10 · 用量模式（Usage Patterns）

用量模式

使用模式

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/docs.json
• docs/llms.txt
• docs/open-source/python-quickstart.mdx
• docs/platform/features/contextual-add.mdx
• docs/platform/features/entity-scoped-memory.mdx
• docs/platform/features/v2-memory-filters.mdx
• examples/misc/fitness_checker.py
• examples/misc/multillm_memory.py
• examples/misc/personal_assistant_agno.py
• examples/misc/personalized_search.py

本文档记录了 Mem0 的常见使用模式，涵盖从基本 CRUD 操作到高级集成场景。这些模式展示了如何在不同应用上下文中有效使用 Mem0 的记忆层。

有关详细的 API 参考，请参见记忆操作。有关特定集成的实现，请参见框架集成。有关基本设置和配置，请参见安装与设置。

记忆初始化模式

Mem0 支持两种主要的部署模型，每种模型具有不同的初始化模式。选择 Memory（开源版）还是 MemoryClient（平台版）决定了组件控制和托管模型。

自托管初始化：记忆类

模式：默认配置

Memory 类使用默认提供者进行初始化。默认情况下，它使用 OpenAI 作为大语言模型（LLM）和嵌入向量提供者，Qdrant 作为向量存储，SQLite 作为历史记录 docs/open-source/python-quickstart.mdx:80-87。

from mem0 import Memory

# 默认：OpenAI LLM + OpenAI 嵌入向量 + Qdrant 向量存储 + SQLite 历史记录
memory = Memory()

模式：自定义配置

用户可以通过向 Memory.from_config() 传递配置字典来自定义技术栈。这通常用于使用 Ollama 等提供者的本地优先设置 docs/cookbooks/essentials/building-ai-companion.mdx:94-120。

from mem0 import Memory

config = {
    "vector_store": {
        "provider": "qdrant",
        "config": {"host": "localhost", "port": 6333, "embedding_model_dims": 768},
    },
    "llm": {
        "provider": "ollama",
        "config": {"model": "llama3.1:latest", "ollama_base_url": "http://localhost:11434"},
    },
    "embedder": {
        "provider": "ollama",
        "config": {"model": "nomic-embed-text:latest", "ollama_base_url": "http://localhost:11434"},
    },
}
memory = Memory.from_config(config)

来源： docs/open-source/python-quickstart.mdx:34-40、docs/cookbooks/essentials/building-ai-companion.mdx:94-120、docs/llms.txt:90-92

平台初始化：MemoryClient 类

模式：API 密钥认证

MemoryClient 连接到托管的 Mem0 平台。这是推荐的四行代码集成和亚 50 毫秒检索路径 docs/llms.txt:23-32。

from mem0 import MemoryClient

# 使用平台 API 密钥初始化
client = MemoryClient(api_key="your-api-key")

来源： docs/llms.txt:23-32、docs/cookbooks/essentials/controlling-memory-ingestion.mdx:34-38

基本记忆 CRUD 模式

添加模式：事实提取与存储

Memory.add() 处理流程

模式：基于消息的添加

add() 方法处理对话以提取和存储事实 docs/open-source/python-quickstart.mdx:42-49。

messages = [
    {"role": "user", "content": "你好，我是 Alex。我喜欢篮球和游戏。"},
    {"role": "assistant", "content": "你好 Alex！我会记住你的兴趣。"}
]
client.add(messages, user_id="alex")

来源： docs/open-source/python-quickstart.mdx:42-49、docs/llms.txt:35-38、docs/core-concepts/memory-operations/add

搜索模式：语义检索

模式：带过滤的搜索

搜索使用向量相似性执行语义检索。结果可以通过 user_id 等过滤器限定范围 docs/open-source/python-quickstart.mdx:53-57。

# 搜索与查询相关的记忆
results = client.search("关于我你知道什么？", user_id="alex")

# 处理结果
for item in results["results"]:
    print(f"记忆：{item['memory']}（得分：{item['score']}）")

来源： docs/open-source/python-quickstart.mdx:53-74、docs/llms.txt:41-41、docs/cookbooks/essentials/building-ai-companion.mdx:65-66

更新与删除模式

模式：直接修改

可以使用唯一的 memory_id 更新或删除记忆 docs/llms.txt:45-50。

# 更新特定记忆
client.update(memory_id="mem_123", data="Alice 热爱山地徒步")

# 删除特定记忆
client.delete(memory_id="mem_123")

# 删除用户的所有记忆
client.delete_all(user_id="alice")

来源： docs/llms.txt:45-50、docs/llms.txt:75-80

高级使用模式

先搜索后生成模式

这是构建有状态 AI 伴侣的标准模式。它涉及检索相关记忆并将其注入到大语言模型（LLM）的系统提示中 docs/cookbooks/essentials/building-ai-companion.mdx:63-84。

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 LLM
    response = openai_client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": f"你是一名教练。记忆：\n{context}"},
            {"role": "user", "content": user_input}
        ]
    ).choices[0].message.content

    # 3. 存储新的对话
    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、examples/misc/fitness_checker.py:34-49

受控入库模式

使用自定义指令和置信度阈值来防止来自推测性或低质量数据的"记忆污染" docs/cookbooks/essentials/controlling-memory-ingestion.mdx:17-28。

# 设置自定义指令以过滤推测性内容
instructions = "仅存储已确认的医疗事实。忽略推测性内容（可能、也许）。"
client.project.update(custom_instructions=instructions)

# 测试入库
client.add("我想我可能对青霉素过敏", user_id="p123")
# 结果：由于指令限制，存储了 0 条记忆

来源： docs/cookbooks/essentials/controlling-memory-ingestion.mdx:75-116、docs/cookbooks/essentials/controlling-memory-ingestion.mdx:186-213

记忆作为 LLM 工具模式

Mem0 可以直接接入 LLM 的工具调用（函数调用）流程，让代理自行决定何时搜索或保存信息 docs/cookbooks/integrations/openai-tool-calls.mdx:113-125。

来源： docs/cookbooks/integrations/openai-tool-calls.mdx:141-207、docs/cookbooks/integrations/healthcare-google-adk.mdx:123-144

多实体作用域

Mem0 允许通过 user_id、agent_id、app_id 和 run_id 对记忆进行分区，以在多租户环境中保持隔离 docs/cookbooks/essentials/entity-partitioning-playbook.mdx:32-38。

隐式作用域：仅传递 user_id 会将结果限制在其他字段为 null 的记录上。使用通配符（"*"）可以匹配跨维度的任何非空值 docs/platform/features/entity-scoped-memory.mdx:37-43。

来源： docs/cookbooks/essentials/entity-partitioning-playbook.mdx:27-32、docs/platform/features/entity-scoped-memory.mdx:30-43、docs/platform/features/v2-memory-filters.mdx:34-41

领域特定示例

Mem0 在各个领域中被用于提供长期记忆能力：

• 医疗助手：跨会话记住患者病史、过敏信息和症状，同时过滤推测性内容 docs/cookbooks/essentials/controlling-memory-ingestion.mdx:7-10。
• 健身教练：跟踪目标、锻炼日志和恢复计划 examples/misc/fitness_checker.py:1-24。
• 个人助手：管理每日提醒并处理多模态数据（图像+文本）examples/misc/personal_assistant_agno.py:31-75。
• 研究助手：捕获风格指南和内容创建工作流 docs/cookbooks/overview.mdx:90-96。

有关这些场景的详细实现，请参见领域特定示例。

来源： docs/cookbooks/overview.mdx:16-118、examples/misc/personal_assistant_agno.py:1-28