使用Mem0构建具备持久记忆能力的AI智能体
2025-07-08 11:37:29作者:魏献源Searcher
项目概述
Mem0是一个提供持久记忆能力的AI服务,通过与OpenAI Agents SDK集成,开发者可以创建具备记忆功能的AI智能体。本文将详细介绍如何使用Mem0为AI智能体添加记忆能力,使其能够记住过往对话并根据上下文提供更精准的响应。
核心优势
Mem0为AI智能体带来的核心价值包括:
- 上下文感知:智能体可以记住用户偏好和历史对话
- 长期记忆:信息存储不受单次会话限制
- 精准检索:基于语义搜索快速定位相关记忆
- 多用户隔离:支持为不同用户维护独立的记忆空间
环境准备
安装依赖
首先需要安装必要的Python包:
pip install mem0ai pydantic openai-agents
配置API密钥
将Mem0 API密钥设置为环境变量:
export MEM0_API_KEY="your_mem0_api_key"
或者在Python代码中直接设置:
import os
os.environ["MEM0_API_KEY"] = "your_mem0_api_key"
架构设计
Mem0集成架构包含三个核心组件:
- 上下文管理器:定义用户上下文信息
- 记忆工具集:实现记忆的增删改查功能
- 记忆智能体:配置了记忆工具的主智能体
详细实现步骤
1. 导入依赖库
from __future__ import annotations
import os
import asyncio
from pydantic import BaseModel
from mem0 import AsyncMemoryClient
from agents import (
Agent,
ItemHelpers,
MessageOutputItem,
RunContextWrapper,
Runner,
ToolCallItem,
ToolCallOutputItem,
TResponseInputItem,
function_tool,
)
2. 定义记忆上下文模型
使用Pydantic定义用户上下文模型:
class Mem0Context(BaseModel):
user_id: str | None = None
3. 初始化Mem0客户端
client = AsyncMemoryClient(api_key=os.getenv("MEM0_API_KEY"))
4. 实现记忆工具
添加记忆
@function_tool
async def add_to_memory(
context: RunContextWrapper[Mem0Context],
content: str,
) -> str:
"""
将信息存入Mem0
参数:
content: 需要存储的内容
"""
messages = [{"role": "user", "content": content}]
user_id = context.context.user_id or "default_user"
await client.add(messages, user_id=user_id)
return f"已存储信息: {content}"
搜索记忆
@function_tool
async def search_memory(
context: RunContextWrapper[Mem0Context],
query: str,
) -> str:
"""
在Mem0中搜索记忆
参数:
query: 搜索查询词
"""
user_id = context.context.user_id or "default_user"
memories = await client.search(query, user_id=user_id, output_format="v1.1")
results = '\n'.join([result["memory"] for result in memories["results"]])
return str(results)
获取全部记忆
@function_tool
async def get_all_memory(
context: RunContextWrapper[Mem0Context],
) -> str:
"""从Mem0获取所有记忆"""
user_id = context.context.user_id or "default_user"
memories = await client.get_all(user_id=user_id, output_format="v1.1")
results = '\n'.join([result["memory"] for result in memories["results"]])
return str(results)
5. 配置记忆智能体
memory_agent = Agent[Mem0Context](
name="记忆助手",
instructions="""你是一个具备记忆能力的智能助手,可以:
1. 使用add_to_memory存储新信息
2. 使用search_memory搜索已有信息
3. 使用get_all_memory检索所有存储的信息
当用户提问时:
- 如需存储信息,使用add_to_memory
- 如需搜索特定信息,使用search_memory
- 如需查看所有存储内容,使用get_all_memory""",
tools=[add_to_memory, search_memory, get_all_memory],
)
6. 实现主运行循环
async def main():
current_agent: Agent[Mem0Context] = memory_agent
input_items: list[TResponseInputItem] = []
context = Mem0Context()
while True:
user_input = input("请输入消息(输入'quit'退出): ")
if user_input.lower() == 'quit':
break
input_items.append({"content": user_input, "role": "user"})
result = await Runner.run(current_agent, input_items, context=context)
for new_item in result.new_items:
agent_name = new_item.agent.name
if isinstance(new_item, MessageOutputItem):
print(f"{agent_name}: {ItemHelpers.text_message_output(new_item)}")
elif isinstance(new_item, ToolCallItem):
print(f"{agent_name}: 正在调用工具")
elif isinstance(new_item, ToolCallOutputItem):
print(f"{agent_name}: 工具调用输出: {new_item.output}")
else:
print(f"{agent_name}: 跳过项目: {new_item.__class__.__name__}")
input_items = result.to_input_list()
if __name__ == "__main__":
asyncio.run(main())
使用场景示例
存储信息
用户: 记住我最喜欢的颜色是蓝色
智能体: 正在调用工具
智能体: 工具调用输出: 已存储信息: 最喜欢的颜色是蓝色
智能体: 我已将您最喜欢的颜色是蓝色存入记忆,以后会记住这个信息。
搜索记忆
用户: 我最喜欢什么颜色?
智能体: 正在调用工具
智能体: 工具调用输出: 最喜欢的颜色是蓝色
智能体: 根据之前的对话,您最喜欢的颜色是蓝色。
检索所有记忆
用户: 你了解我哪些信息?
智能体: 正在调用工具
智能体: 工具调用输出: 最喜欢的颜色是蓝色
生日是3月15日
智能体: 根据我们的对话记录,我知道:
1. 您最喜欢的颜色是蓝色
2. 您的生日是3月15日
高级配置
自定义用户ID
可以为不同用户指定不同的ID,维护独立的记忆空间:
context = Mem0Context(user_id="user123")
最佳实践
- 记忆组织:将相关信息分组存储,便于后续检索
- 定期清理:对于不再相关的记忆可以定期清理
- 隐私保护:敏感信息存储前应考虑加密处理
- 记忆验证:关键信息可设计二次确认机制
总结
通过Mem0与OpenAI Agents SDK的集成,开发者可以轻松为AI智能体添加强大的记忆能力。这种能力使得智能体能够提供更加个性化、上下文相关的服务,显著提升用户体验。本文详细介绍了从环境配置到实际应用的完整流程,开发者可以根据实际需求进行调整和扩展。
登录后查看全文
热门项目推荐
- QQwen3-Omni-30B-A3B-InstructQwen3-Omni是多语言全模态模型,原生支持文本、图像、音视频输入,并实时生成语音。00
community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息010GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0274get_jobs
💼【AI找工作助手】全平台自动投简历脚本:(boss、前程无忧、猎聘、拉勾、智联招聘)Java01Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
152
1.97 K

deepin linux kernel
C
22
6

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
486
37

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
315
10

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
191

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
991
395

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
193
276

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
937
554

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
69