AI Agent 的长期记忆能力是构建个性化智能体的关键。本文介绍了 Mem0 这一开源记忆解决方案，它通过 LLM 提取语义信息并利用向量数据库存储，实现了跨会话、跨用户的持久化记忆。文章详细阐述了 Mem0 的工作架构，并提供了基于 LangGraph 框架的完整代码示例，展示了如何配置记忆对象、定义状态图、实现记忆检索与写入逻辑。通过实际测试验证了 Agent 能够记住用户偏好并在后续交互中提供针对性服务。此外，还探讨了记忆更新策略、检索优化及成本控制等生产环境下的最佳实践，为开发者构建具备智能记忆能力的 AI 应用提供了全面指导。
AI Agent（智能体）的记忆能力被视为构建高级人工智能应用的基础。它负责提取、存储会话中的重要信息，并支持后续的检索与使用。记忆通常分为短期记忆与长期记忆：短期记忆用于缓存单次会话的上下文与推理过程；而长期记忆则为 AI 智能体提供了持久的重要信息存储与快速检索能力，使其能够跨越多次交互记住用户偏好。
目前，无论是 LangChain、LlamaIndex 等底层 LLM 框架，还是低代码平台，在短期记忆（Context Window/Session History）方面已有相对完善的解决方案。但在长期记忆能力的实现上，特别是更智能的个性化记忆能力，往往存在不足。传统的 RAG（检索增强生成）方案侧重于知识库检索，而非用户个人历史的动态记忆管理。
本文介绍一种广受欢迎的 AI 记忆开源解决方案：Mem0。Mem0 是一个专为基于 LLM 的 AI 应用设计的独立记忆层，旨在解决跨应用、跨会话的持久化、智能化记忆问题。
在实际应用场景中，我们希望 AI 应用能够提供一种更个性化的人工智能体验。随着时间推移，AI 应能记住每个使用者的独特信息，包括个人资料、专业细节、偏好、个人计划、习惯等，并在未来的交互中轻松检索这些信息，从而实现更具针对性的服务。
典型的应用场景包括：
这些需求的核心在于信息需要在跨越多用户、多次会话、甚至多个 AI 应用时保留与高效检索。
此外，参考人类的记忆机制，理想的 AI 长期记忆还应具备以下特性：
以上这些能力要求，正是 Mem0 已经具备的核心特性。
简单来说，Mem0 就是为基于 LLM 的 AI 应用而设计的独立记忆层。它通过 API 帮助 AI 应用实现跨应用的持久、智能、自适应与动态的长期记忆与回忆能力。
Mem0 的主要工作流程依赖于以下几个关键组件：
add, search, update）集成到现有应用中。以添加记忆（add 方法）为例，其核心处理过程如下：
由于借助了 LLM 进行语义理解，提示词（Prompt）的设计至关重要。开发者可以在创建 Memory 对象时，设置 custom_prompt 参数来定制记忆提取的逻辑，例如指定只提取特定类型的偏好信息。
LangGraph 是 LangChain 推出的用于构建有状态多智能体应用（Stateful Multi-Agent Applications）的库。结合 Mem0，我们可以创建一个具有强大长期记忆能力的 Agent。
首先安装必要的依赖包：
pip install mem0 langgraph langchain-openai langchain-community chromadb tavily-python
我们需要配置 Mem0 使用 OpenAI 作为 LLM 提供商，Chroma 作为向量数据库。OpenAI Key 需配置在环境变量中。
from mem0 import Memory
from typing import Annotated, TypedDict, List
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage
from langchain_community.tools.tavily_search import TavilySearchResults
from langgraph.prebuilt import ToolNode
import os
# 个性化长期记忆，采用 Chroma 向量库存储
mem0 = Memory.from_config({
"version": "v1.1",
"llm": {
"provider": "openai",
"config": {
"model": "gpt-4o-mini", # 可根据成本选择其他模型
"api_key": os.getenv("OPENAI_API_KEY")
}
},
"vector_store": {
"provider": "chroma",
"config": {
"collection_name": "chat_memory",
"path": "./db", # 本地存储路径
}
}
})
为了区分不同用户的记忆，必须在 State 中保留一个 mem0_user_id。这是实现多用户隔离的关键。
# 定义 LangGraph 的 State
class State(TypedDict):
messages: Annotated[List[HumanMessage | AIMessage], add_messages]
mem0_user_id: str
# 调用搜索引擎的工具节点，利用 ToolNode 构建
tools = [TavilySearchResults(max_results=1)]
tool_node = ToolNode(tools)
# 定义 chatbot 节点逻辑
def chatbot(state: State):
messages = state["messages"]
