agentic_huge_data_base / wiki
页面 Mem0 · 5.1 向量存储总览·DeepWiki 中文全文译文
DeepWiki 中文译文 / Mem0 / 5.1

5.1 · 向量存储总览（Vector Stores Overview）

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5.1 状态全文译文 模块检索、召回与索引、系统架构、界面与交互、模型调用与提供方适配
项目要点页2.5 参考项目 项目章节目录Mem0 DeepWiki 原始章节Vector Stores Overview 上一章5 下一章5.2
源码线索
  • Makefile
  • docs/components/vectordbs/config.mdx
  • docs/components/vectordbs/dbs/chroma.mdx
  • docs/components/vectordbs/dbs/milvus.mdx
  • docs/components/vectordbs/dbs/qdrant.mdx
  • docs/components/vectordbs/overview.mdx
  • mem0-ts/src/oss/src/utils/scoring.ts
  • mem0/configs/vector_stores/chroma.py
  • mem0/configs/vector_stores/milvus.py
  • mem0/configs/vector_stores/qdrant.py
模块标签
  • 检索、召回与索引
  • 系统架构
  • 界面与交互
  • 模型调用与提供方适配
  • 测试、发布与运维

章节正文

向量存储总览

原始 DeepWiki 页面https://deepwiki.com/mem0ai/mem0/5.1-vector-stores-overview

向量存储总览

相关源文件

以下文件为本维基页面的生成提供了上下文：

  • Makefile
  • docs/components/vectordbs/config.mdx
  • docs/components/vectordbs/dbs/chroma.mdx
  • docs/components/vectordbs/dbs/milvus.mdx
  • docs/components/vectordbs/dbs/qdrant.mdx
  • docs/components/vectordbs/overview.mdx
  • mem0-ts/src/oss/src/utils/scoring.ts
  • mem0/configs/vector_stores/chroma.py
  • mem0/configs/vector_stores/milvus.py
  • mem0/configs/vector_stores/qdrant.py
  • mem0/utils/factory.py
  • mem0/utils/scoring.py
  • mem0/vector_stores/chroma.py
  • mem0/vector_stores/configs.py
  • mem0/vector_stores/milvus.py
  • mem0/vector_stores/qdrant.py
  • poetry.lock
  • pyproject.toml
  • tests/utils/test_scoring.py
  • tests/vector_stores/test_chroma.py
  • tests/vector_stores/test_milvus.py
  • tests/vector_stores/test_qdrant.py

向量存储是 Mem0 中语义记忆的主要存储层。它们支持对嵌入向量进行快速相似性搜索，使记忆系统能够基于语义含义（而非精确关键词匹配）检索相关记忆。本页面涵盖向量存储抽象层、工厂模式以及常见操作。

关于特定向量存储提供商的详细配置，请参见向量存储提供商（5.2）。关于配置模式与校验，请参见向量存储配置（5.3）。

在记忆系统中的用途

Mem0 中的向量存储承担两个关键功能：

  1. 嵌入向量存储：存储从记忆内容生成的向量嵌入及其元数据。
  2. 语义检索：执行近似最近邻（ANN）搜索，以查找与查询相似的记忆。

向量存储层通过 VectorStoreBase 接口 mem0/vector_stores/base.py:24 与记忆系统的其他部分解耦，使用户可以根据部署需求、规模及性能要求，从超过 20 个受支持的提供商 mem0/vector_stores/configs.py:13-38 中进行选择。

来源： mem0/vector_stores/base.py:1-24、docs/components/vectordbs/overview.mdx:1-37、mem0/vector_stores/configs.py:13-38

架构总览

下图展示了核心记忆系统与向量存储抽象层之间的关系。

系统架构到代码实体的映射
Mem0 · 系统架构到代码实体的映射 · 图 1
Mem0 · 系统架构到代码实体的映射 · 图 1

工作流：

  1. 记忆系统使用指定提供商和连接详情的 VectorStoreConfig 进行初始化 mem0/vector_stores/configs.py:6-11。
  2. VectorStoreFactory.create() 使用 importlib 动态加载相应的提供商类 mem0/utils/factory.py:1-27。
  3. 提供商实例实现了 VectorStoreBase 接口，以提供标准化操作。
  4. 嵌入器生成向量，然后传递给存储以进行插入或搜索。

来源： mem0/utils/factory.py:167-206、mem0/vector_stores/configs.py:6-68、mem0/utils/factory.py:24-27

VectorStoreBase 接口

所有向量存储实现都继承自 VectorStoreBase mem0/vector_stores/base.py:24，并实现一组标准操作。

常见操作
操作描述实现示例
create_col创建具有特定维度和度量标准的新集合或索引。mem0/vector_stores/qdrant.py:120-157
insert将向量、载荷和 ID 插入存储。mem0/vector_stores/milvus.py:118-137
search执行相似性搜索，支持可选的元数据过滤。mem0/vector_stores/qdrant.py:196-224
delete按 ID 删除特定向量。mem0/vector_stores/qdrant.py:246-250
update更新现有 ID 的向量或载荷。mem0/vector_stores/qdrant.py:234-244
list_cols列出数据库中所有现有集合。mem0/vector_stores/qdrant.py:252-254

