端到端工作流程）：npx技能添加https：//github。

com/mem 0ai/mem 0--技能mem 0-集成npx技能添加https：//github.

com/mem 0ai/mem 0--技能mem 0-测试-集成使用/mem 0-集成通过测试优先管道将Memo 0连接到现有的仓库中，然后/mem 0-test-Integration以验证。

请参阅技能目录或使用Mem 0的Vibecoding以了解完整图片。Mem 0需要LLM才能发挥作用，使用gpt-5-mini来自OpenAI作为默认设置。然而，它支持各种LLM;有关详细信息，请参阅我们支持的LLM文档。

Mem 0使用文本嵌入-3-small来自OpenAI作为默认嵌入模型。为了使用混合搜索（语义+关键字+实体增强）获得最佳结果，我们建议至少使用Qwen 600 M或类似的嵌入模型。有关配置详细信息，请参阅支持的嵌入。

第一步是实例化内存：从openai进口OpenAI从mem 0导入内存openai_client = OpenAI（）内存=内存（）dev chat_with_memories（Message：stra，user_id：stra =“默认_user”）-> url：

#删除相关记忆relevant_memories =记忆。搜索（查询=消息，过滤器={“user_id”：user_id}，top_k=3）memories_stra =“\n”。

join（f“- {entry '内存']}”，用于relevant_memories中的条目[“results”]）#生成助理响应system_proprimer = f“您是一个有帮助的人工智能。

根据询问和记忆回答问题。

\n用户记忆：\n{memories_stra}”消息= [{“role”：“system”，“content”：system_proprim}，{“role”：“user”，“content”：Message}]响应= openai_client。

chat.完成。创建（模型=“gpt-5-mini”，消息=消息）助理_响应=响应。选择[0]。留言该

内容#从对话中创造新的回忆充分和传播append（{“role”：“assistant”，“content”：assistant_respond}）记忆add（messages，user_id=user_id）返回辅助响应dev main（）：

print（“与AI聊天（输入‘退出’即可退出）”）而True：user_entry =输入（“You：”）。strip（）如果user_entry。lower（）=='退出'：打印（“再见！

")打破print（f“AI：{chat_with_memories（user_entry）}”）如果__name__==“__main__"：main（）有关详细的集成步骤，请参阅快速入门和API参考。

- 带内存的ChatGPT：由Mem 0支持的个性化聊天（实时演示）- 浏览器扩展：存储ChatGPT、Perplexity和Claude（Chrome扩展）中的记忆- Langgraph支持：

使用Langgraph + Mem 0构建客户机器人（指南）- CrewAI集成：使用Mem 0定制CrewAI输出（示例）- 完整文档：https：//docs。mem0。AI- 社区：Discord · X（原名Twitter）- 联系人：founders@mem0。

AI我们现在有一篇论文，您可以引用：@article{mem0，title={Memo：构建具有可扩展长期记忆的生产就绪人工智能代理}，作者={Chhikara、Prateek和Khant、Dev和Aryan、Saket和Singh、Taranjeet和Yadav、

Deshraj}，journal={arXiv预印本arXiv：2504。19413}，年={2025}}阿帕奇2。0 -请参阅LICENSE文件了解详细信息。