1.2 · 安装与设置（Installation and Setup）

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1.2 状态全文译文模块模型调用与提供方适配、检索、召回与索引、界面与交互、配置治理

项目要点页2.5 参考项目项目章节目录Mem0 DeepWiki 原始章节Installation and Setup 上一章1.1 下一章1.3

源码线索

Makefile
docs/components/vectordbs/config.mdx
docs/components/vectordbs/dbs/chroma.mdx
docs/components/vectordbs/dbs/qdrant.mdx
docs/components/vectordbs/overview.mdx
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

模块标签

模型调用与提供方适配
检索、召回与索引
界面与交互
配置治理
安装与启动

中文译文

安装与设置（中文译文）

原始 DeepWiki 页面：https://deepwiki.com/mem0ai/mem0/1.2-installation-and-setup

翻译时间：2026-05-27T08:44:56.936Z

翻译模型：deepseek-chat

原文字符数：9795

项目：Mem0 (mem0)

---

安装与设置

前置条件

Python SDK 要求

Python 3.10 或更高版本 pyproject.toml:15-15, docs/open-source/python-quickstart.mdx:11-11
OpenAI API 密钥（OSS 模式的默认提供方）docs/open-source/python-quickstart.mdx:12-12
依赖项：核心包需要 qdrant-client、pydantic、openai、posthog、pytz、sqlalchemy 和 protobuf pyproject.toml:16-24

TypeScript/JavaScript SDK 要求

Node.js 18 或更高版本 mem0-ts/package.json:130-130
npm、pnpm 或 yarn 包管理器 docs/llms.txt:17-17, mem0-ts/package.json:135-135
OpenAI API 密钥（默认提供方）docs/llms.txt:92-92

环境变量

在本地开发时，两个 SDK 通常使用环境变量来配置 API 凭证：

export OPENAI_API_KEY="sk-..."  # 默认 OpenAI 提供方必需

来源：docs/open-source/python-quickstart.mdx:14-18, docs/llms.txt:92-92

---

SDK 安装

Python SDK

Python SDK 以 mem0ai 包名发布在 PyPI 上。它包含用于自托管部署的 Memory 类和用于托管平台的 MemoryClient 类。

pip install mem0ai

对于特定的后端，可以安装 pyproject.toml 中定义的可选依赖：

pip install "mem0ai[vector_stores]"（例如 ChromaDB、Pinecone、Milvus）pyproject.toml:30-54
pip install "mem0ai[llms]"（例如 Groq、Anthropic、Ollama）pyproject.toml:55-64
pip install "mem0ai[nlp]"（例如 Spacy）pyproject.toml:27-29

来源：pyproject.toml:5-7, pyproject.toml:26-74, docs/llms.txt:16-16

TypeScript/JavaScript SDK

TypeScript SDK 可通过 npm 获取，同时支持 CommonJS 和 ESM。

npm install mem0ai

该包提供了不同的入口点：

平台（托管）：import MemoryClient from "mem0ai" mem0-ts/package.json:19-23, docs/llms.txt:57-57
OSS（自托管）：import { Memory } from "mem0ai/oss" mem0-ts/package.json:24-28, docs/llms.txt:114-114

来源：mem0-ts/package.json:2-7, docs/llms.txt:17-17, docs/llms.txt:57-57, docs/llms.txt:114-114

---

安装架构

下图展示了安装和初始化阶段中自然语言概念与代码实体之间的关联。

安装与组件加载流程

graph TB
    subgraph "Python_环境"
        PyPip["pip install mem0ai"]
        PyMem["mem0.Memory (OSS)"]
        PyClient["mem0.MemoryClient (平台)"]
        LlmFact["mem0.utils.factory.LlmFactory"]
        EmbFact["mem0.utils.factory.EmbedderFactory"]
        VecFact["mem0.utils.factory.VectorStoreFactory"]
    end

    subgraph "TypeScript_环境"
        NPM["npm install mem0ai"]
        TSClient["MemoryClient (client/mem0.ts)"]
        TSOSS["Memory (oss/index.ts)"]
    end

    subgraph "实现_实体"
        OpenAILLM["mem0.llms.openai.OpenAILLM"]
        QdrantVS["mem0.vector_stores.qdrant.Qdrant"]
        OpenAIEmb["mem0.embeddings.openai.OpenAIEmbedding"]
    end

