4.2 · 图存储提供方

图存储提供方

图存储提供商

相关源文件

以下文件为本维基页面的生成提供了上下文：

• docs/components/vectordbs/dbs/neptune_analytics.mdx
• examples/graph-db-demo/neptune-example.ipynb
• mem0/configs/base.py
• mem0/configs/enums.py
• mem0/configs/vector_stores/azure_ai_search.py
• mem0/configs/vector_stores/neptune.py
• mem0/configs/vector_stores/supabase.py
• mem0/configs/vector_stores/vertex_ai_vector_search.py
• mem0/configs/vector_stores/weaviate.py
• mem0/proxy/main.py
• mem0/vector_stores/neptune_analytics.py
• mem0/vector_stores/supabase.py
• mem0/vector_stores/vertex_ai_vector_search.py
• mem0/vector_stores/weaviate.py
• tests/vector_stores/test_neptune_analytics.py
• tests/vector_stores/test_vertex_ai_vector_search.py

图存储提供商使 Mem0 能够捕获和查询从对话中提取的实体-关系结构。本文档记录了支持的图数据库提供商、其配置以及用于实例化它们的工厂模式。

有关图记忆操作和搜索的信息，请参阅图搜索与检索。有关相似度阈值配置，请参阅相似度阈值。有关通用图记忆架构，请参阅图记忆概述。

支持的提供商

Mem0 通过基于工厂的架构支持多个图数据库提供商。这些提供商使系统能够以实体和关系网络的形式存储和检索知识。

来源： mem0/utils/factory.py:214-220

工厂架构

GraphStoreFactory 实现

GraphStoreFactory 类负责管理图存储提供商的动态实例化。它将提供商名称映射到各自的类路径和配置要求。

下图展示了配置、工厂以及底层代码实体之间的关系。

图存储代码实体映射

来源： mem0/utils/factory.py:208-230、mem0/configs/base.py:29-58、mem0/memory/main.py:199-206

提供商配置

Neo4j（默认）

Neo4j 是默认的图存储提供商。它使用 langchain_neo4j.Neo4jGraph 客户端进行数据库交互，并使用 rank_bm25 对搜索结果进行重排序。

配置参数：

config = {
    "graph_store": {
        "provider": "default",
        "config": {
            "url": "bolt://localhost:7687",
            "username": "neo4j",
            "password": "your-password",
            "database": "neo4j"
        },
        "threshold": 0.7
    }
}

索引管理： Neo4j 实现会创建特定的索引以提升性能：

• entity_single：针对 user_id 的单一属性索引。
• entity_composite：针对 (name, user_id) 的复合索引（需要 Neo4j 企业版）。

来源： mem0/utils/factory.py:214

AWS Neptune

Mem0 提供了与 AWS Neptune 的深度集成，同时支持 Analytics（无服务器）和 Database（持久化）两种引擎。

Neptune Analytics（无服务器）： 通过 neptune 提供商使用。通常与 AWS Bedrock 配合使用以进行嵌入向量和大语言模型操作。对于 Analytics，endpoint 必须遵循 neptune-graph:// 协议。

config = {
    "embedder": {
        "provider": "aws_bedrock",
        "config": {
            "model": "amazon.titan-embed-text-v2:0",
            "embedding_dims": 1024
        }
    },
    "graph_store": {
        "provider": "neptune",
        "config": {
            "endpoint": "neptune-graph://my-graph-identifier",
            "region": "us-east-1"
        }
    }
}

来源： examples/graph-db-demo/neptune-example.ipynb:65-71、mem0/configs/vector_stores/neptune.py:11-23、mem0/utils/factory.py:216-217

Memgraph 和 Kuzu

• Memgraph：一种内存图数据库。配置需要标准连接参数，如 url、username 和 password。
• Kuzu：一种嵌入式图数据库。配置主要需要本地存储的 path，适用于本地优先的应用场景。

来源： mem0/utils/factory.py:215-218

启用图记忆

图记忆在 Memory 类中根据是否存在图存储配置来激活。如果配置中提供了 graph_store，Memory 类会初始化该组件并设置内部标志 enable_graph。

记忆组件初始化流程

来源： mem0/memory/main.py:199-206

安装

图存储依赖项是可选的，以保持核心包的轻量。可以通过 graph 额外选项进行安装。对于像 Neptune 这样的 AWS 特定图存储，也建议使用 extras 标签。

# 安装所有图依赖
pip install "mem0ai[graph]"

# 安装图和 AWS 依赖（用于 Neptune/Bedrock）
pip install "mem0ai[graph,extras]"

来源： examples/graph-db-demo/neptune-example.ipynb:27-30

实体提取与搜索

提取管线

当调用 m.add() 且启用了图记忆时，系统会按照特定顺序更新图。

1. 提取：大语言模型从提供的消息中识别实体及其类型。
2. 关系构建：大语言模型建立三元组（源 -> 关系 -> 目标）。
3. 去重：系统使用向量相似度（由 threshold 控制）将新实体与图中已有实体进行匹配。
4. 更新：在添加新关系之前，识别并删除过时的关系。

BM25 重排序

在 m.search() 过程中，图存储会检索潜在匹配项。为了提高相关性，系统会应用 BM25 重排序（使用 rank_bm25 库），以确保将最相关的关系作为上下文返回给大语言模型。

来源： mem0/proxy/main.py:182-189

配置优先级

图操作可以配置为使用与记忆系统其余部分不同的大语言模型。这对于在复杂提取任务中使用更强大的模型（如 GPT-4 或 Claude 3.7 Sonnet），同时在标准向量记忆中使用更便宜的模型非常有用。

1. 图专用大语言模型：config["graph_store"]["llm"]
2. 全局大语言模型：config["llm"]（在 MemoryConfig 中定义）
3. 默认值：OpenAI

来源： mem0/configs/base.py:29-58、examples/graph-db-demo/neptune-example.ipynb:65-71