mem0-memory
This server does not currently have a deployable release on Glama. Follow the repository's setup instructions to install and configure it for your MCP client, including any required credentials and local dependencies.
Mem0 记忆服务 —— 部署与复现说明
本说明介绍如何在本地部署 Mem0(AI 记忆层),让 AI 具备跨会话的持久记忆能力,并通过命令行工具、MCP 工具、全局技能三种方式调用。
1. 这是什么
Mem0 是一个开源记忆层,为 AI 提供"记住用户偏好、事实、习惯,跨会话不遗忘"的能力。它本身不做对话,而是:
写入:把对话中值得记住的事实/偏好,用 LLM 自动提炼、向量化后存进本地向量库
检索:用自然语言检索已有记忆,供 AI 在回答时参考
本项目完成的事(已全部落地并验证):
本地部署 Mem0(第三方 OpenAI 兼容 API + 本地 Qdrant 向量库 + 本地 SQLite 历史库)
封装了命令行工具
mem0_cli.py(增/查/列/删)封装了 MCP 工具(
mem0_search/mem0_add/mem0_list/mem0_delete),让 AI 能主动调用写了全局技能
SKILL.md,告诉 AI 何时该查/写记忆
Related MCP server: agent-memory
2. 环境依赖
项 | 要求 |
操作系统 | Windows(PowerShell) |
Python | 3.12(建议用 conda 环境) |
第三方 API | 需提供 OpenAI 兼容 接口,且同时具备 LLM(对话)和 Embedding(向量)两个接口 |
Python 包 |
|
第三方 API 的两个接口缺一不可:LLM 用于提炼事实,Embedding 用于向量检索。很多服务只有对话接口,没有 Embedding,这类服务不能直接用。
3. 文件清单
文件 | 作用 |
| 配置文件:API key、模型名、请求地址、存储路径 |
| 命令行工具:add / search / list / delete |
| MCP server:暴露 mem0_search / mem0_add / mem0_list / mem0_delete |
| 全局技能说明(告诉 AI 何时调用记忆) |
4. 部署步骤
4.1 创建并激活 conda 环境
# 示例:创建一个名为 NL 的环境(名字可自定义)
conda create -n NL python=3.12 -y
conda activate NL后续所有命令里的
python都指这个环境里的解释器。若没有激活环境,就用它的完整路径,例如D:\py\NL\python.exe。
4.2 安装依赖
pip install mem0ai fastmcp4.3 填写配置
打开 mem0_config.py,修改这几项:
API_KEY = "你的key" # 必填,你的第三方 key
BASE_URL = "https://你的地址/v1" # 你的第三方请求地址
LLM_MODEL = "你的对话模型名" # 例如 deepseek-chat
EMBED_MODEL = "你的embedding模型名" # 例如 text-embedding-3-small重点:embedding_model_dims 要改成你 embedding 模型的向量维度。
"vector_store": {
"provider": "qdrant",
"config": {
"path": os.path.join(DATA_DIR, "qdrant"),
"embedding_model_dims": 2048, # ← GLM-Embedding-3 是 2048;换模型要改
},
},常见的 OpenAI 系 embedding 是 1536(text-embedding-3-small)或 3072(text-embedding-3-large)
本项目用的 GLM-Embedding-3 是 2048
不确定维度时,可以先用一句代码测:
len(openai_client.embeddings.create(model=..., input="hi").data[0].embedding)
4.4 验证(命令行)
# 写入一条记忆
python mem0_cli.py add --user-id alice "用户喜欢用 Python 写代码"
# 检索
python mem0_cli.py search --user-id alice "用户喜欢什么语言"
# 列出全部
python mem0_cli.py list --user-id alice写入后能看到 "event": "ADD" 的结果,检索能返回对应记忆,即说明配置成功。
5. 配置 MCP(让 AI 主动调用)
以 Trae 为例,在 MCP Servers 设置界面,粘贴以下 JSON(把 python 路径换成你自己的):
{
"mcpServers": {
"mem0-memory": {
"command": "D:\\py\\NL\\python.exe",
"args": [
"d:\\Trae CN\\projects\\mem0_mcp_server.py"
]
}
}
}command:你的 conda 环境 Python 解释器完整路径args:mem0_mcp_server.py的绝对路径
保存并重启后,MCP 列表应出现 mem0-memory,含四个工具:mem0_search / mem0_add / mem0_list / mem0_delete。
MCP 工具对 AI 是"始终可见"的,AI 遇到涉及用户偏好、个性化推荐、个人背景的任务时会主动调用——这比技能按需加载更可靠。
6. 安装全局技能(可选)
把 SKILL.md 放到全局技能目录,AI 就能按需加载它作为补充说明,以 Trae 为例:
%userprofile%\.trae-cn\skills\mem0-memory\SKILL.md(Windows 下 %userprofile% 即 C:\Users\你的用户名,需手动创建 mem0-memory 子文件夹。)
7. 关键注意事项
embedding 维度必须匹配:
embedding_model_dims写错会导致写入/检索报维度错误。第三方 API 要有 Embedding 接口:没有就换服务,或 LLM 用第三方 + Embedding 用本地 Ollama。
记忆按 user_id 隔离:查/写都要指定
--user-id(CLI)或user_id(MCP,默认Dr_Vah,可改)。遥测已默认禁用:
mem0_config.py里已设MEM0_TELEMETRY=False,避免命令被 PostHog 超时拖慢,不要删掉这行。数据存本地:向量库和历史库都在脚本同目录的
.mem0/文件夹里,删除该文件夹即清空记忆。
8. 常见问题
Q:add 返回 {"results": []}?
A:通常是"该内容已存在"(去重)或 embedding 维度不匹配。先用 list 确认是否已存在,再核对 embedding_model_dims。
Q:search/list 报 use filters={'user_id': ...}?
A:mem0 新版把 user_id 参数改成了 filters={"user_id": ...},本项目的脚本已经按新写法写好了,直接用它即可。
Q:运行报 Storage folder ... already accessed by another instance?
A:有另一个进程正在用同一个 .mem0 目录(比如上一个命令还没退出)。关掉占用进程再跑即可。这是 Qdrant 本地模式的限制,不支持并发访问。
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
Cross-tool persistent memory and context for AI assistants over MCP.
Persistent memory for AI agents to retain, retrieve, and recall conversation context through MCP.
Persistent personal memory for AI assistants — save, search, and recall across every MCP client.
Shared long-term memory vault for AI agents with 20 MCP tools.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceProvides long-term memory for AI agents via MCP tools to store, recall, and delete memories, with per-user scoping and usage limits.AGPL 3.0
- AlicenseAqualityBmaintenanceEnables agents to manage persistent long-term memory through MCP tools for searching, adding, updating, giving feedback, and forgetting memories, with automated pipelines for redaction, distillation, and reconciliation.13MIT
- FlicenseNot gradedqualityDmaintenanceEnables each user to have a private, per-user memory store that persists across AI tools, allowing them to store, recall, search, list, and delete memories via MCP.-
- AlicenseAqualityCmaintenanceEnables LLM agents to persist, search, update, forget, summarize, and manage user cognitive memories through MCP tools.7MIT