10.1 · 基础用量（Basic Usage）

基础用量

基本用法

相关源文件

以下文件为本 Wiki 页面的生成提供了上下文：

• 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
• docs/core-concepts/memory-operations/add.mdx
• docs/core-concepts/memory-operations/delete.mdx
• docs/core-concepts/memory-operations/search.mdx
• docs/core-concepts/memory-operations/update.mdx
• docs/core-concepts/memory-types.mdx
• docs/docs.json
• docs/llms.txt
• docs/open-source/configuration.mdx
• docs/open-source/overview.mdx
• docs/open-source/python-quickstart.mdx
• docs/platform/advanced-memory-operations.mdx
• docs/platform/features/contextual-add.mdx
• docs/platform/features/entity-scoped-memory.mdx
• docs/platform/features/platform-overview.mdx
• docs/platform/features/v2-memory-filters.mdx
• docs/platform/overview.mdx

本页面提供 Mem0 的技术示例，涵盖简单的添加/搜索模式以及基本的 CRUD 操作。你将学习如何安装 Mem0、初始化客户端，以及在平台版和开源版（OSS）部署中管理记忆生命周期。

安装

Mem0 提供 Python 和 JavaScript/TypeScript 的 SDK。

Python

pip install mem0ai

JavaScript/TypeScript

npm install mem0ai

来源：docs/llms.txt:16-17、docs/open-source/python-quickstart.mdx:27-31

部署架构

Mem0 提供两种部署模型。虽然它们在概念模型上相似，但在基础设施和数据处理方式上有所不同。

系统流程：平台版 vs. 开源版

下图展示了自然语言操作在两种环境中对应的代码实体。

"自然语言空间到代码实体空间"

主要区别：

• 平台版：使用 MemoryClient docs/llms.txt:27-32。基础设施（向量存储、图数据库、重排序器）由服务端管理 docs/platform/overview.mdx:13-15。
• 开源版：使用 Memory docs/llms.txt:87-92。通过 Memory.from_config() 控制整个技术栈 docs/cookbooks/essentials/building-ai-companion.mdx:94-120。

来源：docs/llms.txt:3-12、docs/platform/overview.mdx:9-15、docs/open-source/overview.mdx:7-16

基本设置

平台版设置

MemoryClient 用于连接托管的 Mem0 API。

from mem0 import MemoryClient
client = MemoryClient(api_key="your-api-key")

来源：docs/llms.txt:30-32、docs/core-concepts/memory-operations/add.mdx:61-63

开源版设置

Memory 类在本地运行。默认情况下，它会查找 OPENAI_API_KEY 来驱动信息提取和嵌入向量生成。

from mem0 import Memory
# 默认配置：OpenAI LLM + Qdrant 向量存储
m = Memory()

默认开源版组件：

• 大语言模型（LLM）：使用 OpenAI gpt-4o-mini（部分文档中曾称为 gpt-5-mini）进行事实提取 docs/open-source/python-quickstart.mdx:82-82。
• 嵌入向量：使用 OpenAI text-embedding-3-small（1536 维）docs/open-source/python-quickstart.mdx:83-83。
• 向量存储：Qdrant（磁盘存储，路径为 /tmp/qdrant）docs/open-source/python-quickstart.mdx:84-84。
• 历史记录：SQLite，路径为 ~/.mem0/history.db docs/open-source/python-quickstart.mdx:85-85。

来源：docs/llms.txt:90-92、docs/open-source/python-quickstart.mdx:33-39、docs/open-source/overview.mdx:66-72

核心 CRUD 操作

1. 添加记忆

add() 方法会触发一个管线：信息提取 -> 冲突解决 -> 存储 docs/core-concepts/memory-operations/add.mdx:39-49。

"记忆入库的数据流"

示例（Python 开源版）：

messages = [
    {"role": "user", "content": "我是 Alex。我喜欢篮球和游戏。"},
    {"role": "assistant", "content": "你好 Alex！我会记住这些信息。"}
]
m.add(messages, user_id="alex")

来源：docs/open-source/python-quickstart.mdx:42-49、docs/core-concepts/memory-operations/add.mdx:26-49

2. 搜索记忆

search() 将查询转换为向量并执行相似度搜索。

示例（Python 平台版）：

# 使用元数据过滤器进行搜索
results = client.search(
    "Alex 的兴趣爱好是什么？",
    filters={"user_id": "alex"}
)

来源：docs/core-concepts/memory-operations/search.mdx:53-60、docs/open-source/python-quickstart.mdx:53-57

3. 更新与删除

可以通过 ID 更新记忆，也可以通过 ID 或过滤器删除记忆。

警告：delete_all 现在需要显式指定过滤器。要清空整个项目，请使用通配符：client.delete_all(user_id="*", agent_id="*", app_id="*", run_id="*") docs/core-concepts/memory-operations/delete.mdx:135-157。

来源：docs/core-concepts/memory-operations/delete.mdx:10-24、docs/llms.txt:102-107

会话范围与过滤器

Mem0 使用标识符来隔离数据。在平台版中，这些标识符通过 filters 字典传递。在开源版中，它们通常是顶级关键字参数（不过 v3 版本正在与平台版语法对齐）。

来源：docs/core-concepts/memory-operations/add.mdx:19-25、docs/core-concepts/memory-operations/search.mdx:75-82

实战示例：AI 伴侣循环

一个常见的模式是：在调用大语言模型（LLM）之前先搜索上下文，然后存储新的交互。

def chat(user_input, user_id):
    # 1. 检索相关记忆
    memories = client.search(user_input, filters={"user_id": user_id}, top_k=5)
    context = "\n".join(m["memory"] for m in memories["results"])

    # 2. 使用记忆上下文调用大语言模型（LLM）
    response = openai_client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": f"你是一名教练。记忆信息：{context}"},
            {"role": "user", "content": user_input}
        ]
    ).choices[0].message.content

    # 3. 存储对话内容
    client.add([
        {"role": "user", "content": user_input},
        {"role": "assistant", "content": response}
    ], user_id=user_id)

    return response

来源：docs/cookbooks/essentials/building-ai-companion.mdx:63-84、docs/cookbooks/essentials/building-ai-companion.mdx:124-147