10.3 · 领域-专属示例（Domain-Specific Examples）

长期记忆与上下文管理 · 聚焦本章的模块关系、源码依据与实现要点。

项目Mem0 章节10.3 状态全文译文模块界面与交互、模型调用与提供方适配、系统架构、测试、发布与运维

项目要点页2.5 参考项目项目章节目录Mem0 DeepWiki 原始章节Domain-Specific Examples 上一章10.2 下一章11

源码线索

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/docs.json
docs/llms.txt
docs/open-source/python-quickstart.mdx

模块标签

界面与交互
模型调用与提供方适配
系统架构
测试、发布与运维
记忆与上下文

章节正文

领域-专属示例

原始 DeepWiki 页面https://deepwiki.com/mem0ai/mem0/10.3-domain-specific-examples

领域特定示例

AI 健身伴侣

健身应用需要记住用户的目标、过去的锻炼记录以及生理限制（如受伤情况），从而跨会话提供个性化指导。

记忆架构

Mem0 · 记忆架构 · 图 1

健身伴侣实体映射

实现模式

本示例展示了一个名为"Ray"的健身教练使用 Mem0 跨会话记住用户"在 4 小时内完成马拉松"的目标 docs/cookbooks/essentials/building-ai-companion.mdx:50-171。

from mem0 import MemoryClient
from openai import OpenAI

# 初始化客户端
openai_client = OpenAI(api_key="your-openai-key")
mem0_client = MemoryClient(api_key="your-mem0-key")

def fitness_chat(user_input, user_id):
    # 1. 检索相关记忆（例如："Max 想在 4 小时内完成马拉松"）
    memories = mem0_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
    response = openai_client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": f"你是 Ray，一名跑步教练。记忆：\n{context}"},
            {"role": "user", "content": user_input}
        ]
    ).choices[0].message.content

    # 3. 存储对话以更新记忆层
    mem0_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:56-84，docs/llms.txt:29-51

医疗患者助手

医疗应用需要严格控制记忆入库，以过滤推测性内容，并优先存储经过验证的医疗事实，例如过敏史或确诊诊断。

记忆架构

Mem0 · 记忆架构 · 图 2

医疗记忆控制流程

实现模式

此模式使用 custom_instructions 来控制记忆层持久化的内容，防止推测性陈述成为"事实" docs/cookbooks/essentials/controlling-memory-ingestion.mdx:75-116。

from mem0 import MemoryClient

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

# 定义严格的医疗入库规则
instructions = """
仅存储已确认的医疗事实。
忽略：推测性内容（包含"可能"、"也许"、"我认为"等词语）。
存储：已确诊的诊断、已知过敏史、当前用药情况。
"""

client.project.update(custom_instructions=instructions)

# 由于指令限制，以下内容不会被存储 [docs/cookbooks/essentials/controlling-memory-ingestion.mdx:97-110]
client.add([{"role": "user", "content": "我想我可能对青霉素过敏"}], user_id="patient_123")

# 以下内容会被存储 [docs/cookbooks/essentials/controlling-memory-ingestion.mdx:200-213]
client.add([{"role": "user", "content": "史密斯医生在 3 月 15 日诊断我患有高血压"}], user_id="patient_123")

来源： docs/cookbooks/essentials/controlling-memory-ingestion.mdx:79-110，docs/cookbooks/integrations/healthcare-google-adk.mdx:61-98

个性化购物助手

电商助手使用记忆来跟踪用户偏好（颜色、品牌、预算），并将其集成到结构化的工具调用中，以提供推荐 docs/cookbooks/integrations/openai-tool-calls.mdx:7-141。

实现模式

import MemoryClient from "mem0ai";
import { OpenAI } from "openai";

const mem0Client = new MemoryClient({ apiKey: process.env.MEM0_API_KEY });
const USER_ID = "sample-user";

async function recommendCars(userInput) {
    // 搜索偏好，例如"喜欢奥迪"、"预算 12 万" [docs/cookbooks/integrations/openai-tool-calls.mdx:195-198]
    const relevantMemories = await mem0Client.search(userInput, { userId: USER_ID });
    const memoryString = relevantMemories.results.map(m => m.memory).join("\n");

    const response = await openAIClient.responses.create({
        model: "gpt-5-mini",
        tools: [{ type: "web_search_preview" }, carRecommendationTool],
        input: `用户偏好：\n${memoryString}\n\n问题：${userInput}`,
    });

    return response.output;
}

来源： docs/cookbooks/integrations/openai-tool-calls.mdx:180-207，docs/llms.js:60-81

Vercel AI SDK 聊天集成

对于基于 Web 的聊天机器人，Mem0 与 Vercel AI SDK 集成，提供持久的记忆层，可以向用户高亮显示推断出的信息 examples/mem0-demo/app/api/chat/route.ts:1-112。

数据流

Mem0 · 数据流 · 图 3

Vercel AI SDK 集成流程

实现模式

使用 @mem0/vercel-ai-provider，在流式传输大语言模型响应之前，检索记忆并将其注入到系统提示中 examples/mem0-demo/app/api/chat/route.ts:70-91。

import { addMemories, getMemories } from "@mem0/vercel-ai-provider";
import { streamText } from "ai";

export async function POST(req: Request) {
  const { messages, userId } = await req.json();

  // 使用重排序检索相关记忆
  const memories = await getMemories(messages, {
    user_id: userId,
    rerank: true,
    threshold: 0.1
  });

  const result = streamText({
    model: openai("gpt-4o"),
    messages,
    system: `记忆：${memories.map(m => m.memory).join("\n")}`,
  });

  // 后台任务：从对话中捕获新记忆
  addMemories(messages, { user_id: userId });

  return result.toDataStreamResponse();
}

来源： examples/mem0-demo/app/api/chat/route.ts:70-112，examples/mem0-demo/app/assistant.tsx:45-50

多实体分区

在旅行或企业服务中，必须按 user_id、agent_id 和 app_id 对记忆进行分区，以防止不同上下文之间的数据泄露 docs/cookbooks/essentials/entity-partitioning-playbook.mdx:6-75。

作用域模式

# 为特定智能体和运行存储旅行偏好
client.add(
    cam_messages,
    user_id="traveler_cam",
    agent_id="travel_planner",
    run_id="tokyo-2025-weekend",
    app_id="concierge_app"
)

# 仅在特定智能体的作用域内检索，以防止泄露
user_scope = {
    "AND": [
        {"user_id": "traveler_cam"},
        {"app_id": "concierge_app"},
        {"agent_id": "travel_planner"}
    ]
}
memories = client.search("有任何饮食限制吗？", filters=user_scope)

来源： docs/cookbooks/essentials/entity-partitioning-playbook.mdx:32-62，docs/platform/features/v2-memory-filters.mdx:74-102

领域特定配置表

领域	推荐的大语言模型	检索策略	关键作用域
客户支持	`gpt-4o-mini`	混合（语义 + BM25）	`user_id`，`agent_id`
医疗	`gpt-4o`	高阈值（0.8 以上）	`user_id`，`run_id`
研究	`claude-3-opus`	图谱 + 向量	`user_id`，`app_id`
电商	`gpt-5-mini`	工具驱动搜索	`user_id`

来源： docs/llms.txt:153-171，docs/open-source/python-quickstart.mdx:80-87，docs/cookbooks/essentials/controlling-memory-ingestion.mdx:171-184