user_id = state["mem0_user_id"]
# 取出关联的个性化记忆，并组装成 context，放在 system message 中
# 注意：这里使用了 search 方法，传入当前消息内容和用户 ID
memories = mem0.search(messages[-1].content, user_id=user_id)["results"]
context = "历史对话中的相关信息有：\n"
for memory in memories:
context += f"- {memory['memory']}\n"
# 构建 System Message，注入个性化上下文
system_message = SystemMessage(
content=f"你是一个乐于助人的客户支持助手。利用所提供的上下文来个性化你的回复，并会记住用户的偏好和过去的交互。\n{context}"
)
# 组装消息，并调用 LLM（注意绑定工具）
full_messages = [system_message] + messages
llm = ChatOpenAI(model="gpt-4o-mini").bind_tools(tools)
response = llm.invoke(full_messages)
# 记住本地对话的信息
# 将本轮对话的用户输入和助手输出一起添加到记忆中
conversation_text = f"User: {messages[-1].content}\nAssistant: {response.content}"
mem0.add(conversation_text, user_id=user_id)
return {"messages": [response]}
# 辅助方法：判断是否需要调用工具
# 根据大模型的反馈来决定是结束，还是调用工具
# 如果 LLM 返回了 tool_calls，则继续执行搜索节点
():
messages = state[]
last_message = messages[-]
last_message.tool_calls:
:
workflow = StateGraph(State)
workflow.add_node(, chatbot)
workflow.add_node(, tool_node)
workflow.set_entry_point()
workflow.add_conditional_edges(
,
should_continue,
{
: ,
: END,
},
)
workflow.add_edge(, )
graph = workflow.()
编写测试脚本模拟多轮对话，验证记忆是否被正确保存和检索。
if __name__ == "__main__":
print("AI: 你好！有什么可以帮助你？")
mem0_user_id = "testuser_001" # 模拟用户 ID
while True:
user_input = input("输入：")
if user_input.lower() in ['quit', 'exit', 'bye']:
break
# 配置线程 ID，确保状态隔离
config = {"configurable": {"thread_id": mem0_user_id}}
state = {
"messages": [HumanMessage(content=user_input)],
"mem0_user_id": mem0_user_id
}
response = graph.invoke(state, config)
print("AI:", response["messages"][-1].content)
运行上述代码，我们可以观察到以下行为：
注意：Agent 的记忆是与 user_id 绑定的。如果更换 user_id，系统将视为新用户，不会获得之前的记忆信息，从而开始创建新的用户记忆。这保证了数据隐私和多租户隔离。
在实际生产环境中部署此类系统时，还需考虑以下因素以提升稳定性和性能。
Mem0 默认会根据新输入动态更新记忆。但在某些场景下，可能需要更精细的控制。例如，对于敏感信息（如密码、身份证号），不应被提取为记忆。可以通过自定义 Prompt 限制提取范围，或在 add 方法前增加数据清洗步骤。
在 chatbot 节点中，我们直接调用了 mem0.search。为了提高检索准确率，可以参考 RAG（检索增强生成）的优化技巧：
每次对话都调用 LLM 进行记忆提取和检索会增加 Token 消耗。建议：
网络波动或 API 超时可能导致记忆写入失败。建议在 mem0.add 周围包裹 try-except 块，确保即使记忆写入失败，主对话流程仍能正常进行，避免阻塞用户体验。
借助 Mem0，你可以快速地给自己的 AI 应用与智能体添加额外的持久记忆体，以记住用户偏好、曾经的互动、任务的进度等，从而构建自适应的学习与记忆能力，实现完全个性化的 AI 应用体验。这在个人助理、客户服务、智能咨询、企业生产力应用等领域都可以有广泛的应用。
相比于传统的 Session 管理，Mem0 提供了一种更语义化、更持久的记忆方式。结合 LangGraph 的状态管理机制，开发者可以构建出既具备复杂逻辑处理能力，又拥有'人情味'的智能体系统。未来，随着多模态记忆支持的完善，AI Agent 的记忆能力将更加接近人类，为下一代人机交互奠定坚实基础。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online