Mem0 如何用内置 Graph Memory 完成实体中心与多跳召回

原创2026-09-08 19:14:211,850 阅读
文章标签:人工智能大模型AI AgentAgent 记忆AI 应用后端RAG向量数据库

Mem0 如何用内置 Graph Memory 完成实体中心与多跳召回

如果你的应用要回答“我们关于 Alice 知道什么”这类问题,而相关事实散落在多次不同对话的记忆里,纯向量相似度检索很难把所有相关记忆都拉到前面。Mem0 Platform 的内置 Graph Memory 解决这个问题:每次 add 记忆时,Mem0 自动从记忆中提取实体(人名、地点、组织、概念等专有名词与关键短语)存入图中;搜索时再从查询里提取实体,与图做匹配,把连接到这些实体的记忆在排序中加权。整个过程不需要部署 Neo4j 等外部图库,不需要任何 schema 定义,也无需打开任何开关——它随新算法在所有套餐上自动生效。本文给出在 Mem0 Platform 上跑通“写入 → 实体自动链接 → 实体中心检索”这条路径的完整操作和验证方式。

Mem0 记忆抽取流水线:新增记忆、上下文查找、事实提取、去重与嵌入、实体链接,并写入 SQL、向量与实体存储

先分清两个容易混淆的概念:图中的 graph entities 是从记忆文本里提取出来的人、地点、概念(如 Alice、Acme Corp);而 user_id / agent_id / app_id / run_id 是用于限定记忆范围的 entity IDs。两者无关,后者见 Entity-Scoped Memory。

内置 Graph Memory 的工作机制

Graph Memory 作用于记忆流水线的两个阶段,参考 Graph Memory 文档:

  1. 写入阶段(extraction):每次添加记忆,Mem0 提取其中的实体。每个不同实体只存一次并做向量化,因此“写法不同但指同一对象”的实体也能被匹配。
  2. 共享实体建立连接:同一实体出现在多条记忆中时,这些记忆就通过该实体互相连接,逐渐形成图。连接完全由数据推导,没有关系类型可定义,也不需要手工标注——它不会记录“某人 manages 另一人”这类带类型标签的边,两个实体的关联来自共现。
  3. 检索阶段(retrieval):搜索时 Mem0 从查询中提取实体并在图中匹配,连到这些实体的记忆获得排序加权。该加权与语义(向量)分数、关键词(BM25)分数一起融合进每条结果返回的单一 score。

两点边界需要知道:

  • Graph Memory 影响的是排序,不改变响应结构——搜索结果仍是正常格式加一个融合后的 score,没有单独的图 payload 需要解析。
  • 可用性分两部分:图本身(实体提取、链接、检索加权)对所有套餐自动生效;**交互式 Graph view(dashboard 中的可视化)**仅 Pro 与 Enterprise 套餐开放,可用于浏览实体、追踪记忆连接并搜索过滤整张图。

前提条件

  • 一个 Mem0 Platform 项目的 API key(SDK 示例中的 your-api-key 或 m0-... 需替换为你自己的 key)。
  • Python 环境已安装 Mem0 SDK,能 from mem0 import MemoryClient。
  • 注意适用范围:这是 Mem0 Platform(托管服务) 的能力。How Mem0 Works 明确说明:OSS 检索只按实体重叠做加权,没有 graph memory;本场景的操作路径依赖 Platform。

步骤一:确认客户端可用

先验证连接,再开始写入:

from mem0 import MemoryClient

client = MemoryClient(api_key="your-api-key")  # 替换为你的 Mem0 API key

# 返回项目详情(含 org_id 和 project_id)即连接正常
print(client.project.get())

如果返回 401,按 Entity-Scoped Memory 的说明在 Mem0 dashboard 重新生成 API key。

步骤二:写入会形成实体链接的记忆

用 client.add() 写入记忆。实体提取与链接在写入时自动发生,调用方不需要传任何图相关参数:

# 实体在 add 时自动被提取并链接进图
client.add(
    messages=[
        {"role": "user", "content": "I work at Acme Corp with Alice on the Q1 roadmap"}
    ],
    user_id="jordan",
)

多写几条共享实体的记忆(例如另一条提到 Alice 或 the Q1 roadmap 的记忆),它们就会通过共享实体在图中连起来。user_id、agent_id、app_id、run_id 至少传一个用于限定记忆范围,具体选哪个标识符的说明见 Entity-Scoped Memory。