来源： mem0/vector_stores/qdrant.py:29-271、mem0/vector_stores/milvus.py:25-180、mem0/vector_stores/base.py:24

VectorStoreFactory

VectorStoreFactory 实现了工厂模式，用于动态实例化向量存储提供商。

提供商注册表

工厂维护一个 provider_to_class 映射，将字符串标识符与实现的完整模块路径关联起来：

provider_to_class = {
    "qdrant": "mem0.vector_stores.qdrant.Qdrant",
    "chroma": "mem0.vector_stores.chroma.ChromaDB",
    "milvus": "mem0.vector_stores.milvus.MilvusDB",
    # ... 超过 20 个其他提供商
}

mem0/utils/factory.py:168-192

创建逻辑

当调用 create() 时，工厂会执行以下操作：

  1. 根据提供商名称解析类路径 mem0/utils/factory.py:194。
  2. 通过 load_class 辅助函数使用 importlib.import_module 加载类 mem0/utils/factory.py:24-27。
  3. 将配置（如果以字典形式提供）转换为提供商特定的配置对象 mem0/utils/factory.py:195-197。

来源： mem0/utils/factory.py:167-206、mem0/utils/factory.py:24-27

VectorStoreConfig 配置系统

配置系统使用 Pydantic 进行校验和类型安全。

配置流程
Mem0 · 配置流程 · 图 2
Mem0 · 配置流程 · 图 2

关键特性：

  • 动态校验：validate_and_create_config 方法导入特定提供商的配置（例如 QdrantConfig），并针对该配置校验 config 字段 mem0/vector_stores/configs.py:41-67。
  • 默认值注入：如果未为本地存储提供路径，则默认使用 /tmp/{provider} mem0/vector_stores/configs.py:63-64。

来源： mem0/vector_stores/configs.py:6-68、mem0/configs/vector_stores/qdrant.py:6-48、mem0/configs/vector_stores/chroma.py:6-58

混合搜索支持（v3 版本）

最近的实现（如 Qdrant 和 Milvus）支持混合搜索，将密集语义向量与 BM25 稀疏向量相结合。

实现细节：
  • Qdrant：使用 fastembed 进行 BM25 编码 mem0/vector_stores/qdrant.py:88-101，并在集合中创建一个名为 bm25 的命名稀疏向量槽 mem0/vector_stores/qdrant.py:146-154。
  • Milvus：使用类型为 BM25 的 Function，从 text 字段自动生成稀疏向量 mem0/vector_stores/milvus.py:97-103。它还添加了 SPARSE_INVERTED_INDEX 以实现高效检索 mem0/vector_stores/milvus.py:109-114。

来源： mem0/vector_stores/qdrant.py:88-154、mem0/vector_stores/milvus.py:84-116

标准操作模式

插入操作

插入通常涉及准备特定于后端的数据结构（例如 Qdrant 的 PointStruct 或 Milvus 的字典）。

  • Qdrant：insert 遍历向量和载荷，创建 PointStruct 对象 mem0/vector_stores/qdrant.py:178-194。
  • Milvus：insert 构建一个字典列表，如果模式支持，则包含用于 BM25 的 text 字段 mem0/vector_stores/milvus.py:129-137。
搜索与过滤

所有搜索操作都支持元数据过滤。

  • 过滤：针对 user_id、agent_id 和 run_id 的过滤器会被转换为提供商特定的语法。Qdrant 使用 Filter 和 FieldCondition 对象 mem0/vector_stores/qdrant.py:226-244。Milvus 使用布尔表达式字符串 mem0/vector_stores/milvus.py:139-155。
  • 评分：结果以 OutputData 或类似对象的列表形式返回，其中包含 id、score 和 payload mem0/vector_stores/milvus.py:157-180、mem0/vector_stores/chroma.py:17-21。

来源： mem0/vector_stores/qdrant.py:178-244、mem0/vector_stores/milvus.py:118-180、mem0/vector_stores/chroma.py:143-161

嵌入向量维度

一个常见的配置点是 embedding_model_dims。虽然许多模型默认使用 1536（OpenAI），但用户必须将其与特定的嵌入提供商匹配，以避免对齐错误 docs/components/vectordbs/overview.mdx:47-54。该值通常在向量存储类的初始化过程中传入 mem0/vector_stores/qdrant.py:33、mem0/vector_stores/milvus.py:31。

来源： mem0/configs/vector_stores/qdrant.py:12、mem0/vector_stores/milvus.py:41、docs/components/vectordbs/overview.mdx:47-54