3 · 记忆系统（Memory System）

记忆系统

记忆系统

相关源文件

本章引用的主要源码文件：

• 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/open-source/configuration.mdx
• docs/open-source/overview.mdx
• docs/platform/advanced-memory-operations.mdx
• docs/platform/features/platform-overview.mdx
• docs/platform/overview.mdx
• mem0/__init__.py
• mem0/configs/prompts.py
• mem0/memory/main.py
• mem0/memory/storage.py
• mem0/memory/utils.py
• tests/configs/test_prompts.py
• tests/memory/test_main.py
• tests/test_chatty_llm_parsing.py
• tests/test_main.py
• tests/test_memory.py
• tests/test_proxy.py

概述

记忆系统是核心子系统，负责在 Mem0 中存储、检索和管理记忆数据。它协调用户消息、基于大语言模型（LLM）的事实提取、冲突解决以及多后端存储（包括向量存储、图存储和历史数据库）之间的数据流。

该系统通过智能管线处理对话消息，具体流程如下：

1. 使用大语言模型（LLM）提取关键事实 mem0/memory/main.py:423-456
2. 解决与现有记忆的冲突 mem0/memory/main.py:496-590
3. 并发地将数据存储到向量和图后端 mem0/memory/main.py:369-377
4. 通过 SQLiteManager 维护所有变更的审计追踪 mem0/memory/storage.py:11-19

关键组件：

• Memory 类：开源实现，提供直接存储访问 mem0/memory/main.py:172
• MemoryClient 类：用于托管部署的平台 API 客户端。
• 向量存储：支持语义相似性搜索 mem0/utils/factory.py:101-131
• 图存储：捕获实体关系 mem0/memory/graph_memory.py:29
• 历史数据库：提供审计追踪和会话消息持久化 mem0/memory/storage.py:128-148

子页面：

• 记忆类（开源） — 直接存储配置与使用
• MemoryClient（平台） — 托管 API 客户端使用
• 记忆操作 — 详细操作参数与示例
• 会话作用域与过滤器 — user_id、agent_id、run_id 过滤
• 异步操作 — 异步模式与性能
• 代理集成 — 在大语言模型（LLM）调用中自动注入记忆
• 智能记忆处理 — 基于大语言模型（LLM）的事实提取与去重

来源： mem0/memory/main.py:172-234、mem0/memory/storage.py:11-19、docs/core-concepts/memory-operations/add.mdx:8-56

核心架构

记忆系统主要通过 Memory mem0/memory/main.py:172（用于开源部署）和 MemoryClient（用于平台部署）实现。两者提供相同的核心操作，但在存储访问方式上有所不同。

图表：记忆系统组件依赖关系

来源： mem0/memory/main.py:172-234、mem0/utils/factory.py:10-140

组件职责

来源： mem0/memory/main.py:172-234、mem0/memory/storage.py:11-19

记忆生命周期

记忆系统通过一个多阶段管线处理数据，该管线涉及基于大语言模型（LLM）的智能处理、冲突解决以及双存储写入。

图表：添加操作生命周期

来源： mem0/memory/main.py:281-598、mem0/memory/main.py:599-608、docs/core-concepts/memory-operations/add.mdx:39-49

图表：搜索操作生命周期

来源： mem0/memory/main.py:758-857、mem0/memory/main.py:832-851、docs/core-concepts/memory-operations/search.mdx:32-45

双存储架构

记忆系统使用两个并发运行的主要存储后端，外加一个用于变更追踪和消息历史的审计数据库。

存储后端

图表：并发存储执行

来源： mem0/memory/main.py:369-377、mem0/memory/storage.py:150-219、mem0/memory/graph_memory.py:29-194

会话作用域

记忆系统要求至少提供一个会话标识符（user_id、agent_id 或 run_id）来限定所有操作的作用域。这确保了记忆能够在适当的上下文中被组织和检索。

会话标识符要求

所有记忆操作至少需要以下之一：

• user_id：限定到特定用户。
• agent_id：限定到特定 AI 代理。
• run_id：限定到对话或工作流会话。

_build_filters_and_metadata() 函数 mem0/memory/main.py:87-165 会校验这些要求并构建：

1. base_metadata_template：在存储期间附加到新记忆的元数据。
2. effective_query_filters：在搜索或列出记忆时应用的过滤器。

图表：过滤器构建流程

有关包含逻辑运算符（AND/OR/NOT）和比较运算符的高级过滤功能，请参阅会话作用域与过滤器。

来源： mem0/memory/main.py:87-165、mem0/memory/main.py:100-110

智能记忆处理

默认情况下，记忆系统使用大语言模型（LLM）进行事实提取和冲突解决，而不是存储原始消息。

两阶段大语言模型（LLM）处理

阶段 1：事实提取 mem0/memory/main.py:423-456

• 将对话消息转换为结构化事实。
• 使用专用提示词，如 USER_MEMORY_EXTRACTION_PROMPT 或 AGENT_MEMORY_EXTRACTION_PROMPT mem0/memory/utils.py:15-29。
• 支持通过 self.custom_instructions mem0/memory/main.py:186 提供自定义事实提取提示词。

阶段 2：冲突解决 mem0/memory/main.py:496-590

• 将新事实与通过向量搜索检索到的现有记忆进行比较。
• 大语言模型（LLM）确定操作：ADD、UPDATE、DELETE 或 NONE。
• 由 PROCEDURAL_MEMORY_SYSTEM_PROMPT mem0/configs/prompts.py:20 引导。

有关用于确定记忆操作的逻辑详情，请参阅智能记忆处理。

来源： mem0/memory/main.py:423-456、mem0/memory/main.py:496-590、mem0/memory/utils.py:15-29

审计追踪

SQLiteManager mem0/memory/storage.py:11 维护所有记忆修改的完整审计日志，并持久化对话历史。

历史数据库模式

历史表追踪所有记忆生命周期事件：

访问历史

# 获取某个记忆的完整历史
history_records = memory.history(memory_id="mem_123")

每个记忆操作（添加/更新/删除）都会调用 self.db.add_history() mem0/memory/storage.py:150-191 来记录更改。

来源： mem0/memory/storage.py:102-149、mem0/memory/main.py:1091-1123

部署选项

记忆系统提供两种部署模式：开源（本地 SDK）和平台（托管服务）。

部署对比

有关每种部署模式的详细用法，请参阅：

• 记忆类（开源）
• MemoryClient（平台）

来源： mem0/memory/main.py:172-234、mem0/memory/main.py:1411、docs/platform/overview.mdx:18-26

性能与高级特性

并发执行

记忆系统使用 ThreadPoolExecutor mem0/memory/main.py:369-377 并行执行向量和图操作：

# 在 add() 期间并发存储
with concurrent.futures.ThreadPoolExecutor() as executor:
    future1 = executor.submit(self._add_to_vector_store, ...)
    future2 = executor.submit(self._add_to_graph, ...)
    concurrent.futures.wait([future1, future2])

原始消息存储

设置 infer=False 可以绕过基于大语言模型（LLM）的事实提取，直接按原样存储消息 mem0/memory/main.py:387-421：

# 存储原始对话数据，不经过智能层处理
memory.add(messages, user_id="alice", infer=False)

此模式会跳过冲突解决，将每条消息作为单独的条目存储在向量存储中。

来源： mem0/memory/main.py:369-377、mem0/memory/main.py:387-421、docs/core-concepts/memory-operations/add.mdx:117-120