我要认证
2025-12-27 阅读量：220
用过AI模型的人会发现一个糟心问题，就是AI特别健忘，聊了好几次的话题，换个会话就全忘了，之前说过的偏好也记不住，甚至还会前后矛盾。
这其实都是因为大模型有个固定上下文窗口的限制，就像大脑内存不够，没法长期存东西，想让它当靠谱的长期伙伴根本不现实。
所以，Mem0.ai研究团队开源了一个增强AI的超长记忆内存框架Mem0，专门解决AI健忘的问题。
不只是基础版，还有个增强版Mem0g，靠更聪明的记忆方式，让AI能动态记下来对话里的关键信息，尤其是对于开发超长流程的智能体帮助巨大。
咱先简单说下为啥AI记忆不好这个事。AI的记忆全靠那个固定的上下文窗口，就像一个临时记事本，只能记有限的内容。
就算是现在最牛的模型，能存上千万tokens的Gemini，也只是记事本大点，没解决根本问题。实际用的时候，要么是聊的时间长了，内容超了窗口记不住；要么是聊天话题跳来跳去，关键信息混在一堆无关内容里，AI根本找不到。
比如你跟AI说过自己是素食主义者，不吃乳制品，结果过两天再问晚餐推荐，它可能给你推荐鸡肉料理，完全忘了之前的话。
Mem0.ai直接搞了两个互补的架构，Mem0主打高效实用，Mem0g则更擅长处理复杂关系，不管是简单聊天还是复杂推理，都能覆盖到。
Mem0的工作逻辑特别好理解，就像咱们跟人聊天时，一边听一边记重点，还会定期整理笔记。它主要分两步走，提取和更新。
提取阶段就是抓重点，每次你和AI聊完一轮，它就把这轮对话当成一个信息单元，再结合之前的聊天摘要和最近的几条消息，从里面挑出关键信息。
比如你说“周末要去上海出差”，它就会把周末、上海、出差这些核心信息提取出来。
而且它还会定期更新聊天摘要，保证记的都是最新的内容，不会因为信息太旧出错。
更新阶段就是整理笔记，避免记重或者记混。它会把新提取的信息，和之前存的记忆对比，看看该怎么处理。
要是之前没记过，就新增一条；要是有补充信息，就更新原来的；要是发现矛盾，就删掉错的；
要是信息重复，就不用管。整个过程不用额外训练什么模型，全靠LLM自己判断，又快又准。
Mem0g是在Mem0的基础上升级来的，它不只是记单个信息点，还会把信息之间的关系也记下来，就像给每个知识点都画了张思维导图。
会把聊天里的关键信息拆成“实体”和“关系”，比如“小明住在北京”，就会拆成“小明”、“北京”这两个实体，还有“住在”这个关系，然后用图的形式存起来。
这样一来，AI想找信息的时候，不仅能直接找到单个知识点，还能顺着关系网找到相关的内容。
比如你问“小明周末要去哪”，AI不仅能调出“小明周末去上海出差”，还能关联到“上海是出差地点”、“出差时间是周末”这些相关信息，回答起来更全面。
而且找信息的时候有两种方式，既可以直接找关键实体，也能整体匹配相关内容，不管是具体问题还是宽泛的疑问，都能应对。
研究团队在LOCOMO数据集上做了全面测试，还和六大类主流方案对比，结果真的很亮眼。
这个数据集挺有代表性的，包含10个长对话，每个对话平均有600轮，26000个tokens，还有200个测试问题，涵盖了简单查询、复杂推理、时间相关、开放域等多种情况，能全面考验AI的记忆能力。
测试下来，Mem0和Mem0g在大多数问题上都排第一。单跳问题比如“小明周末要去哪”，Mem0表现最好，关键信息一抓一个准；
多跳问题需要整合多个会话的信息，Mem0也能轻松搞定；时间相关的问题比如“小明上次出差是什么时候”，Mem0g因为能理清时间关系，表现更突出；开放域问题虽然Zep稍微领先一点，但Mem0g也差得不多。
更难得的是，它们不仅记的准，还不费资源。Mem0的响应延迟特别低，比全上下文方法快了91%，记一个对话平均只需要7ktokens，而Zep要600k，差了快90倍。
而且Mem0g虽然功能更强，延迟和tokens消耗也只是稍微增加，完全在可接受范围内。
对比现在常用的RAG方法和全上下文方法，优势也很明显。RAG方法会提取大段文本，里面有很多没用的信息，AI找重点很费劲，而Mem0系列只记关键信息，又快又准；
全上下文方法虽然偶尔能记对更多内容，但延迟高、耗资源，长期用根本不现实，Mem0系列则实现了性能和效率的平衡。
目前，Mem0在github已获得超44K星，非常受欢迎，并且还获得过每日最佳第一名。
开源地址：https://github.com/mem0ai/mem0?tab=readme-ov-file
想系统掌握AI核心技能、获取行业认可资质？
CAIE注册人工智能工程师认证
助你拓宽职业赛道，成为AI领域持证实力派
