Mem0
一句话定义
Mem0 是一个面向生产环境的 AI Agent 长期记忆架构，通过动态提取、整合和检索对话中的关键信息提升 LLM 在长时间对话中的一致性和连贯性，其图形变体 Mem0g 引入有向标记图表示以增强复杂关系建模能力。
摘要
Mem0 由 mem0ai 团队提出，在 ECAI 2026 发表，截至 2026 年 2 月已被引用 222 次，是 Agent Memory 领域影响力最大的工作之一。核心贡献是提出 Mem0 和 Mem0g 两种记忆架构：Mem0 采用”提取-更新”两阶段流水线，用 LLM 从对话中动态捕获事实并维护一致性知识库；Mem0g 在此基础上引入图形记忆表示，将记忆建模为有向标记图（节点=实体，边=关系三元组），在时间推理和开放域任务上表现更优。两者在 LOCOMO 基准上显著优于全上下文方法，同时大幅降低延迟和 Token 消耗。
详情
核心机制 / 工作原理
Mem0 记忆架构——两阶段流水线：
提取阶段： 系统接收一对消息（用户消息和助手响应），利用数据库中的对话摘要和最近消息来建立上下文。将这些信息与新消息对结合，生成一个综合提示，用 LLM 提取重点记忆（候选事实）。
更新阶段： 评估提取的候选事实与现有记忆的一致性，通过 LLM 进行适当的记忆管理操作：
- 添加（Add）：全新的事实，直接入库
- 更新（Update）：已有事实需要修正（如地址变更）
- 删除（Delete）：过时或被否定的事实
- 无操作（No-op）：已有记忆覆盖，无需变更
这种设计确保了知识库的一致性和时间一致性。
Mem0g 图形记忆架构：
在 Mem0 基础上引入有向标记图表示：
- 实体提取模块：识别对话中的关键实体及其类型
- 关系生成模块：通过分析上下文生成实体之间的关系三元组
- 图中每个节点代表一个实体，每条边代表一个关系
- 结构化的图形表示使 Mem0g 能在处理复杂查询时进行更高级的推理
评估与实验
使用 LOCOMO 数据集评估（10 个扩展对话，每个 600 轮、26000 tokens，每个对话附 200 个问题）。
评估指标：F1 分数、BLEU 分数、基于 LLM 的评估方法。
比较了六类基线系统：
- LOCOMO 基准
- 开源记忆解决方案
- RAG 方法
- 全上下文处理
- 专有模型
- 记忆管理平台
关键结果：
- Mem0 在单跳（Single-Hop）和多跳（Multi-Hop）推理任务中表现出色
- Mem0g 在时间推理（Temporal）和开放域（Open Domain）任务中表现出色
- 两者在响应延迟和计算效率方面显著优于全上下文方法
问题类型说明：
- Single-Hop：从单个对话轮次中检索单个事实性信息
- Multi-Hop：从多个对话轮次中合成信息
- Open Domain：结合对话中的信息与外部知识
- Temporal：正确建模对话中事件的时间顺序、持续时间及相对时间关系
应用 / 使用场景
- 个人助手：跨会话保持用户偏好和历史上下文
- 客服系统：记住用户历史问题和解决方案
- 代码 Agent：维护代码库知识和决策历史
局限与争议
- 图形表示增加了存储和计算开销
- 实体提取和关系生成的质量依赖 LLM 能力
- 在极长对话中，图的规模可能膨胀
与其他实体的关系
- Agent-Memory —— Mem0 是 Agent Memory 领域代表性系统之一
- LOCOMO —— Mem0 使用 LOCOMO 数据集进行评估
- RAG —— Mem0 超越了简单 RAG，引入动态记忆管理
- M3-Agent —— 同为记忆系统，M3-Agent 侧重多模态，Mem0 侧重文本对话
参考来源
- Agent-Memory评测全景-基准评估与记忆系统 —— Mem0/Mem0g 架构详解与实验对比