Mem0 Memory_AI Agent skill-PHP中文网

Mem0 Memory

Polar Sponsor

爱发电赞助

.NET 9.0

立即下载

mem0 本地记忆层完整实现（增强版），语义记忆存储/检索/管理，WAL 协议，会话状态，多级记忆（用户/会话/代理），参考 ZejunCao/bilibili_code 中 Mem0 框架解读的优化。

mem0 Memory 🧠 — 完整实现（增强版）

功能概述

mem0 Memory 🧠 — 完整实现（增强版）是一项面向实际任务的技能，主要用于MiniMax-M2.7；记忆生成与提取；

核心要点

Embedder；
Ollama nomic-embed-text；
本地语义向量化（完全离线）；

使用与执行

Chroma；本地向量存储；Ollama；文件路径： D:autoclaw结果mem0；增强功能（参考 bilibili_code 课件）；chat_with_memories 对话模式。它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。

结果检查与注意事项

从功能定位来看，该技能强调把分散的操作要求整理成清晰、可复用的处理流程，使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数，再依据技能说明逐步执行；若输入条件不完整，应先补齐信息或采用保守配置，避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期，并对异常提示、缺失字段和边界情况进行处理；涉及批量任务时，还应保存进度，避免中断后重复操作。该技能适合用于一次性任务，也可以接入自动化工作流，与其他技能或上层代理配合完成更完整的业务链路；在组合使用时，应明确每一步的输入输出关系，并避免不同步骤之间出现参数冲突。

mem0 Memory 🧠 — 完整实现（增强版）

组件

组件	技术	作用
LLM	MiniMax-M2.7	记忆生成与提取
Embedder	Ollama `nomic-embed-text`	本地语义向量化（完全离线）
向量库	Chroma	本地向量存储
Ollama	开机自启	向量服务

文件路径：D:autoclaw结果mem0

增强功能（参考 bilibili_code 课件）

chat_with_memories 对话模式

mem0_wrapper.py chat 命令实现了完整的记忆增强对话流程：

1. search 检索相关记忆
2. 将记忆注入 system prompt
3. 调用 MiniMax LLM 生成回复

中文记忆提取

内置 FACT_RETRIEVAL_PROMPT，自动将用户对话提取为中文记忆条目。

多级记忆支持

--run 参数支持 Session 级别记忆，--agent 支持 Agent 级别记忆。

完整 API（10 个命令）

# 增删改查
python D:autoclaw结果mem0mem0_wrapper.py add  "<内容>"              # 添加记忆（自动提取）
python D:autoclaw结果mem0mem0_wrapper.py search  ""          # 语义搜索
python D:autoclaw结果mem0mem0_wrapper.py get_all                  # 全部记忆
python D:autoclaw结果mem0mem0_wrapper.py get                     # 单条记忆
python D:autoclaw结果mem0mem0_wrapper.py update  "<新内容>"     # 更新记忆
python D:autoclaw结果mem0mem0_wrapper.py delete                 # 删除记忆
python D:autoclaw结果mem0mem0_wrapper.py history                # 修改历史

# 记忆增强对话（新增）
python D:autoclaw结果mem0mem0_wrapper.py chat  "<问题>"            # 检索+注入+LLM回答

# 重置
python D:autoclaw结果mem0mem0_wrapper.py delete_all                # 清空用户记忆
python D:autoclaw结果mem0mem0_wrapper.py reset                              # 清空全部记忆（慎用）

# 可选参数
--limit N    # 限制返回数量（search/chat 默认5）
--run   # 指定会话ID（session级别记忆）
--agent  # 指定智能体ID（agent级别记忆）

多级记忆架构

mem0 存储层
├── User Memory（user_id=main_user）  ← 跨会话长期记忆
├── Session Memory（run_id）           ← 单会话临时记忆
└── Agent Memory（agent_id）           ← 多智能体共享记忆

当前实现：User Memory（main_user），SESSION-STATE.md 作为 Session 层补充。

WAL 触发扫描（每消息必做）

触发类型	示例	存储
偏好	"我喜欢..." / "不要..."	mem0 add
经历	"我去了..." / "我做过..."	mem0 add
重要事实	"我有..." / "我是..."	mem0 add
纠正	"不是Y，是X" / "其实..."	SESSION-STATE
决定	"就用X" / "去..."	SESSION-STATE + mem0
数字/日期	具体数字+单位、日期	SESSION-STATE
URL/路径	链接、文件路径	SESSION-STATE
专有名词	名字、地点、公司、产品	判断后存储

优先级：SESSION-STATE > mem0

完整工作流

收到消息时

扫描类型
  ├─ [偏好/经历/事实] → mem0 add
  ├─ [纠正/决定/数字/URL] → SESSION-STATE.md
  └─ [闲聊/无价值] → 不存
回复用户

回复后

上下文使用率 > 60%？
  └─ 是 → WORKING-BUFFER.md 激活

截断恢复（下次会话）

1. mem0 get_all → 恢复长期语义记忆
2. mem0 chat → 主动询问是否继续上次任务
3. SESSION-STATE.md → 恢复当前任务状态
4. WORKING-BUFFER.md → 恢复危险区对话

参考资料

ZejunCao/bilibili_code（Mem0框架解读）：https://github.com/ZejunCao/bilibili_code
- mcp_server.py — FastMCP + mem0 REST 服务架构参考
- prompts_zh.py — 中文提示词模板（USER_MEMORY_EXTRACTION_PROMPT 等）
- demo.ipynb — chat_with_memories 完整流程
- 踩坑记录.md — OpenMemory 调试踩坑