Skip to main content
Glama
mem0-memory
by Dr-Vah

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):

  1. 本地部署 Mem0(第三方 OpenAI 兼容 API + 本地 Qdrant 向量库 + 本地 SQLite 历史库)

  2. 封装了命令行工具 mem0_cli.py(增/查/列/删)

  3. 封装了 MCP 工具(mem0_search / mem0_add / mem0_list / mem0_delete),让 AI 能主动调用

  4. 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

mem0ai、fastmcp(及其依赖)

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

mem0_config.py

配置文件:API key、模型名、请求地址、存储路径

mem0_cli.py

命令行工具:add / search / list / delete

mem0_mcp_server.py

MCP server:暴露 mem0_search / mem0_add / mem0_list / mem0_delete

SKILL.md

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 fastmcp

4.3 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

  1. embedding 维度必须匹配:embedding_model_dims 写错会导致写入/检索报维度错误。

  2. 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。

  3. 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)。

  4. 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。

  5. 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…

    Related MCP Connectors

    Related MCP Servers