Dify记忆能力实战(下):Mem0插件接入,实现跨会话智能记忆

上篇尝试了Dify内置的两种记忆机制：上下文记忆让AI记住“刚聊了什么”，会话变量让AI记住“用户是什么样的人”。但两者都有一个共同的边界——记忆止步于单次会话，会话结束即清零。

本文正式进入Dify记忆能力的第2阶段：外部持久化记忆，基于Mem0插件实现跨会话、永不过期的智能记忆。笔者采用Mem0官方推荐的轻量私有化部署模式：只需要一个PostgreSQL数据库（带pgvector扩展），加上LLM和Embedding模型的API密钥，在Dify插件里配好JSON即可。不需要部署完整的Mem0 API服务、认证和Dashboard，适合快速上手验证。

1. 安装PostgreSQL + pgvector

Mem0的记忆存储依赖向量数据库。我们使用官方的pgvector/pgvector:pg16镜像，它已经预装了vector扩展，开箱即用。

docker run -d \  --name pgvector-db \  -p 5432:5432 \  -e POSTGRES_USER=postgres \  -e POSTGRES_PASSWORD=postgres \  -e POSTGRES_DB=mem0db \  -v $(pwd)/pgvector_data:/var/lib/postgresql/data \  pgvector/pgvector:pg16

参数解释：

POSTGRES_USER和POSTGRES_PASSWORD：账号密码都设置为postgres；

POSTGRES_DB：自动创建一个名为mem0db的数据库；

-v $(pwd)/pgvector_data：数据持久化到本地目录，防止容器删除后数据丢失；

⚠️ 关键：虽然镜像自带了vector插件，但必须在数据库中手动开启扩展，否则Mem0自动建表时会报错。

docker exec -it pgvector-db psql -U postgres -d mem0db -c "CREATE EXTENSION IF NOT EXISTS vector;"

输出“CREATE EXTENSION”，说明扩展已成功开启。

2. 在Dify中配置Mem0插件

在Dify插件市场中搜索mem0，笔者推荐使用“mem0ai ”插件。它功能最全，提供了包括添加、搜索、更新、删除在内的12项记忆管理工具，并且专门支持私有化部署模式（Self-Hosted Mode）。

🌈 Mem0插件的价值，就在于把“记忆”从黑盒变成了你可以查看、编辑、删除的白盒资产。

笔者下载的插件版本为0.3.1，在插件配置界面中，需要填写LLM配置、向量模型配置、向量数据库配置三个必填项。笔者采用硅基流动的LLM、Embedder模型，向量表的纬度需要和Embedder模型纬度保持一致。

LLM配置

{  "provider": "openai",  "config": {    "model": "Qwen/Qwen2.5-72B-Instruct",    "api_key": "sk-xxx（API秘钥）",    "openai_base_url": "https://api.siliconflow.cn/v1",    "temperature": 0.1,    "max_tokens": 256  }}

向量模型配置

{  "provider": "openai",  "config": {    "model": "BAAI/bge-large-zh-v1.5",    "api_key": "sk-xxx（API秘钥）",    "openai_base_url": "https://api.siliconflow.cn/v1"  }}

向量数据库配置

{  "provider": "pgvector",  "config": {    "connection_string":"postgresql://postgres:postgres@host.docker.internal:5432/mem0db?sslmode=disable&keepalives=1&keepalives_idle=30&keepalives_interval=10&keepalives_count=3&connect_timeout=5",    "collection_name": "mem0",    "embedding_model_dims":1024   }}

⚠️ 注意：Mac上Docker容器内访问宿主机服务，请使用host.docker.internal而非localhost。

保存配置后，如果连接成功，插件状态会自动点亮绿灯。

3. 搭建会话记忆助手

在Dify中创建一个Chatflow（关注本公众号，在后台【私信】中回复“手抄报”，获取本案例DSL），引入mem0ai插件。核心架构如下：

开始节点 → mem0检索节点 → LLM节点 → mem0存储节点 → 回答节点

关键配置：user_id 隔离机制

在测试环境下，如何固定user_id？有两种方式：

方式一（推荐）：在mem0插件的user_id字段中直接填入{{sys.user_id}}。Dify会自动映射当前用户的唯一标识，无论测试还是发布都有效。

方式二：在流水线中自定义一个变量节点A，设置user_id值，然后在插件中填入{{节点A.user_id}}。手动控制更灵活，适合多用户模拟测试。

🧨 排除干扰：为了避免LLM节点自带的上下文记忆干扰测试结果，需要关闭LLM节点的记忆功能。这样每一次提问都是“失忆”状态，AI完全依赖Mem0来回忆——这才是对记忆能力的真正考验。

笔者在记忆相关模块后添加了输出节点，在测试面板中可以直接看到记忆的检索和存储过程。

4. 记忆助手测试

轮次01：保存记忆

告诉聊天助手一些信息：“我叫小明，正在参与一个项目，项目编号是9527。”助手提示记忆写入（Mem0已经将这条信息向量化后存入pgvector）。当前的user_id为a94fb6ae-991c-4c69-86f3-26c94d3fc4c7。

轮次02：查询记忆

问下聊天助手：“我叫什么名字？我参与的项目编号是什么？”助手通过Mem0检索到历史记忆，准确返回了刚才的输入信息。

✅记忆能力验证通过！

5. 记忆落地验证

在终端执行以下命令进入数据库查看原始数据：

docker exec -it pgvector-db psql -U postgres -d mem0db

查询记忆表：

SELECT id, payload FROM mem0;

可以看到表中完整记录了user_id、交互内容、向量嵌入等结构化数据

👏🏻 你的记忆资产，完全掌握在自己手里！

下篇预告：完全体·本地Mem0服务搭建

至此，我们通过“轻量私有化模式”跑通了Mem0插件，实现了Dify的跨会话记忆。但这个方案仍有局限——记忆只服务于当前这一个Dify应用。

如果我有多个Dify应用，或者还有OpenClaw、Hermes等其他Agent框架，它们之间能否共享同一个记忆库？答案是肯定的。

下一篇，我们将基于docker-compose部署完整的Mem0服务，包含：

API服务：统一记忆读写接口

Dashboard：可视化管理所有记忆

持久化存储：一套记忆库，供多个Dify应用、多个Agent框架共享

届时，你的智能体将拥有一套全局统一的记忆系统——无论哪个Agent、哪个应用，都认得你、记得你。敬请期待！