mem0-memory

# mem0 Memory 🧠 — 完整实现（增强版） ## 组件 | 组件 | 技术 | 作用 | |------|------|------| | LLM | MiniMax-M2.7 | 记忆生成与提取 | | Embedder | Ollama `nomic-embed-text` | 本地语义向量化（完全离线） | | 向量库 | Chroma | 本地向量存储 | | Ollama | 开机自启 | 向量服务 | 文件路径：`D:\autoclaw\结果\mem0\` ## 增强功能（参考 bilibili_code 课件） ### chat_with_memories 对话模式 `mem0_wrapper.py chat` 命令实现了完整的记忆增强对话流程： ``` 1. search 检索相关记忆 2. 将记忆注入 system prompt 3. 调用 MiniMax LLM 生成回复 ``` ### 中文记忆提取 内置 FACT_RETRIEVAL_PROMPT，自动将用户对话提取为中文记忆条目。 ### 多级记忆支持 `--run` 参数支持 Session 级别记忆，`--agent` 支持 Agent 级别记忆。 ## 完整 API（10 个命令） ```bash # 增删改查 python D:\autoclaw\结果\mem0\mem0_wrapper.py add <user_id> "<内容>" # 添加记忆（自动提取） python D:\autoclaw\结果\mem0\mem0_wrapper.py search <user_id> "<query>" # 语义搜索 python D:\autoclaw\结果\mem0\mem0_wrapper.py get_all <user_id> # 全部记忆 python D:\autoclaw\结果\mem0\mem0_wrapper.py get <memory_id> # 单条记忆 python D:\autoclaw\结果\mem0\mem0_wrapper.py update <memory_id> "<新内容>" # 更新记忆 python D:\autoclaw\结果\mem0\mem0_wrapper.py delete <memory_id> # 删除记忆 python D:\autoclaw\结果\mem0\mem0_wrapper.py history <memory_id> # 修改历史 # 记忆增强对话（新增） python D:\autoclaw\结果\mem0\mem0_wrapper.py chat <user_id> "<问题>" # 检索+注入+LLM回答 # 重置 python D:\autoclaw\结果\mem0\mem0_wrapper.py delete_all <user_id> # 清空用户记忆 python D:\autoclaw\结果\mem0\mem0_wrapper.py reset # 清空全部记忆（慎用） # 可选参数 --limit N # 限制返回数量（search/chat 默认5） --run <id> # 指定会话ID（session级别记忆） --agent <id> # 指定智能体ID（agent级别记忆） ``` ## 多级记忆架构 ``` mem0 存储层 ├── User Memory（user_id=main_user） ← 跨会话长期记忆 ├── Session Memory（run_id） ← 单会话临时记忆 └── Agent Memory（agent_id） ← 多智能体共享记忆 ``` 当前实现：User Memory（`main_user`），SESSION-STATE.md 作为 Session 层补充。 ## WAL 触发扫描（每消息必做） | 触发类型 | 示例 | 存储 | |---------|------|------| | 偏好 | "我喜欢..." / "不要..." | mem0 add | | 经历 | "我去了..." / "我做过..." | mem0 add | | 重要事实 | "我有..." / "我是..." | mem0 add | | 纠正 | "不是Y，是X" / "其实..." | SESSION-STATE | | 决定 | "就用X" / "去..." | SESSION-STATE + mem0 | | 数字/日期 | 具体数字+单位、日期 | SESSION-STATE | | URL/路径 | 链接、文件路径 | SESSION-STATE | | 专有名词 | 名字、地点、公司、产品 | 判断后存储 | **优先级**：SESSION-STATE > mem0 ## 完整工作流 ### 收到消息时 ``` 扫描类型 ├─ [偏好/经历/事实] → mem0 add ├─ [纠正/决定/数字/URL] → SESSION-STATE.md └─ [闲聊/无价值] → 不存 回复用户 ``` ### 回复后 ``` 上下文使用率 > 60%？ └─ 是 → WORKING-BUFFER.md 激活 ``` ### 截断恢复（下次会话） ``` 1. mem0 get_all → 恢复长期语义记忆 2. mem0 chat → 主动询问是否继续上次任务 3. SESSION-STATE.md → 恢复当前任务状态 4. WORKING-BUFFER.md → 恢复危险区对话 ``` ## 参考资料 - **ZejunCao/bilibili_code**（Mem0框架解读）：https://github.com/ZejunCao/bilibili_code - `mcp_server.py` — FastMCP + mem0 REST 服务架构参考 - `prompts_zh.py` — 中文提示词模板（USER_MEMORY_EXTRACTION_PROMPT 等） - `demo.ipynb` — chat_with_memories 完整流程 - `踩坑记录.md` — OpenMemory 调试踩坑 ## 注意事项 - Ollama 必须后台运行（已设开机自启） - 添加需要 LLM（慢），搜索只需 embedder（快） - SESSION-STATE 优先于 mem0 - 危险操作（reset/delete_all）需要二次确认 - memory_id 是记忆的唯一标识，用于 update/delete/history