Узнать больше · Присоединиться к Discord · Демо

📄 Бенчмарки токен-эффективного алгоритма памяти Mem0 →

Новый алгоритм памяти (апрель 2026)

Все бенчмарки выполняются на одной и той же стеке моделей, репрезентативном для продакшена. Однопроходный поиск (один вызов, без агентных циклов).

Что изменилось: - Однопроходное ADD-только извлечение -- один вызов LLM, без UPDATE/DELETE. Воспоминания накапливаются, ничего не перезаписывается. - Факты, сгенерированные агентом, -- первоклассные -- когда агент подтверждает действие, эта информация теперь сохраняется с равным весом. - Связывание сущностей -- сущности извлекаются, векторизуются и связываются между воспоминаниями для усиления поиска. - Многосигнальный поиск -- семантический, ключевой (BM25) и по сущностям оцениваются параллельно и объединяются. - Временной разум -- временно-осведомленный поиск, который ранжирует правильный экземпляр с правильной датой для запросов о текущем состоянии, прошлых событиях и предстоящих планах.

Смотрите руководство по миграции для инструкций по обновлению. Фреймворк оценки открыт, чтобы любой мог воспроизвести цифры.

Ключевые результаты исследований

• 91.6 на LoCoMo -- +20 пунктов по сравнению с предыдущим алгоритмом
• 94.8 на LongMemEval -- +27 пунктов, с +53.6 по воспоминаниям ассистента
• 64.1 на BEAM (1M) -- оценка памяти в масштабе продакшена при 1M токенах
• Прочитайте полную статью

Введение

Mem0 ("mem-zero") наделяет ИИ-ассистентов и агентов интеллектуальным слоем памяти, обеспечивая персонализированные ИИ-взаимодействия. Он запоминает предпочтения пользователей, адаптируется к индивидуальным потребностям и непрерывно учится с течением времени — идеально подходит для чат-ботов поддержки клиентов, ИИ-ассистентов и автономных систем.

Основные возможности и области применения

Ключевые функции: - Многоуровневая память: Бесшовное сохранение состояния пользователя, сессии и агента с адаптивной персонализацией - Дружелюбность к разработчикам: Интуитивный API, кроссплатформенные SDK и полностью управляемый сервисный вариант

Применения: - ИИ-ассистенты: Согласованные, контекстно насыщенные беседы - Поддержка клиентов: Вспоминание прошлых обращений и истории пользователя для индивидуальной помощи - Здравоохранение: Отслеживание предпочтений и истории пациента для персонализированного ухода - Продуктивность и игры: Адаптивные рабочие процессы и среды на основе поведения пользователя

🚀 Краткое руководство

Регистрация как агент

ИИ-агенты могут получить рабочий ключ API Mem0 за менее чем пять секунд — без электронной почты, без панели управления, без одноразового пароля. Четыре команды от начала до конца:

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

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

# 3. Добавление воспоминания
mem0 add "I am using mem0"

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

Человек-владелец может позже забрать учетную запись с помощью mem0 init --email <его-почта> — тот же ключ, воспоминания сохраняются. Полное руководство: Регистрация как агент.

Просто тестируете? Используйте библиотеку. Создаете для команды? Самостоятельный сервер. Хотите ноль операций? Облако.

Библиотека (pip / npm)

pip install mem0ai

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

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

Установите sdk через npm:

npm install mem0ai

Самостоятельный сервер

Примечание: Аутентификация самостоятельного сервера включена по умолчанию. Обновляетесь с версии без аутентификации? Установите ADMIN_API_KEY, зарегистрируйте администратора через мастер или AUTH_DISABLED=true только для локальной разработки. Смотрите заметки об обновлении.

# Рекомендуется: одна команда — запуск стека, создание администратора, выдача первого API-ключа.
cd server && make bootstrap

# Вручную: запуск стека и завершение настройки через мастер в браузере.
cd server && docker compose up -d    # http://localhost:3000

Смотрите документацию самостоятельного сервера для конфигурации.

Облачная платформа

1. Зарегистрируйтесь на Платформе Mem0
2. Внедрите слой памяти через SDK или API-ключи
3. Используете хостинговые Qdrant-векторы? Смотрите руководство по миграции на платформу для их импорта в Mem0 Platform.

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 полной справки по командам.

Навыки агентов

Научите вашего ИИ-ассистента для программирования (Claude Code, Codex, Cursor, Windsurf, OpenCode, OpenClaw и любой инструмент, поддерживающий стандарт навыков) создавать проекты с Mem0. Две категории:

Справочные навыки — всегда активны (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 пайплайна — выполняются по запросу (запускают полный рабочий процесс 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, чтобы подключить Mem0 к существующему репозиторию через пайплайн с приоритетом тестов, затем /mem0-test-integration для проверки. Используйте /mem0-oss-to-platform для миграции существующего проекта с Mem0 OSS на хостинговый Platform SDK. Смотрите каталог навыков или Вайб-кодинг с Mem0 для полной картины.

Основное использование

Mem0 требует работы LLM, по умолчанию используется gpt-5-mini от OpenAI. Однако поддерживается множество других LLM; подробности смотрите в нашей документации по поддерживаемым LLM.

Mem0 использует по умолчанию модель эмбеддингов text-embedding-3-small от OpenAI. Для наилучших результатов при гибридном поиске (семантический + ключевые слова + повышение важности сущностей) мы рекомендуем использовать как минимум Qwen 600M или аналогичную модель эмбеддингов. Подробности конфигурации смотрите в разделе Поддерживаемые эмбеддинги.

Первый шаг — создание экземпляра 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:
    # Retrieve relevant memories
    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"])

    # Generate Assistant response
    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-5-mini", messages=messages)
    assistant_response = response.choices[0].message.content

    # Create new memories from the conversation
    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()

Подробные шаги интеграции смотрите в разделах Быстрый старт и Справочник API.

🔗 Интеграции и демо-примеры

• ChatGPT с памятью: Персонализированный чат на базе Mem0 (Демо-версия)
• Расширение для браузера: Хранение памяти в ChatGPT, Perplexity и Claude (Расширение для Chrome)
• Поддержка Langgraph: Создание бота для клиентов с помощью Langgraph + Mem0 (Руководство)
• Интеграция с CrewAI: Настройка результатов CrewAI с помощью Mem0 (Пример)

📚 Документация и поддержка

• Полная документация: https://docs.mem0.ai
• Сообщество: Discord · X (ранее Twitter)
• Контакты: founders@mem0.ai

Цитирование

У нас есть статья, которую можно процитировать:

@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}
}

⚖️ Лицензия

Apache 2.0 — подробности смотрите в файле LICENSE.