使用Mem0构建具备持久记忆能力的AI智能体
2025-07-08 22:06:34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
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-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~052CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0331- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
1 freeCodeCamp Cafe Menu项目中link元素的void特性解析2 freeCodeCamp全栈开发课程中React实验项目的分类修正3 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析4 freeCodeCamp课程中屏幕放大器知识点优化分析5 freeCodeCamp课程页面空白问题的技术分析与解决方案6 freeCodeCamp课程视频测验中的Tab键导航问题解析7 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析8 freeCodeCamp博客页面工作坊中的断言方法优化建议9 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析10 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析
最新内容推荐
OMNeT++中文使用手册:网络仿真的终极指南与实用教程 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 Python Django图书借阅管理系统:高效智能的图书馆管理解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 WebVideoDownloader:高效网页视频抓取工具全面使用指南 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源
项目优选
收起

React Native鸿蒙化仓库
C++
179
263

🎉 (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
869
514

openGauss kernel ~ openGauss is an open source relational database management system
C++
130
183

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
295
331

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
333
1.09 K

harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
18
0

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

deepin linux kernel
C
22
5

微信开发 Java SDK,支持微信支付、开放平台、公众号、视频号、企业微信、小程序等的后端开发,记得关注公众号及时接受版本更新信息,以及加入微信群进行深入讨论
Java
829
22

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
601
58