Mem0 — универсальный слой памяти для AI-агентов (Mem0)

Обзор и основные возможности

Mem0 — это современное решение для создания персонализированных AI-систем с долгосрочной памятью. Фреймворк решает критическую проблему в разработке AI: без памяти ассистенты не могут вспомнить контекст предыдущих взаимодействий, что снижает качество обслуживания и пользовательский опыт.

Ключевые особенности

• Многоуровневая память — система поддерживает три уровня памяти: память пользователя (долгосрочные предпочтения), память сессии (контекст текущего разговора) и память агента (состояние системы). Каждый уровень адаптируется к конкретным сценариям использования.
• Интеллектуальный поиск — гибридный поиск, объединяющий семантическое сопоставление, BM25 ключевое словосочетание и привязку к сущностям для более релевантных результатов.
• Временное мышление — система учитывает время при поиске информации, отранжируя нужный экземпляр для запросов о текущем состоянии, прошлых событиях и будущих планах.
• Привязка сущностей — сущности извлекаются, кодируются и связываются между воспоминаниями для улучшения поиска и логической связности памяти.
• Developer-friendly API — интуитивный API, кроссплатформенные SDK для Python и JavaScript, полностью управляемый облачный сервис.
• Гибкие модели LLM — поддержка множества языковых моделей от OpenAI, Anthropic, Google, Together AI и других провайдеров.

Применение в реальных сценариях

• AI-ассистенты и чат-боты — создание согласованных, контекстных диалогов с полной историей взаимодействия пользователя.
• Система поддержки клиентов — вспоминание прошлых обращений, истории покупок, предпочтений для предоставления персонализированной помощи.
• Здравоохранение — отслеживание истории пациента, предпочтений лечения и медицинских рекомендаций для персонализированного ухода.
• Продуктивность и игры — адаптивные рабочие процессы и игровые окружения, которые учитывают поведение и предпочтения пользователя.
• Автономные агенты — системы, которые запоминают выполненные действия, результаты и планы для продолжения работы в следующих сессиях.

Новый алгоритм памяти (апрель 2026)

В апреле 2026 года команда Mem0 выпустила революционный алгоритм памяти, который значительно улучшил производительность и эффективность системы. Новый подход показывает впечатляющие результаты на стандартных бенчмарках в индустрии.

Результаты бенчмарков

Все бенчмарки выполняются на одном и том же стеке моделей, репрезентативном для продакшена. Однопроходный поиск (один вызов, без циклов агентов) с бюджетом поиска top_200. Оценки отражают управляемую платформу Mem0, которая включает собственные оптимизации, недоступные в SDK с открытым исходным кодом; пользователи открытого исходного кода должны ожидать схожих, но не идентичных улучшений.

Ключевые улучшения алгоритма

• Однопроходное ADD-only извлечение — один вызов LLM без UPDATE/DELETE операций. Воспоминания накапливаются; ничто не перезаписывается, что обеспечивает полную историю и избегает потери информации.
• Факты, созданные агентом, — первоклассный ресурс — когда агент подтверждает действие, эта информация сохраняется с равным весом к другим памятям, обеспечивая последовательность и достоверность.
• Привязка сущностей — сущности извлекаются, кодируются в векторное пространство и связываются между воспоминаниями для повышения релевантности поиска и логической связности.
• Многосигнальный поиск — семантический поиск, BM25 ключевое словосочетание и сопоставление сущностей оцениваются параллельно и объединяются для более качественных результатов.
• Временное мышление — поиск с учётом времени, который ранжирует нужный дату для запросов о текущем состоянии, прошлых событиях и будущих планах.

Результаты исследований

• 92.5 на LoCoMo — улучшение на 21 пункт по сравнению с предыдущим алгоритмом
• 94.4 на LongMemEval — улучшение на 27 пунктов с 98.2 на вспомнении памяти ассистента
• 64.1 на BEAM (1M) — оценка памяти в масштабе продакшена при 1M токенов

Полная исследовательская работа доступна на сайте mem0.ai/research. Фреймворк оценки доступен с открытым исходным кодом, позволяя каждому воспроизвести эти результаты.

Установка и начало работы

Mem0 предлагает несколько способов начать работу в зависимости от ваших потребностей: библиотека для разработки, самостоятельно размещённый сервер для корпоративных систем или облачная платформа для production-использования.