    PyPip --> PyMem
    PyPip --> PyClient
    PyMem --> LlmFact
    PyMem --> EmbFact
    PyMem --> VecFact

    LlmFact --> OpenAILLM
    EmbFact --> OpenAIEmb
    VecFact --> QdrantVS

    NPM --> TSClient
    NPM --> TSOSS

来源：pyproject.toml:6-7, mem0/utils/factory.py:30-167, mem0-ts/package.json:2-29, docs/llms.txt:16-19

---

默认配置

默认情况下，Memory() 类（OSS）会使用一套针对本地开发优化的特定技术栈进行初始化。

默认 OSS 技术栈

graph LR
    subgraph "Memory_默认值"
        LLM["LLM: OpenAI gpt-4o-mini"]
        EMB["嵌入器: OpenAI text-embedding-3-small"]
        VEC["向量存储: Qdrant (本地 /tmp/qdrant)"]
        HIS["历史记录: SQLite (~/.mem0/history.db)"]
    end

    LLM --> MemOSS["mem0.Memory"]
    EMB --> MemOSS
    VEC --> MemOSS
    HIS --> MemOSS

组件	默认实现	配置键
大语言模型（LLM）	OpenAI `gpt-4o-mini`	`llm` `docs/open-source/python-quickstart.mdx:82-82`
嵌入器	OpenAI `text-embedding-3-small`（1536 维）	`embedder` `docs/open-source/python-quickstart.mdx:83-83`
向量存储	Qdrant（本地路径：`/tmp/qdrant`）	`vector_store` `docs/open-source/python-quickstart.mdx:84-84`, `mem0/vector_stores/configs.py:64-64`
历史记录	SQLite（路径：`~/.mem0/history.db`）	`history_db_path` `docs/open-source/python-quickstart.mdx:85-85`

来源：docs/open-source/python-quickstart.mdx:80-87, mem0/vector_stores/configs.py:7-67

---

基本配置示例

Python OSS 模式（自定义提供方）

要使用自定义配置（例如 Ollama），可以传入一个配置字典。LlmFactory 和 EmbedderFactory 会动态解析提供方。

from mem0 import Memory

config = {
    "vector_store": {
        "provider": "qdrant",
        "config": {
            "collection_name": "fitness_companion",
            "host": "localhost",
            "port": 6333,
            "embedding_model_dims": 768,
        },
    },
    "llm": {
        "provider": "ollama",
        "config": {
            "model": "llama3.1:latest",
            "ollama_base_url": "http://localhost:11434",
        },
    },
}

memory = Memory.from_config(config)

来源：mem0/utils/factory.py:37-56, mem0/vector_stores/configs.py:13-38, docs/open-source/python-quickstart.mdx:21-22

Python 平台模式

MemoryClient 初始化时会向 API 发送 ping 请求并设置遥测标识符。

from mem0 import MemoryClient

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

来源：docs/llms.txt:30-32, mem0-ts/src/client/mem0.ts:102-122

---

快速入门示例

Python 快速入门（OSS）

from mem0 import Memory

m = Memory()

# 添加记忆 - 通过大语言模型（LLM）触发事实提取
m.add("Alex loves basketball.", user_id="alex")

# 搜索记忆 - 执行向量搜索
results = m.search("What does Alex like?", user_id="alex")

来源：docs/open-source/python-quickstart.mdx:34-57

TypeScript 快速入门（平台）

import MemoryClient from "mem0ai";

const client = new MemoryClient({ apiKey: "your-api-key" });

// 添加记忆
await client.add(
  [{ role: "user", content: "I love hiking" }],
  { userId: "alice" }
);

来源：docs/llms.txt:60-71, mem0-ts/src/client/mem0.ts:251-254

---

常见安装问题

维度不匹配

如果使用维度不是 1536（例如 768）的自定义模型，必须更新向量存储配置以避免对齐错误。 解决方案：在 vector_store.config 中添加 "embedding_model_dims": 768。

来源：docs/components/vectordbs/overview.mdx:47-53

依赖管理

在本地开发中，该仓库使用 hatch 作为构建后端。

hatch env create：创建包含所有功能的开发环境 Makefile:10-11。
hatch run test：运行 pytest 测试套件 Makefile:42-43。

来源：pyproject.toml:1-3, Makefile:1-53