开源项目推荐｜Mem0：给 Agent 加长期记忆前，先定义它该记住什么

开源项目推荐｜Mem0：给 Agent 加长期记忆前，先定义它该记住什么

一个 Agent 能在当前对话中引用上文，不代表它拥有可靠的长期记忆。会话结束后，用户偏好、已经确认的事实和任务进度是否还能被正确找回，决定了助手是每次从零开始，还是能持续提供个性化体验。Mem0 是面向 AI 应用的开源记忆层，可作为应用内库或自托管服务运行，并允许配置模型、Embedding、向量存储和重排组件。真正的工程难点却不是“存进去”，而是定义哪些信息值得记、属于谁、何时删除。

会话历史不等于长期记忆

完整历史适合重放某次会话，却会随着轮次增长而消耗上下文，并夹杂寒暄、错误假设和已经过期的信息。长期记忆更像经过筛选的事实层：用户偏好深色界面、团队使用某种代码规范、某个项目已经选定技术栈。它应从对话中提取少量可复用事实，在新任务到来时按相关性检索，而不是把所有消息重新塞给模型。

DASP 这类持久会话协议解决会话状态、历史和在途输出恢复；Mem0 关注跨会话可检索的长期信息。两者可以配合，但不能相互替代。会话记录是审计与恢复依据，记忆是经过策略处理的派生数据，来源、保留期和删除方式都应单独管理。

先建立“允许记忆”的规则

适合自动记忆的内容通常稳定、低风险且能改善后续体验，例如语言偏好、常用输出格式、明确确认的项目事实。临时情绪、未经确认的推断、一次性验证码、密钥、医疗隐私和高敏感身份信息，不应因为模型判断“有用”就被长期保存。

写入前可以经过四步：判断是否值得跨会话复用；区分用户明确表达与模型推断；附上来源会话、时间和置信度；应用租户、用户、项目和保留期。对模型推断的内容应降低权重或等待用户确认，避免一句含糊表达变成长期事实。

检索比保存更容易出错

记忆系统通常通过语义、关键词或其他信号找回相关事实。相似并不等于适用：同一个用户在工作和个人场景的偏好可能不同，旧项目规则也不能污染新项目。检索必须先做租户、用户和项目等硬过滤，再做相关性排序；返回数量要小，并把来源与时间交给上层判断。

评测不能只问“是否找到了某条记忆”。还要覆盖不该召回的反例、互相冲突的新旧事实、用户改口、多人共享设备和删除后的残留。可以让另一套独立模型帮助判定召回内容是否支持当前回答，但最终应以人工标注、业务规则和用户纠正为准。

更新、过期和遗忘是核心能力

长期记忆会变化。用户从 Python 转向 Go，团队规范升级，地址和角色权限也会更新。系统要区分新增事实、替代旧值和并存的时间记录，不能简单把所有版本混在一起。每条记忆应有创建时间、最后确认时间、来源和状态；超过有效期后降低权重或删除。

用户还需要查看、更正和删除与自己相关的记忆。删除会话时是否同时删除派生记忆，应由清晰的数据策略决定并对用户说明。备份、向量索引和缓存也要进入删除范围，否则界面上“忘记了”，检索层仍可能返回旧内容。

模型与记忆层要解耦

Mem0 的开源方案允许配置 LLM、Embedding、向量库和重排器。应用应记录每条记忆由哪个提取策略产生，并为模型或 Prompt 升级建立回归集。更换模型不应让历史记忆失去所有权边界，也不应在没有评测的情况下批量重写旧事实。

AnyAIS 提供统一模型目录、调用入口与 DASP 会话能力，适合把“生成模型”“持久会话”和“长期记忆”拆成三个可独立演进的层。模型负责理解与回答，DASP 托管当前会话事实，Mem0 类记忆层只保存经过策略批准的跨会话信息。

长期记忆的价值不是让 Agent “什么都记得”，而是在正确身份与场景下，找回少量仍然有效、用户愿意被记住的信息。边界越清楚，个性化才越可信。

参考资料

• [Mem0 开源版概览](https://docs.mem0.ai/open-source/overview)
• [Mem0 GitHub 仓库](https://github.com/mem0ai/mem0)
• [DASP API Reference](https://www.anyais.com/dasp/reference)

如果你正在构建带长期记忆的 Agent，可以先在 AnyAIS 建立可恢复会话，再选择合适模型评估记忆提取与召回质量。