1 · 总览（Overview）

长期记忆与上下文管理 · 本章是 Mem0 DeepWiki 中文译文的独立章节页，保留原始链接、源码锚点、模块标签和章节层级。

项目Mem0 章节1 状态全文译文模块系统架构、安装与启动、界面与交互、模型调用与提供方适配

项目要点页2.5 参考项目项目章节目录Mem0 DeepWiki 原始章节Overview 下一章1.1

源码线索

AGENTS.md
CLAUDE.md
README.md
docs/cookbooks/essentials/building-ai-companion.mdx
docs/cookbooks/essentials/controlling-memory-ingestion.mdx
docs/cookbooks/essentials/entity-partitioning-playbook.mdx
docs/cookbooks/essentials/exporting-memories.mdx
docs/cookbooks/integrations/healthcare-google-adk.mdx
docs/cookbooks/integrations/openai-tool-calls.mdx
docs/cookbooks/overview.mdx

模块标签

系统架构
安装与启动
界面与交互
模型调用与提供方适配
测试、发布与运维

中文译文

总览（中文译文）

原始 DeepWiki 页面：https://deepwiki.com/mem0ai/mem0/1-overview

翻译时间：2026-05-27T08:44:55.284Z

翻译模型：deepseek-chat

原文字符数：9421

项目：Mem0 (mem0)

---

概览

目的与范围

Mem0 为 AI 应用提供跨会话持久化的上下文 docs/llms.txt:3。它通过统一的 API 抽象了管理嵌入向量、大语言模型（LLM）提取逻辑和数据库操作的复杂性。

在 2026 年 4 月，Mem0 引入了一种新的记忆算法，通过转向单次提取模型和多信号检索，实现了显著的性能提升（在 LoCoMo 上达到 91.6）README.md:45-62。

关键能力：

多层级记忆：在用户、会话和智能体级别作用域化状态 README.md:77。
混合检索：融合语义、BM25 关键词和实体匹配 README.md:60。
自我改进：从用户交互中学习，并随时间适应偏好 README.md:72。

来源： README.md:1-85, docs/introduction.mdx:1-17

系统组件

代码库组织为一个多语言单体仓库，包含 Python 和 TypeScript 软件开发工具包（SDK）、命令行界面（CLI）和服务器实现 AGENTS.md:13-17。

核心类与模块

平台客户端（托管模式）

MemoryClient (docs/llms.txt:25-51)：托管 Mem0 平台的主要接口。它在服务端处理提供者配置，提供零运维体验。
AsyncMemoryClient (docs/docs.json:73)：用于高吞吐量 Python 应用的异步变体。

开源客户端（自托管模式）

Memory (docs/llms.txt:85-108)：自托管部署的核心编排器。它需要本地配置大语言模型（LLM）和数据库。
AsyncMemory (docs/docs.json:170)：用于本地部署的异步变体。

工厂系统 Mem0 使用工厂模式根据 MemoryConfig 动态加载提供者 docs/docs.json:181：

大语言模型（LLM）：支持 18 个以上提供者，包括 OpenAI、Anthropic 和 Ollama README.md:152。
嵌入器：支持 11 个以上提供者，用于生成向量表示 README.md:154。
向量存储：与 24 个以上后端集成，如 Qdrant、Pinecone 和 PGVector AGENTS.md:21。

来源： docs/llms.txt:1-112, README.md:150-165, AGENTS.md:13-55

高层架构

graph TB
    subgraph "客户端层（软件开发工具包）"
        MemoryClient["MemoryClient（平台模式）<br/>docs/llms.txt"]
        MemoryOSS["Memory（开源模式）<br/>docs/llms.txt"]
    end

    subgraph "平台模式（托管）"
        PlatformAPI["平台 REST API<br/>api.mem0.ai"]
        V3Engine["V3 记忆算法<br/>单次提取"]
    end

    subgraph "开源模式（自托管）"
        LlmFactory["LlmFactory"]
        EmbedderFactory["EmbedderFactory"]
        VectorFactory["VectorStoreFactory"]
    end

    subgraph "存储层"
        VectorDB["向量存储<br/>Qdrant、Pinecone 等"]
        GraphDB["图存储<br/>Neo4j、Kuzu 等"]
        HistoryDB["SQLiteManager<br/>~/.mem0/history.db"]
    end