两个写入注意点(来自 Entity-Scoped Memory):

  • 默认抽取路径下,每条事实归属于说话者:user 消息产生的事实记 user_id,assistant 消息产生的事实记 agent_id,而不是同时带两个字段。
  • 搜索时如果用 {"AND": [{"user_id": ...}, {"agent_id": ...}]} 组合过滤,默认路径写入的记忆会一条都匹配不到;需要两种范围都命中时改用 OR。

步骤三:用实体中心查询验证多跳召回

搜索时使用 client.search()。V3 检索是混合召回:语义、BM25 关键词、实体匹配并行打分后融合,返回的 score 是 [0, 1] 的融合值。关键约束:entity ID 必须放在 filters 对象内部,放在顶层会被 400 拒绝。

# 查询中的实体匹配用于连接并加权相关记忆
results = client.search(
    query="who does jordan work with?",
    filters={"user_id": "jordan"},
)

验证方式与成功条件:

  • 结果按正常格式返回,每条带融合的 score。文档给出的示例输出如下(文档示例,实际数值不同):
{
  "results": [
    {
      "id": "ea925981-272f-40dd-b576-be64e4871429",
      "memory": "Likes to play cricket and plays cricket on weekends.",
      "user_id": "alice",
      "metadata": { "category": "hobbies" },
      "score": 0.82,
      "created_at": "2024-07-26T10:29:36.630547-07:00",
      "categories": ["hobbies"]
    }
  ]
}
  • 判断实体召回是否生效:查询中的实体(如 Alice、jordan)出现在多条彼此不相关的记忆里时,这些记忆应能一起进入结果并靠前排序——这正是 Graph Memory 文档 描述的“查询 Alice 能拉出存放于完全不同记忆中的关于 Alice 的事实”的行为。
  • 在 dashboard → Memories 中确认写入的记忆出现在正确的 user/agent/app/run 维度下(验证步骤来自 Entity-Scoped Memory)。
  • 可选:Pro / Enterprise 套餐可在 dashboard 的交互式 Graph view 中直接浏览实体、追踪记忆连接并对整张图做搜索过滤。

搜索参数与阈值调整

来自 Search Memories API 参考 的默认值:

参数 默认值
top_k 10(范围 1–1000)
threshold 0.1(传 0.0 禁用)
rerank false(传 true 开启,会增加延迟)

如果你是在外部图库旧版基础上升级来的,还有两处迁移相关的事必须处理,见 Platform 迁移指南:

  • enable_graph 参数已从 SDK 移除,发送也会被忽略;非分页 get_all(v1.1 格式)下即使发送 enable_graph=True 也只会得到空的 "relations": [],不会恢复旧行为。
  • 旧外部图库返回的 relations 字段不再填充。如果你的应用在读这个字段,需要改为只依赖融合 score 下的检索结果——实体连接现在体现在排序里,而不是作为单独数组返回。
  • score 的绝对数值因打分方式变化(多信号融合取代纯余弦相似度)而会漂移,相对排序仍可比;应用里有基于阈值过滤的逻辑时,要用代表性查询重新调阈值。

限制与边界

  • 图不含类型化关系:实体之间的连接来自记忆中的共现,而不是声明的标签边,不要假设能查到“Alice 管理 Bob”这类显式关系。
  • 存量记忆不会被重放:迁移到内置图后,旧记忆保持原样,之后新添加的记忆才会进入图(迁移指南 明确 existing memories are not re-processed)。
  • 记忆只增不减:新算法是 ADD-only 抽取,信息更新时新旧事实都保留;记忆数量会随时间增长,需要控制体量时可用过期日期或清理接口。
  • OSS 不适用:开源版检索没有 graph memory,只有实体重叠加权;本场景依赖 Platform。
  • 效果依据:Memory Evaluation 将“跨记忆连接事实”列为 Mem0 在 multi-hop 与 temporal 基准上收益的来源之一(例如 LoCoMo 多跳 91.3),但注意这些分数来自托管平台的生产代表配置,且官方说明开源用户应预期方向相近而非相同数值。

下一步:需要理解混合检索各信号的分工,可继续读 How Mem0 Works;想对多跳查询做回归验证,可参考 Memory Evaluation 中给出的评估框架用法。

登录后查看全文
embedchain