智能体长记忆解决方案Mem0和Memobase

智能体长记忆解决方案Mem0和Memobase

1 简单介绍

为解决智能体的长记忆问题，有很多开源的方案，具有代表性的有Mem0、MemoryOS、Memobase、cognee等。

Mem0是嵌入式项目，特长多Agent记忆管理，适用于快速集成、短期记忆、开发资源有限的环境；

Memobase是非嵌入式（需要构建独立的服务），特长单用户记忆管理，适用于长期画像、结构化记忆、企业级扩展；

Mem0是专为现代 AI 智能体设计的记忆层。它作为一个持久化的记忆层，使智能体能够：回忆相关的过往交互 、存储重要的用户偏好和事实性上下文 、从成功与失败中学习等，它赋予 AI 智能体记忆能力，使其能够在多次交互中记住信息、持续学习并不断进化。它适配的组件较多。

# Github地址
https://github.com/mem0ai/mem0

# 文档地址
https://docs.mem0.ai/introduction

# Python客户端
https://docs.mem0.ai/open-source/python-quickstart

# 官网地址
https://mem0.ai/

Memobase 是一个基于用户画像的记忆系统，旨在为您的大语言模型（LLM）应用提供长期的用户记忆能力。无论您是在构建虚拟伴侣、教育工具，还是个性化助手，Memobase 都能让您的 AI 记住用户、理解用户，并随着用户共同成长。

# Github地址
https://github.com/memodb-io/memobase

# 文档地址
https://docs.memobase.io/introduction

# 官网地址
https://www.memobase.io/

MemoryOS是一个用于个性化 AI 代理的记忆操作系统，能够实现更连贯、更个性化且更具上下文感知能力的交互。它采用分层存储架构，包含存储、更新、检索和生成四个核心模块，以实现全面且高效的记忆管理。

# Github地址
https://github.com/BAI-LAB/MemoryOS

# 地址
https://bai-lab.github.io/MemoryOS/docs

# 官网
https://baijia.online/memoryos/

Cognee会将您的数据组织成 AI 记忆，它会创建一个包含原始信息、提取出的概念以及有意义关系的知识图谱，供您进行查询。为智能体构建动态记忆，利用可扩展、模块化的 ECL（提取、认知、加载）管道，取代传统的 RAG（检索增强生成）。

# Github地址
https://github.com/topoteretes/cognee

# 开发文档
https://docs.cognee.ai/getting-started/introduction

2 Mem0简单使用

2.1 Docker安装向量数据库

docker run -itd \
--name qdrant \
--restart always \
-p 6333:6333 \
-p 6334:6334 \
-v /home/qdrant_storage:/qdrant/storage:z \
qdrant/qdrant:v1.15.5

2.2 Python使用Mem0

# 安装依赖包
pip install mem0ai

Python代码

from mem0 import Memory
from openai import OpenAI

# 配置向量库
config = {
    "vector_store": {
        "provider": "qdrant",
        "config": {
            # 集合名称
            "collection_name": "test",
            # qdrant的地址
            "host": "192.168.108.147",
            # 端口号
            "port": 6333,
            # 设置向量维度，注意与本地模型同步
            "embedding_model_dims": 1024
        }
    },
    # 配置大模型
    "llm": {
        "provider": "openai",
        "config": {
            # 类OpenAI的大模型地址
            "openai_base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
            "api_key": "sk-XXXX",
            # 大模型名称
            "model": "qwen-plus",
            "temperature": 0.3,
            "max_tokens": 2000
        }
    },
    # 配置嵌入模型
    "embedder": {
        "provider": "openai",
        "config": {
            # 类OpenAI的嵌入地址
            "openai_base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
            "api_key": "sk-XXXX",
            # 嵌入模型名称
            "model": "text-embedding-v4",
            # 生成文本的维度
            "embedding_dims": 1024
        }
    }
}
# 加载配置
memory = Memory.from_config(config)

# 2 添加记忆
messages = [
    {
        "role": "user",
        "content": "I like to drink coffee in the morning and go for a walk"
    }
]
# 用户编号
user_id = "mason"
result = memory.add(messages, user_id=user_id, metadata={"category": "preferences"})
print("result", result)

# 历史记忆
history = memory.history(memory_id="c0cd9919-54e3-4127-b657-7cdb7bb096f1")

# 3 查询记忆
related_memories = memory.search("Should I drink coffee or tea?", user_id="mason")
print("related_memories", related_memories)

# 4 使用memory
openai_client = OpenAI(
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="sk-XXXX"
)
# 查询记忆
message = "tea"
relevant_memories = memory.search(query=message, user_id=user_id, limit=3)
# 封装记忆
memories_history = "\n".join(f"- {entry['memory']}" for entry in relevant_memories["results"])

# 设置模型的提示词
system_prompt = f"You are a helpful AI. Answer the question based on query and memories.\nUser Memories:\n{memories_history}"
messages = [{"role": "system", "content": system_prompt}, {"role": "user", "content": message}]

# 设置生成结果
response = openai_client.chat.completions.create(model="qwen-plus", messages=messages)
assistant_response = response.choices[0].message.content
print("assistant_response", assistant_response)