    MemoryClient --> PlatformAPI
    PlatformAPI --> VectorDB

    MemoryOSS --> LlmFactory
    MemoryOSS --> EmbedderFactory
    MemoryOSS --> VectorFactory

    VectorFactory --> VectorDB
    MemoryOSS --> HistoryDB
    MemoryOSS --> GraphDB

来源： docs/llms.txt:3-13, README.md:88-96, docs/open-source/python-quickstart.mdx:80-87, AGENTS.md:42-55

部署模型

平台模式（托管）部署

生产环境的推荐路径，提供 4 行代码集成和低于 50 毫秒的检索速度 docs/llms.txt:23。它包含高级功能，如 Webhook、自定义分类和托管仪表盘 README.md:92-94。

来源： docs/llms.txt:25-53, README.md:131-135

开源模式（自托管）部署

专为需要完全基础设施控制或数据主权的团队设计 docs/introduction.mdx:76。它默认使用 Qdrant（磁盘存储）和 SQLite 进行本地存储 docs/open-source/python-quickstart.mdx:80-87。

来源： docs/llms.txt:85-111, docs/open-source/python-quickstart.mdx:80-87

核心能力

多层级记忆作用域

Mem0 对数据进行分区以确保隐私和上下文相关性 README.md:77。

作用域	键	描述
用户	`user_id`	长期偏好和事实 `docs/open-source/python-quickstart.mdx:48`。
智能体	`agent_id`	角色特定的知识 `docs/llms.txt:159`。
会话	`run_id`	特定交互线程的短期上下文 `docs/platform/features/v2-memory-filters.mdx:40`。

来源： README.md:77, docs/platform/features/v2-memory-filters.mdx:35-41

记忆操作流程

此图将自然语言输入桥接到负责存储的代码实体。

sequenceDiagram
    participant U as "用户输入"
    participant M as "Memory / MemoryClient"
    participant LLM as "LlmFactory / 提取"
    participant VS as "VectorStoreBase（例如 Qdrant）"
    participant Hist as "SQLiteManager（历史记录）"

    U->>M: add("Alex 喜欢篮球")
    M->>LLM: extract_facts(messages)
    LLM-->>M: ["姓名：Alex", "兴趣：篮球"]
    M->>VS: search(vector, filters)
    VS-->>M: [现有记忆]
    M->>LLM: resolve_conflicts(new, existing)
    LLM-->>M: [最终去重后的事实]
    par 向量存储
        M->>VS: insert(embeddings)
    and 审计追踪
        M->>Hist: add_history(event='ADD')
    end
    M-->>U: 记忆 ID 与提取内容

来源： docs/open-source/python-quickstart.mdx:42-76, docs/cookbooks/essentials/controlling-memory-ingestion.mdx:17-21, docs/llms.txt:169-170

包结构

目录	包 / 角色
`mem0/`	核心 Python 软件开发工具包（`mem0ai`）`AGENTS.md:21`。
`mem0-ts/`	TypeScript 软件开发工具包（`mem0ai`）`AGENTS.md:22`。
`server/`	用于自托管的 FastAPI REST 服务器 `AGENTS.md:27`。
`cli/`	多语言命令行工具（`mem0-cli`、`@mem0/cli`）`AGENTS.md:23-24`。
`vercel-ai-sdk/`	Vercel AI 软件开发工具包集成 `AGENTS.md:25`。

来源： AGENTS.md:17-38

快速入门

快速安装：pip install mem0ai 或 npm install mem0ai README.md:101-115。
第一条记忆：初始化 MemoryClient（平台模式）或 Memory（开源模式），然后调用 .add() docs/llms.txt:29-108。
命令行管理：使用 mem0 init 配置你的环境 README.md:143。

有关详细指南，请参见安装与设置；有关内部组件关系，请参见系统架构。