Mem0
给 AI 加个记忆层
亦作、亦称：Mem0 Platform · Memory Layer
概述
Y Combinator 孵化的开源项目，为 LLM 应用提供通用、自改进的记忆层（Memory Layer），通过混合数据存储（图数据库 + 向量数据库 + 键值存储）实现跨会话的个性化记忆管理，2026 年 6 月 GitHub Stars 突破 47K，成为最广泛使用的 Agent 记忆方案。
工作原理
Y Combinator 孵化的开源项目，为 LLM 应用提供通用、自改进的记忆层（Memory Layer），通过混合数据存储（图数据库 + 向量数据库 + 键值存储）实现跨会话的个性化记忆管理，2026 年 6 月 GitHub Stars 突破 47K，成为最广泛使用的 Agent 记忆方案。
应用场景
Mem0常见于：AI 研究与产业落地。实际选型需结合业务指标、数据规模与部署约束评估适用性。
局限与误区
围绕 Mem0 的口语化说法（见「常见误解」）常过度简化。效果依赖数据质量、任务匹配与系统整体设计；生产环境应配合评测、监控与人工复核。
背景与发展
Mem0随 AI 研究与工程实践持续演进，定义边界与最佳实践仍在更新。建议结合原始论文、官方文档与本站延伸阅读建立准确认知。
常见误解
日常交流中容易听到的简化说法，未必准确，但能帮助理解误解从何而来。
- 「给 AI 加个记忆层」
- 「让 LLM 记住用户偏好」
相关术语
和本术语关联紧密的其他词条，便于串联理解。
延伸阅读
从知识库精选 2 篇文章，帮助深入理解该术语。
- 1
AI Agent 记忆系统工程：四层架构、Mem0/Zep/Letta/LangMem 生产选型与 2026 最新进展
2026 年 6 月，AI Agent 记忆系统已从「可选插件」升级为「核心基础设施」。Futurum Research 提出四层 Agentic Memory 模型（工作记忆、情景记忆、语义记忆、程序性记忆），Mem0 以 47K+ GitHub Stars 成为最广泛使用的记忆平台，Zep 在时间感知记忆领域领先，Letta 提供自托管控制方案。本文系统讲解 Agent 记忆系统的四层架构设计、五大工具选型对比、遗忘与衰减机制、CAMS 安全模型、以及从原型到生产的完整工程路径。
- 2
Weaviate Engram 深度解析：AI Agent 生产级记忆服务的技术架构与工程实践
2026 年 6 月 15 日，Weaviate 宣布 Engram 正式 GA（General Availability）。Engram 将 Agent 记忆从「自建基础设施」升级为「托管服务」——原始交互通过异步 Pipeline 自动提取、去重、 reconciled，最终以混合检索方式返回结构化记忆。本文从架构设计、Pipeline 机制、权限隔离模型、与 Mem0/Zep/Letta 的对比、到 Python/TypeScript 完整接入代码，系统讲解 Engram 如何成为 Agent 记忆层的生产级解决方案。