# 追加新的记忆
messages.append({"role": "assistant", "content": assistant_response})
memory.add(messages, user_id=user_id)

2.3 执行结果

（1）代码执行

（2）Qdrant数据

3 Memobase简单使用

3.1 Docker安装Memobase服务器

⚠️ 可以使用官网的docker-compose直接安装，为了更好控制容器，此处分开安装。

（1）下载镜像

# 下载镜像，下载速度比较慢
docker pull ghcr.io/memodb-io/memobase:0.0.40

# 下载pgvector
docker pull pgvector/pgvector:pg17

# 下载redis
docker pull redis:7.4

（2）创建容器

网桥

# 创建网桥
sudo docker network create --driver bridge memobase-bridge

pgvector

# 创建向量库pgvector
docker run -itd \
--name memobase-server-db \
--network memobase-bridge \
--restart always \
-e POSTGRES_USER=root \
-e POSTGRES_PASSWORD=123456 \
-e POSTGRES_DB=memobase \
-p 5432:5432 \
-v /home/memobase/pgvector/data:/var/lib/postgresql/data \
pgvector/pgvector:pg17

redis

# 创建缓存库redis
docker run -itd \
--name memobase-server-redis \
--network memobase-bridge \
--restart always \
-p 6379:6379 \
-v /home/memobase/redis/data:/var/lib/postgresql/data \
redis:7.4 redis-server --requirepass 123456

Memobase

# 创建Memobase接口服务
# 注意：memobase是数据库
# memobase-server-db是数据库的容器名称
# memobase-server-redis是redis的容器名称
docker run -itd \
--name memobase-server-api \
--network memobase-bridge \
--restart always \
-e DATABASE_URL=postgresql://root:123456@memobase-server-db:5432/memobase \
-e REDIS_URL=redis://:123456@memobase-server-redis:6379/0 \
-e ACCESS_TOKEN=secret \
-e PROJECT_ID=memobase_dev \
-e API_HOSTS=http://0.0.0.0:8019 \
-e USE_CORS=false \
-p 8019:8000 \
-v /home/memobase/api/config.yaml:/app/config.yaml \
ghcr.io/memodb-io/memobase:0.0.40

配置文件：config.yaml

参数地址

https://docs.memobase.io/references/local_config#full-explanation-of-config-yaml

配置说明

# config.yaml
# 默认是OpenAI的地址，可以不设置
llm_base_url: OpenAI的地址
# 默认OpenAI的Key，必须设置，可以与上面的llm_base_url同步设置
llm_api_key: YOUR-OPENAI-KEY
# 设置模型名称，默认gpt-4o-mini
best_llm_model: 模型名称

# 如果使用lstudio提供embedded, 可参考下面配置
# embedding_provider: lmstudio
# embedding_api_key: lm_XXX
# embedding_model: text-embedding-qwen3-embedding-8b

# 如果使用地址访问嵌入模型，可参考下面配置
# embedding_base_url: http://127.0.0.1:1234/v1
# embedding_api_key: 嵌入模型的api-key
# embedding_model: 模型名称
# embedding_dim: 1024

# language: zh

配置示例（以阿里云大模型）

# config.yaml
# 默认是OpenAI的地址，可以不设置
llm_base_url: https://dashscope.aliyuncs.com/compatible-mode/v1
# 默认OpenAI的Key，必须设置，可以与上面的llm_base_url同步设置
llm_api_key: sk-xxxxx
# 设置模型名称，默认gpt-4o-mini
best_llm_model: qwen-plus

# 如果使用lstudio提供embedded, 可参考下面配置
# embedding_provider: lmstudio
# embedding_api_key: lm_XXX
# embedding_model: text-embedding-qwen3-embedding-8b

# 如果使用地址访问嵌入模型，可参考下面配置
embedding_base_url: https://dashscope.aliyuncs.com/compatible-mode/v1
embedding_api_key: sk-xxxxx
embedding_model: text-embedding-v4
embedding_dim: 1024

language: zh

3.2 Python使用Memobase

⚠️ Python版本要求：Python>=3.11

pip install memobase

简单示例

from openai import OpenAI
from memobase import MemoBaseClient, ChatBlob

# 1 连接服务器，设置客户端
client = MemoBaseClient(
    # 服务器地址
    project_url="http://192.168.108.147:8019",
    # ACCESS_TOKEN=secret
    api_key="secret"
)
print(client.ping())

# 2 添加用户信息
uid = client.add_user({"name": "Mason"})

# 可以用历史的用户编号查数据
# uid = "0c38e40e-89d0-4b5d-a423-526266abf48e"
print("uid", uid)

# 3 获取用户信息
user = client.get_user(uid)
print("user", user)

# 4 为用户添加记忆信息
message = ChatBlob(messages=[
    {"role": "user", "content": "Hi, I'm here again"},
    {"role": "assistant", "content": "Hi, Mason! How can I help you?"}
])
bid = user.insert(message)
print("bid", bid)

# 5 将用户画像存储人库中
# 更新缓冲区的过程比较慢，可以注释掉
# 如果不刷新缓冲区，不会显示user.profile，也不能搜索记忆消息
# 默认情况，缓冲区数据太多（例如：1024 tokens），或者持续空闲很久（例如：1个小时），系统会自动将缓冲更新到库中
# 设置等待缓冲区执行
user.flush(sync=True)

# 打印用户画像
print(user.profile(need_json=True))


# 6 搜索记忆消息数据
# 语义查询
events = user.search_event("you")
print(events)

# 要点查询
events = user.search_event_gist("you")
print(events)


# 7 获取context
context = user.context()

# 8 使用context应用到对话中

client = OpenAI(
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="sk-XXXX"
)

SYSTEM_PROMPT = f"""You're a helpful assistant.
Your job is to ...

Below is the user's memory:
{context}"""

# 获取值
response = client.chat.completions.create(
    model="qwen-plus",
    messages=[
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user", "content": "Who'am I?s"}
    ]
)

print(response.choices[0].message.content)

3.3 执行结果

查看服务日志

docker logs -f memobase-server-api

Python执行结果

数据库信息

使用DBeaver打开向量数据库