给大模型加上“记忆”，深入探索 Mem0 项目

背景介绍

在之前的软件应用中，我们总会在应用中保留大量的用户历史操作记录，方便用户下次使用时可以快速查看和复用，甚至基于这些用户记录可以为用户提供个性化的服务。而这些记录往往都保存在传统的结构化或非结构化数据库中。

在大模型的应用，特别是助手类的大模型应用中，我们往往需要处理大量语义化的文本或多模态的信息，方便后续快速匹配，从而提供个性化的服务。为了支持这种语义检索的需求，往往会将数据保存至向量数据库中。

向量数据库执行语义检索相对方便，但是包含语义内容的文本管理比较困难，特别是涉及到相关内容的更新和替换。在这种背景下，Mem0 应运而生。Mem0 可以给大模型应用提供智能记忆层，可以记住用户偏好，适应个人需求，并随着时间的推移不断改进，从而方便应用提供更加个性化的体验和服务。

从开源依赖，Github 上的 star 数量一路飙升，截止目前已经 20.6k 的 star 了。

上手体验

Mem0 提供了两种接入方案，一种是使用官方的托管平台，另一种是使用官方提供的 python 依赖包 mem0ai执行。下面以本地依赖包形式了解下 Mem0 的使用。

依赖配置

首先需要通过 pip 安装所需的依赖包:

pip install mem0ai

Mem0 需要依赖大模型才能执行，默认使用的 gpt-4o, 因此需要配置对应的 ChatGPT API 秘钥，需要将秘钥配置至环境变量中:

import os
os.environ["OPENAI_API_KEY"] = "sk-xxx"

动手实践

Mem0 实际使用在大模型应用中，我们主要关注下面的能力：

1. 针对特定用户添加非结构化的文本信息；
2. 特定用户根据查询问题进行文本检索；

针对上面的关注的能力，使用 Mem0 可以简单满足需求：

from mem0 import Memory

# 初始化记忆对象

m = Memory()

# 1. 针对特定用户添加非结构化的文本信息

result = m.add("I am working on improving my tennis skills. Suggest some online courses.", user_id="alice", metadata={
   
   "category": "hobbies"})

# 2. 特定用户根据查询问题进行文本检索

related_memories = m.search(query="What are Alice's hobbies?", user_id="alice"