一个能给大模型加上“记忆”的工具，让 AI 助手更懂你，Star 26K+！

发布日期：2025-03-24 12:17:15 浏览次数： 5656

作者：有趣的开源集市

微信搜一搜，关注“有趣的开源集市”

随着 AI 技术的飞速发展，大模型在自然语言处理领域能力也是显而易见的，无论是 Kimi 的超长上下文处理能力，还是最近爆火的 DeepSeek 推理大模型，都能够处理复杂的语言任务并生成高质量的文本。然而，这些大模型在记忆方面存在明显的局限性。以 ChatGPT 和 DeepSeek 为例，尽管它们能够处理的上下文越来越长，但一旦超出上下文窗口的限制，就需要重新开启一个对话，仿佛“失忆”一般忘记之前交流的内容。这种“记忆断片”的现象严重影响了用户体验，尤其是在需要长期记忆和上下文连贯性的场景中。

今天介绍的这个项目—Mem0，或许能帮你解决这些难题！

—

Mem0 介绍

一个为 AI 助手和智能体设计的记忆层工具，能够帮助 AI 记住用户偏好、适应个人需求，并随着时间不断改进。它支持多级记忆，包括用户、会话和 AI 智能体的记忆保留，具有自适应个性化能力。Mem0 提供简单 API 集成、跨平台一致性以及无需管理的服务，能够显著提升 AI 应用的交互体验和智能化水平！

? 项目信息

#Github地址https://github.com/mem0ai/mem0#项目地址https://mem0.ai/

? 功能特性

多层次记忆：支持用户级、会话级和AI代理级的记忆保留，确保信息在不同层面上得到适当的存储和利用。这使得Mem0能够处理不同层次的交互信息，从而提供更丰富的个性化体验
自适应个性化：根据用户交互不断改进，提供精准的个性化记忆。Mem0通过分析用户的使用模式，自动调整其行为以更好地满足用户需求
开发者友好的API：提供简单易用的API接口，方便开发者集成到现有的应用程序中。无论是构建虚拟陪伴应用还是生产力工具，Mem0都能轻松融入
跨平台一致性：无论在哪种设备上使用，Mem0都能保持统一的行为，确保用户体验的连贯性
混合数据库管理：Mem0利用混合数据库方法来管理和检索AI代理和助手的长期记忆。每个记忆都与一个唯一标识符关联，如用户ID或代理ID，允许Mem0组织和访问特定于个人或上下文的记忆
高效记忆检索：当使用 add()方法向Mem0添加消息时，系统会提取相关的事实和偏好，并将其存储在向量数据库、键值数据库和图数据库中。这种混合方法确保了不同类型的信息以最有效的方式存储，使后续搜索快速有效
智能记忆更新：当AI代理或大型语言模型（LLM）需要回忆记忆时，它会使用search()方法。Mem0然后在这些数据存储中执行搜索，从每个源检索相关信息。然后通过评分层传递这些信息，根据相关性、重要性和时效性评估其重要性，确保只有最个性化和有用的上下文信息被提取出来
增强的用户体验：检索到的记忆可以根据需要附加到LLM的提示中，增强其回应的个性化程度和相关性，从而显著提升用户体验

? 原理流程

用户输入文本：用户向系统输入一段文本。
文本嵌入：将文本转换为向量表示，以便进行相似性搜索和记忆存储。
记忆提取：从文本中提取出有价值的记忆信息，如用户的偏好和事实。
记忆存储：将提取的记忆信息存储在向量数据库中。
LLM处理：利用大语言模型（LLM）生成回答。
记忆更新：将新的对话内容作为记忆写入系统。
记忆检索：在后续对话中检索相关记忆，为LLM提供上下文信息。

—

Mem0 安装

安装 Mem0 非常简单，可以通过 pip 命令进行安装：

pip install mem0ai

—

Mem0 使用

下面是一个使用 Mem0 的 Python 代码示例，展示了如何在对话中利用 Mem0 记忆功能增强 AI 的交互能力。

一、示例代码：

import requestsfrom mem0 import Memory
# 初始化记忆对象memory = Memory()
def chat_with_memories(message: str, user_id: str = "default_user") -> str:    """    利用 Mem0 和 Ollama 部署的 DeepSeek 实现带有记忆功能的对话
    Args:        message (str): 用户输入的消息        user_id (str, optional): 用户的唯一标识符，默认为 "default_user"
    Returns:        str: AI 的回答    """    # 搜索与当前消息相关的记忆    relevant_memories = memory.search(query=message, user_id=user_id, limit=3)
    # 将记忆格式化为字符串，以便在提示中使用    memories_str = "\n".join(f"- {entry['memory']}" for entry in relevant_memories)
    # 定义系统提示，包含记忆信息    system_prompt = f"你是一个乐于助人的AI。请根据用户的问题和相关记忆来回答。\n用户记忆：\n{memories_str}"
    # 构建提示内容，包含系统提示和用户消息    prompt = f"{system_prompt}\n\n用户问题：{message}"
    # 调用 Ollama 部署的 DeepSeek API 获取回答    response = requests.post(        "http://xxx.xxx.xxx.xxx:11434/api/generate",        json={            "model": "deepseek-r1:1.5b",            "prompt": prompt,            "stream": false        }    ).json()
    # 提取助手的回答内容    assistant_response = response.get('response', '很抱歉，我无法理解你的问题。')
    # 将对话内容作为记忆写入    memory.add([        {"role": "user", "content": message},        {"role": "assistant", "content": assistant_response}    ], user_id=user_id)
    return assistant_response
def main():    """主函数，用于与 AI 进行对话"""    print("与AI聊天（输入'exit'退出）")    while True:        user_input = input("您: ").strip()        if user_input.lower() == 'exit':            print("再见！")            break        print(f"AI: {chat_with_memories(user_input)}")
if __name__ == "__main__":    main()

代码说明

初始化记忆对象：

memory = Memory()

创建一个记忆对象，用于存储和检索用户记忆。

定义对话函数 chat_with_memories：

参数：

message：用户输入的消息。
user_id：用户的唯一标识符，用于区分不同用户的记忆。

功能：

搜索与当前消息相关的记忆。
格式化记忆信息，构建系统提示。
调用 Ollama 部署的 DeepSeek API 获取 AI 的回答。
将对话内容作为记忆写入 Mem0

主函数 main：

提供一个简单的命令行界面，可以与 AI 进行对话。
循环获取用户输入，调用 chat_with_memories 函数获取 AI 回答，并打印结果。

二、输出结果展示

与AI聊天（输入'exit'退出）您: 你好，今天天气怎么样？AI: 你好！今天天气不错，适合出去走走。你最近喜欢什么样的天气呢？您: 我喜欢晴天。AI: 晴天确实是个好天气，阳光明媚，心情也会变好呢！那你会在晴天做些什么呢？您: 我会在晴天去公园散步。AI: 听起来很惬意呢！下次晴天的时候，你可以去公园散散步，放松一下心情。希望你有个美好的一天！您: exit再见！

—

最后

综上所述，Mem0 是一个强大的 AI 记忆层工具，能够为 AI 助手和智能体提供高效的记忆管理功能，可以根据用户交互不断改进，可以显著提升 AI 应用的交互体验和智能化水平，让 AI 更加懂你。