Быстрый старт для агентов (без регистрации)

AI-агенты могут создать рабочий API-ключ Mem0 менее чем за пять секунд без email, без дашборда, без OTP. Всего четыре команды от начала до конца:

// 1. Установка
npm install -g @mem0/cli      // или: pip install mem0-cli

// 2. Регистрация как агента (замените `claude-code` на ваше имя)
mem0 init --agent --agent-caller claude-code

// 3. Добавить воспоминание
mem0 add "I am using mem0"

// 4. Поиск
mem0 search "am I using mem0"

Владелец-человек может позже заявить об учётной записи с помощью `mem0 init --email <their-email>` — тот же ключ, воспоминания сохраняются. Полное руководство: Sign up as an agent.

Варианты развёртывания

Установка библиотеки (Python)

Для базовой установки используйте pip:

pip install mem0ai

Для расширенного гибридного поиска с BM25 ключевым словом и извлечением сущностей установите с поддержкой NLP:

pip install mem0ai[nlp]
python -m spacy download en_core_web_sm

Установка SDK (JavaScript/Node.js)

npm install mem0ai

Самостоятельный сервер

Примечание: Аутентификация самостоятельного сервера включена по умолчанию. Если вы обновляетесь с версии до аутентификации, установите переменную окружения `ADMIN_API_KEY`, зарегистрируйте администратора через мастер или установите `AUTH_DISABLED=true` только для локальной разработки. См. заметки об обновлении.

// Рекомендуется: одна команда — запустить стек, создать администратора, выпустить первый API-ключ.
cd server && make bootstrap

// Вручную: запустить стек и завершить настройку через браузерный мастер.
cd server && docker compose up -d    // http://localhost:3000

See the self-hosted docs for full configuration options.

Облачная платформа

1. Зарегистрируйтесь на Mem0 Platform
2. Встройте слой памяти через SDK или API-ключи
3. Если вы используете размещённые векторы Qdrant? Смотрите руководство миграции платформы для импорта в Mem0 Platform

Использование и примеры

Интерфейс командной строки (CLI)

Управляйте воспоминаниями из терминала:

npm install -g @mem0/cli   // или: pip install mem0-cli

mem0 init
mem0 add "Prefers dark mode and vim keybindings" --user-id alice
mem0 search "What does Alice prefer?" --user-id alice

Смотрите документацию CLI для полного справочника команд.

Базовое использование на Python

Mem0 требует LLM для функционирования, с `gpt-4-mini` от OpenAI в качестве по умолчанию. Однако он поддерживает множество LLM; для деталей смотрите нашу документацию поддерживаемых LLM.

Mem0 использует `text-embedding-3-small` от OpenAI в качестве модели встраивания по умолчанию. Для лучших результатов с гибридным поиском (семантический + ключевое слово + улучшение сущности) рекомендуется использовать по крайней мере Qwen 600M или сравнимую модель встраивания. Смотрите Поддерживаемые встраивания для деталей конфигурации.

Первый шаг — создать экземпляр памяти:

from openai import OpenAI
from mem0 import Memory

openai_client = OpenAI()
memory = Memory()

def chat_with_memories(message: str, user_id: str = "default_user") -> str:
    # Получить релевантные воспоминания
    relevant_memories = memory.search(query=message, filters={"user_id": user_id}, top_k=3)
    memories_str = "\n".join(f"- {entry['memory']}" for entry in relevant_memories["results"])

    # Сгенерировать ответ ассистента
    system_prompt = f"You are a helpful AI. Answer the question based on query and memories.\nUser Memories:\n{memories_str}"
    messages = [{"role": "system", "content": system_prompt}, {"role": "user", "content": message}]
    response = openai_client.chat.completions.create(model="gpt-4-mini", messages=messages)
    assistant_response = response.choices[0].message.content

    # Создать новые воспоминания из разговора
    messages.append({"role": "assistant", "content": assistant_response})
    memory.add(messages, user_id=user_id)

    return assistant_response

def main():
    print("Chat with AI (type 'exit' to quit)")
    while True:
        user_input = input("You: ").strip()
        if user_input.lower() == 'exit':
            print("Goodbye!")
            break
        print(f"AI: {chat_with_memories(user_input)}")

if __name__ == "__main__":
    main()

Для подробных шагов интеграции смотрите Quickstart и API Reference.

