【珍藏】Mem0架构原理解析：构建大模型Agent记忆系统的关键技术点详解

关注

原创最新推荐文章于 2026-09-16 14:53:20 发布 2k 阅读 AI 写同款· GEO 优化 ›

Mem0：LLM个性化、陪伴式开源框架 Mem0 的 LLM 记忆实现方法与检索增强生成 (RAG) 等传统方法相比具有明显优势。与从静态文档中检索信息的 RAG 不同，Mem0 的记忆层可以理解和关联不同交互中的实体，保持上下文连续性并优先考虑相关的最新信息。这种动态更新功能可确保记忆保持最新状态，从而提供针对单个用户交互量身定制的准确响应。记忆层利用多种类型的记忆，例如语义记忆和情景记忆，来创建一个模仿人类记忆过程的强大系统。这包括从交互中推断用户偏好、巩固记忆和动态更新存储的信息。阅读详情

本文深入解析Mem0架构原理，详细拆解其记忆提取、决策与总结的核心流程，揭示图内存存储机制与冲突检测技术。对于希望构建Agent长期记忆系统的开发者，Mem0提供了宝贵的实践参考与最佳经验。通过理解Mem0的设计思路与局限，可助力你打造更完善的记忆系统，为AI Agent赋予人格化与长期记忆能力，让AI从"工具"进化为真正的"智能助手"。

本文主要对Mem0的整体架构和原理进行分析。

个人认为Mem0中的核心理念是实现完整长期记忆系统路上不可缺少的内容，所以对其的学习理解是搭建完整Agent记忆系统实践前应该做的。

Mem0工作架构原理

这张图来自于Mem0团队发布的论文，主要对Mem0的核心实现逻辑进行了说明，这里我们对它进行拆解：

Extraction Phase：

该模块主要作为“记忆提取器”，通过和用户最新的交互，提取可能作为新记忆信息，提取出来作为Raw Memories给到后续模块

通过接收Agent和用户的Message，收集最近的"M"条的Message作为New Memories的上下文窗口，并将这段New Memories提取到Update Phase
Update Phase：

该模块主要作为“记忆决策机”，对接收到Raw Memories进行判定，并对记忆的处理进行决策：增删改查。

Update Phase接收到提取出来的Raw Memories后，该模块还会从Database检索出"S"个最相似、最具关联性的历史记忆，并通过一个"tool call"的机制，将New Memories和历史记忆进行比对，并交由大模型决策New Memories的结果：增删改或者无操作。

NOOP：用于新记忆不需要修改至Database。
DELETE：用于删除与新记忆相矛盾的记忆。
UPDATE：用于补充、扩充现有记忆。
Add：用于当历史记忆与新记忆完全不同时，创建新记忆。

此后，对New Memories的决策将直接Update到Database。

这里需要注意，整个模块的所有决策，都直接由LLM自行进行决策，Mem0没有给产品化的处理设计，而是由LLM整体处理。

Others：

除了这个核心链路之外，Mem0的这套架构还设计了一个独立、异步运行的Summary Generator，用于结合记忆提取器中提取到的短期记忆和长期记忆——为对话中的工作记忆提供长期记忆的输入。换句话说，这个设计为Agent在工作中可以引用长期记忆的输入，为Agent提供更多工作输入参考，比如结合用户偏好进行结果交付。

上文提到的"M"和"S"，在Mem0的论文中有说到他们的最佳实践：M = 10, S = 10。

除此之外，他们引入的所有LLM均为GPT - 4o-mini，他们的向量数据库也采用了密集嵌入技术，以便在Update阶段进行更加高效的相似性搜索。

图内存

Mem0整体存储机制使用的是“图内存”，即知识图谱的形式，通过实体和关系链接，用一个可视化的“图”来存储和管理记忆。

在Extraction 和 Update阶段，Mem0架构由LLM将Message，或者说Raw Memories处理为“实体”和“关系”。并且在Update阶段，会通过冲突检测和解决机制将New Memories整合到现有的知识图谱。

