夜雨聆风一句话总结：给 LLM 加「永久记忆」不是玄学，是开源代码能干的事——这是我装完 Mem0 后最想说的一句话。
一、我被自己的 Cursor 忘了 100 次
前天晚上我在 Cursor 里花了 3 小时帮同事改一个 Postgres 连接池的 bug，跟 AI 聊了 200轮，把它从「connection refused」一路陪到「slow query 优化」，中间反复调参、回滚、看慢日志、再调。
第二天晚上我再开 Cursor，新会话。
它上来第一句：「嗨！很高兴见到你。请问你需要什么帮助？」
完蛋了。
3 小时的心血，它一个字不记得。这就是今天每一个 LLM 用户的真实处境——ChatGPT、Claude、Cursor、文心、豆包、清言、星火、通义千问……你跟它建立的所有「关系」，只要你关掉那个 Tab，它就把你当陌生人。
我跟同事吐槽：「这 AI 是不是有'鱼记忆'？」同事一句话给我顶上：「不是它记忆差，是它根本没装记忆。」
顺着这条线索，我挖到了今天的项目——mem0ai/mem0，GitHub 6.2万颗 星，Apache-2.0 协议，Y Combinator S24 批次项目。它给自己起的定位是 「Universal memory layer for AI Agents」——AI Agent 的「永久记忆层」。
为什么会这样？其实不是 LLM 「不行」，是「上下文窗口」有硬上限。GPT-4o 最长 128K token，Claude Sonnet 4.5 给到 200K，听上去多，换算成中文字也就几十万字。你跟 AI 聊三天，消息数轻松破千，把所有对话塞进 prompt 已经不可能——就算塞得下，回答速度也会肉眼可见地变慢，token 账单肉眼可见地变厚。所以 LLM 的「失忆」，本质是工程师的「算账」。
这就引出了 Mem0 的设计前提：与其让 LLM 自己承担「记住一切」的成本，不如把这部分负担外置成一个独立服务——一个为大模型分担「记忆」的中间件，跟数据库一样是无状态的、不属于任何一家模型厂商。这也是它能跑出来 6.2 万颗星的最朴素理由：所有团队都需要，所有模型都不会自动给你。
你以为 AI 在陪你，其实它每次都在重新认识你。
二、3 行代码，让 LLM 不再失忆
Mem0 的核心机制一句话就能讲清楚：把所有 LLM 调用都过一道「记忆层」，自动从对话里提取「值得记住的事实」，存到向量数据库，下次调用前自动把「相关记忆」塞回 prompt。
你不需要改 LLM 调用方，不需要重写 prompt 工程，只要在每次对话前后插 3 行代码：
from mem0 import Memory
m = Memory()
m.add("用户阿风是 OPPO 的 AIGC 算法负责人，常住北京，喜欢山西刀削面", user_id="afeng")
results = m.search("阿风是谁", user_id="afeng")
# 下一轮 LLM 调用时，把 results 拼到 system prompt 里就行
第一行 import。第二行建实例。第三行存记忆——没了。
我下了班以后的凌晨 4 点在我的 Cursor 项目里装了一套，把 200 轮 bug 调试摘要喂进去。第二天再开，AI 第一句直接说「你那个 Postgres connection pool 我看了一下，要不要继续昨天的索引优化？」——我靠，它真的记得了。
Mem0 在 2026 年 4 月份发了 v3 算法，单次 LLM 调用就完成「提取 + 嵌入 + 实体链接」，不再用「update / delete / merge」这种笨重操作。记忆只会累积，不会被覆盖——这跟人类记忆的逻辑更像：你能想起「大学老师说过一句很屌的话」，但你不会去覆盖它。
Mem0 不是 RAG 吗？ 不一样。RAG 是「喂一份文档，让 LLM 找答案」，它对「用户偏好、上下文习惯、跨会话状态」这种结构化的人性化记忆几乎无能为力。Mem0 解决的是 RAG 没解决的那一块——「这个用户是谁、喜欢什么、上次说到哪儿了」。
