Mem0：给 AI Agent 装上「长期记忆」
AI Agent 最大的痛点：它会「失忆」
你有没有经历过这样的场景：
和 AI 助手聊了半小时，告诉它你的工作背景、技术栈、项目细节。
第二天再打开对话，它又问：「请问你是做什么的？」
这不是个例，而是 所有 AI Agent 的通病。
为什么会这样？
LLM（大语言模型）天生是无状态的：
- 每次对话都是全新的开始
- 上下文窗口有限（即使 1M 也会用完）
- 无法跨会话保留信息
这对 AI Agent 来说是致命的：
用户：帮我写一个 Python 脚本
Agent：好的，请问你用什么 Python 版本？用户：3.11，我昨天不是说过吗？
Agent：抱歉，我没有之前对话的记录...用户：......
短期记忆 vs 长期记忆
要理解 Mem0 解决的问题，先要区分两种记忆：
短期记忆（Short-term Memory）
定义：当前会话内暂时保存的上下文信息。
特点：
- 会话结束即消失
- 依赖 LLM 的上下文窗口（容量有限）
- 根据使用场景通常取 30-50 轮对话或 整个session上下文
- 无需额外存储
典型场景：
用户：帮我写一个函数
Agent：好的，请告诉我函数的功能
用户：计算斐波那契数列
Agent：好的，这是代码... ← 此时还记得「函数」这个上下文
局限性：
- 新会话 = 从零开始
- 对话太长会「遗忘」早期内容
- 无法跨天、跨设备使用
长期记忆（Long-term Memory）
定义：持久化存储的关键信息，跨会话可用。
特点：
- 永久保存（除非主动删除）
- 独立于 LLM 上下文窗口 （容量理论上无限）
- 需要外部存储（向量数据库）
典型场景：
# 周一的对话
用户：我是 Python 开发者，喜欢用 FastAPI
Agent：好的，我记住了。# 周三的新对话
用户：帮我选一个 Web 框架
Agent：推荐你用 FastAPI，因为你之前说过喜欢它 ← 跨会话记忆
对比总结
| 维度 | 短期记忆 | 长期记忆 |
|---|---|---|
| 生命周期 | 会话期间 | 永久保存 |
| 存储位置 | LLM 上下文窗口 | 向量数据库 |
| 容量 | 有限（几十轮对话） | 理论无限 |
| 检索方式 | 顺序读取 | 语义搜索 |
| 跨会话 | ❌ 不支持 | ✓ 支持 |
| 实现成本 | 零成本 | 需要存储基础设施 |
短期记忆是「临时便签」，长期记忆是「永久笔记本」。
为什么是 Mem0？
Mem0（读作 mem-zero）是一个专为 AI Agent 设计的长期记忆框架。
在阿里云开发者的一篇公众号博文中，提到Mem0 作为一个开源的长期记忆框架，几乎成为事实标准。GitHub 50K+ Star数也是目前开源记忆框架最高的。当然这也是面试中常问的问题，因此有必要从Mem0入手，看看如今的agent memory到底是怎么工作的。
它解决的核心问题：
让 AI Agent 能够跨会话、跨时间记住用户信息，实现真正的个性化交互。
接下来，我将开启一系列的文章，深入 Mem0 源码，围绕记忆是如何添加的、如何搜索的这两大核心问题展开解析。
如果这篇内容对你有帮助，欢迎关注，后续更新不错过～
相关链接：
- GitHub：https://github.com/mem0ai/mem0
- AI Agent 记忆系统：从短期到长期的技术架构与实践：https://mp.weixin.qq.com/s/mftM6jr0YiFxRATeNvm5Qg