这种基于图的记忆方式，可以有效捕捉、存储和检索自然语言交互中的上下文信息。在这个框架中，Memories被标记为一个有向标记图G = (V, E, L)，其中：

V - 代表实体（比如人名、地名）
E - 代表关系（比如“住在”）
L - 代表节点指定语义类型（比如 Alice - 人, San_Francisco - 城市）

每个实体节点包含三个部分：

实体类型分类：用于对实体进行分类（如任务、地点、实践）
嵌入向量：用于捕捉实体的语义
元数据：包括创建时间戳

在Extraction阶段，采用了两个阶段对Message进行处理：

Entity Extractor：实体提取模块。这个模块将会处理输入的文本，并将其识别为实体，如上文，实体代表对话中的关键信息元素，包括人、地点、对象、概念、事件和属性，这些都会被识别成为实体并在记忆图中进行表示。实体提取器通过分析对话中的元素的语义重要性、唯一性和持久性来识别和区分这些不同的实体。

比如，在关于旅游计划的对话中，实体可能包括目的地（城市、国家）、交通方式、日期、活动、偏好等等。
Relations Generator：关系生成器。这个模块将会在前一步识别出来的实体之间建立有意义的联系。这个模块同样也会基于LLM模块对提取的实体以及其在对话中的上下文进行分析，并基于此确定语义上的重要联系：对于每个潜在的实体，生成器都会评估是否存在有意义的关系链接。如果有关系，将会用“住在”、“拥有”、“发生”等标签，对关系进行分类。

这个模块Mem0做了一些prompt的设计，引导LLM对对话中的显性陈述和隐性信息进行推理，从而生成完整的知识图谱。
对于每个新的关系组，生成器都会计算与新实体相似度超过了阈值"t"的现有节点，并根据现有节点的存在情况，系统可以通过创建多个节点、或者只创建一个节点、又或者基于现有节点将新实体容纳至知识图谱中。

冲突机制

为了保证记忆的可用性、或者说知识图谱的一致性，Mem0设计了冲突检测机制：当有新关系出现时，这个机制会识别和现有关系可能存在的冲突点。

随后，通过Update Resolver来决定最终关系的兼容——哪些关系应该被淘汰、标记为无效的。

记忆检索

Mem0的记忆检索方式，采用了两条途径：

基于实体的检索：首先识别出查询中的关键实体，然后利用语义相似性来定位到知识图谱中的相应节点。
关系组检索：作为补充，将整个查询编码为一个密集的嵌入向量，然后将这个嵌入向量与知识图谱中的进行匹配查找。
总结

Mem0的结构设计比较清晰，了解它的实现原理和结构设计对于长期记忆的了解学习非常重要，其中的实验策略以及一些最佳实践的数据也是在长期记忆事件过程中非常重要的输入和参考。

但是个人从产品角度来讲，其中部分逻辑处理得比较简单，例如整个冲突机制，Mem0都是直接交给LLM进行处理，并没有考虑做产品化的处理；包括在整体记忆系统的设计广度也有所缺失，整个系统还是围绕核心的短期记忆到长期记忆的处理链路进行设计，并没有从一个完整的记忆系统角度进行设计，以及长期记忆系统在Agentic角度如何进行作用也没有更多探讨。此外，记忆处理过程中的时间因素、更新机制等，没有更多的产品化设计，全部交由LLM会过于黑盒。

个人认为长期记忆系统是Agentic实现的核心模块，实现了完整的记忆系统，才可以搭建一个有人格化挂载、长期记忆、主动交互的Agentic AI。基于记忆系统，我们可以给Agent挂载人格化设定（例如性格、角色、性格特征），可以实现长期记忆、还可以进一步做更多的主动交互能力，让Agent不再是“碰一下动一下”的工具，而是有着性格和记忆的一个助手。