真正的好工具，是让复杂的事变简单，然后悄悄消失在你工作流里。
三、装上去之后做了什么
装好 Mem0 之后我接着折腾了两件事。
Case 1：跨会话的「用户身份」。Mem0 默认有三个记忆层——User（长期跨会话）、Session（一次会话内）、Agent（特定 Agent 自己的上下文）。我用 user_id 区分我自己和同事，把「常住北京、忌高辣、Cursor 党」这些事实存进 User 层，同事用他自己的 user_id 进来，Mem0 不会把我的口味推送给他。最绝的是，我在客户端里问「我那个 Postgres 项目跑哪个版本」，它直接调出「PostgreSQL 14.13 + pgbouncer 1.22」的快照——这是3 个月前我提过的，被它一直存着。我都没意识到我当初提过这茬。
Case 2：Time-aware 检索。Mem0 v3 加了一个反常识的能力——时间感知检索。你说「我现在用什么 LLM」，它返回的是「最近一次是 Claude Sonnet 4.5」；你说「我去年用什么模型做项目」，它返回的是「2025 年主要用 GPT-4o」。传统 RAG 不分日期，所有 chunk 一起打，问到当前状态经常给你一个旧的答案。Mem0 这一手，相当于给向量数据库加了一个「时间戳字段」——很多老牌向量库其实没这字段，靠元数据勉强补。
至于怎么把 Mem0 挂到 OpenAI / Claude / Ollama / vLLM 调用链上，README 里有 5 个 Quick Start 集成示例，复制粘贴 5 分钟搞定。
四、它背后那 27 分是怎么涨上来的
进阶一点的信息值得多聊 3 句——Mem0 v3 不只是工程活，它把「LLM 记忆」这件事做成了一个评测体系。
四个公开 benchmark 跑下来：LoCoMo 从 71.4 涨到 92.5，LongMemEval 从 67.8 涨到 94.4（其中 assistant memory recall 涨到 98.2），新增 BEAM 1M token 规模拿 64.1。关键改进只有五条：单次 ADD-only 提取、Agent 自身结论一等公民、实体跨记忆链接、语义+关键词+实体多路召回融合、时间感知检索。
这五条背后的判断很反直觉——绝大多数记忆系统的瓶颈不在「存得多」，而在「别乱覆盖」。Mem0 干脆不让你删，记忆只能加。这让我想起一句话：人类记忆也是不可改写的——你记得初恋，不是因为它最新，是因为它在你大脑里被反复重放过，从来没被覆盖掉。
至于他们那条「开源 + 全托管双轨」的策略——托管平台有自己的专有优化比开源 SDK 数字更好，这是 SaaS 项目的标准操作——一句话带过：够用就行，别细究。真正想研究的，去读他们开源在 GitHub 上的 evaluation framework，所有 benchmark 数字都能复现。
五、总结
如果你每天被自己的 AI 助手「失忆」轮番气到，或者你正在做一个需要长期上下文的客服 Agent / 编程 Agent / 个人助理——
那我劝你花 5 分钟装一下 Mem0，真的能解决你问题。
它不性感，但能让你下次再开 Cursor 时，它还记得你昨晚熬到几点。
这就是开源的意义。一群素不相识的人，因为一个共同的痛点——「AI 不该失忆」——造出一个 6.2万颗 星的项目。YC 的 S24 批次里，有一半项目都是给现有 SaaS 加一层 AI 能力，Mem0 是这批里把「基础设施」三个字啃得最透的一个。
如果你看完觉得有收获，点赞、在看、转发三连走一波——这是我这种「工具横评文」作者最大的动力。
GitHub： https://github.com/mem0ai/mem0
Star 数： 6.2万颗 星
License： Apache-2.0
最近更新： 2026-04（新 v3 算法，LoCoMo/LongMemEval 双 benchmark 大涨）
一句话定位： 给所有 AI Agent 加一层「永久记忆」的中间件，3 行代码接入，单次 LLM 调用完成提取。
