開源專案 Mem0 獲 6.2 萬星標：為 AI Agent 建立長期記憶層

AI 目前最擅長回答問題，最薄弱之處在於「記憶」——Mem0 正是為解決此一痛點而誕生。

62,353 個星標、Y Combinator S24 出身、Apache 2.0 開源授權——名為 Mem0（讀作 “mem-zero”）的 Python 套件，定位為「Universal memory layer for AI Agents」，亦即為 AI 建立長期記憶層，使其能夠記住使用者的偏好、對話內容與決策紀錄，後續對話毋須從零開始。本文將完整檢視其 README 內容，分析此專案備受關注的原因。

新聞重點速覽

更新頻率：活躍（今日仍有 commit）｜出身：Y Combinator S24 加速器

此專案是什麼？

簡言之：Mem0 是 AI Agent 的「記憶層」，使 AI 具備長期記憶能力。

使用者與 AI 對話時經常遇到以下情境：剛才才表明偏好簡潔的答案、不喜歡 emoji，轉眼間 AI 又詢問「使用者的偏好是什麼？」。原因相當簡單——大語言模型本身並不具備記憶，每次對話皆如同一張白紙，使用者必須重新交代一次背景脈絡。

Mem0 正是位於中間的記憶層：它從對話中抽取重要資訊，將其儲存為「記憶」，在 AI 回應之前先搜尋相關記憶，再納入 context 中使用。使用者只需說明一次「喜歡 dark mode」，此偏好便會被長期記住。

官方列出的應用場景：

• AI 助手：連續、具脈絡的對話
• 客戶支援：記錄客戶先前的查詢與互動歷史
• 醫療健康：追蹤病人偏好與病歷資料
• 生產力與遊戲：依照用戶行為調整工作流程

為何獲得大量星標？

第一，它解決了 AI Agent 最核心的痛點。 目前的 AI Agent 框架（如 CrewAI、LangGraph 等）可以協助建構完整的 workflow，但 Agent 之間以及 Agent 與用戶之間的「記憶」一直是短板。Mem0 正填補此一缺口：它以 User、Session、Agent 三個層級分別記錄資訊，各層級記憶的保存期限亦有明確劃分。

第二，其近期演算法升級具實質成效。 README 中列有一張相當亮眼的 benchmark 表——2026 年 4 月推出的新記憶演算法，在 LoCoMo 基準測試中由 71.4 分提升至 92.5 分，LongMemEval 則由 67.8 分提升至 94.4 分，並新增支援 100 萬 token 規模的 BEAM 基準測試。最值得注意的是，該演算法改為「單次提取、只增不改」的設計，記憶只會累積而不會被覆蓋，再配合實體連結與時間推理機制，記憶既準確又節省 token。

第三，生態系統布局廣闊。 該專案不僅是一個 Python library——尚有 npm 版本、CLI 工具、可透過 Docker 自託管的完整 server、雲端平台，並推出 Agent Skills 可直接安裝至 Claude Code、Cursor、Codex 等 Coding Agent 中使用，連 Vercel AI SDK 亦有官方 provider。使用者從「初步試用」到「正式上線生產」皆有完整的採用路徑。

快速入門

最快的方式是使用 CLI，四條指令即可完成：

npm install -g @mem0/cli        # 或 pip install mem0-cli

mem0 init --agent --agent-caller claude-code   # Agent 身份簽到，5 秒完成
mem0 add "用戶喜歡簡潔答案"
mem0 search "用戶喜歡什麼風格的答案？"

若要在自己的程式碼中使用，Python 的用法如下：

from mem0 import Memory

memory = Memory()

# 記錄用戶說過的話
memory.add("用戶 Alice 喜歡 dark mode", user_id="alice")

# 回答問題前先搜尋相關記憶
results = memory.search("Alice 有什麼偏好？", filters={"user_id": "alice"}, top_k=3)

該工具預設採用 OpenAI 的模型進行提取與 embedding，同時支援多種其他 LLM，亦有 Docker 方案供使用者自行架設。

出處

本文觀察

「實際測試再作評論」 — 已將此專案列入測試清單，將以 Claude Code 實際試用其 Skill。