Навыки агента (Agent Skills)

Научите вашего AI-помощника по кодированию (Claude Code, Codex, Cursor, Windsurf, OpenCode, OpenClaw и любой инструмент, поддерживающий стандарт навыков) работать с Mem0. Две категории:

Справочные навыки — всегда включены

Знание SDK загружается в контекст ассистента:

npx skills add https://github.com/mem0ai/mem0 --skill mem0
npx skills add https://github.com/mem0ai/mem0 --skill mem0-cli
npx skills add https://github.com/mem0ai/mem0 --skill mem0-vercel-ai-sdk

Навыки конвейера — запуск по требованию

Выполнение конца-в-конец рабочего процесса в существующем репозитории:

npx skills add https://github.com/mem0ai/mem0 --skill mem0-integrate
npx skills add https://github.com/mem0ai/mem0 --skill mem0-test-integration
npx skills add https://github.com/mem0ai/mem0 --skill mem0-oss-to-platform

Используйте `/mem0-integrate` для подключения Mem0 к существующему репозиторию через конвейер first-test, затем `/mem0-test-integration` для проверки. Используйте `/mem0-oss-to-platform` для миграции существующего проекта из Mem0 OSS на размещённую платформу SDK. Смотрите каталог навыков или Vibecoding with Mem0 для полной картины.

Интеграции и демонстрации

ChatGPT с памятью

Персонализированный чат, работающий на Mem0. Живая демонстрация показывает, как система запоминает предпочтения пользователя и использует их для более релевантных ответов.

Расширение для браузера

Сохраняйте воспоминания в ChatGPT, Perplexity и Claude. Chrome Extension позволяет использовать Mem0 прямо в вашем браузере без дополнительной настройки.

Langgraph поддержка

Создавайте чат-ботов для клиентов с Langgraph + Mem0. Руководство показывает пошаговую интеграцию обоих инструментов для создания мощного решения с памятью.

CrewAI интеграция

Адаптируйте выходные данные CrewAI с помощью Mem0. Пример демонстрирует, как использовать Mem0 для сохранения результатов работы агентов CrewAI и их переиспользования в будущих задачах.

Варианты развёртывания и архитектура

Выбор правильного варианта для вашего проекта

Только тестирование? Используйте библиотеку. Она идеально подходит для быстрого прототипирования и экспериментов. Требует только `pip install mem0ai` и API-ключ от LLM-провайдера.

Строите для команды? Самостоятельный сервер. Вы получаете полный контроль над данными, развёртыванием и безопасностью. Docker Compose упрощает развёртывание, включая дашборд и управление API-ключами.

Хотите zero-ops? Облачная платформа. Mem0 управляет всеми операционными аспектами, масштабированием и резервными копиями. Платформа включает все расширенные функции и рекомендуется для production-систем.

Миграция между вариантами

Mem0 поддерживает миграцию между разными вариантами развёртывания:

• OSS-to-Platform — Руководство миграции показывает, как перенести ваши данные из самостоятельного сервера на управляемую платформу.
• OSS v2-to-v3 — Руководство миграции помогает обновиться на новый алгоритм памяти с улучшенной производительностью.

Часто задаваемые вопросы

Полезные ссылки и поддержка

• Полная документация — docs.mem0.ai содержит полное руководство по установке, конфигурации, интеграциям и API.
• Живая демонстрация — mem0.dev/demo позволяет вам испытать Mem0 в действии без установки.
• GitHub репозиторий — github.com/mem0ai/mem0 содержит исходный код, issues и discussions.
• Сообщество Discord — mem0.dev/DiG — активное сообщество разработчиков, где можно получить помощь и обсудить проекты.
• Официальная платформа — app.mem0.ai — управляемая облачная платформа для production-использования.
• Контакт — founders@mem0.ai для вопросов и предложений сотрудничества.
• X (Twitter) — @mem0ai для последних новостей и обновлений.
• Исследовательская статья — mem0.ai/research содержит подробное описание нового алгоритма и бенчмарков.
• Фреймворк оценки — github.com/mem0ai/memory-benchmarks позволяет воспроизвести результаты исследований.

Цитирование

Если вы используете Mem0 в своём исследовании, пожалуйста, цитируйте:

@article{mem0,
  title={Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory},
  author={Chhikara, Prateek and Khant, Dev and Aryan, Saket and Singh, Taranjeet and Yadav, Deshraj},
  journal={arXiv preprint arXiv:2504.19413},
  year={2025}
}