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： INLINECODE1
增强功能（参考 bilibili_code 课件）
chatwithmemories 对话模式
mem0_wrapper.py chat 命令实现了完整的记忆增强对话流程：
CODEBLOCK0
中文记忆提取
内置 FACT
RETRIEVALPROMPT，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）
CODEBLOCK1
多级记忆架构
CODEBLOCK2
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
CODEBLOCK3
回复后
CODEBLOCK4
截断恢复（下次会话）
CODEBLOCK5
参考资料
- - ZejunCao/bilibilicode（Mem0框架解读）：https://github.com/ZejunCao/bilibilicode
-
mcp_server.py — FastMCP + mem0 REST 服务架构参考
-
prompts_zh.py — 中文提示词模板（USER
MEMORYEXTRACTION_PROMPT 等）
-
demo.ipynb — chat
withmemories 完整流程
-
踩坑记录.md — OpenMemory 调试踩坑
注意事项
- - Ollama 必须后台运行（已设开机自启）
- 添加需要 LLM（慢），搜索只需 embedder（快）
- SESSION-STATE 优先于 mem0
- 危险操作（reset/deleteall）需要二次确认
- memoryid 是记忆的唯一标识，用于 update/delete/history
技能名称: mem0-memory
详细描述:
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）
chatwithmemories 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
- 将记忆注入 system prompt
- 调用 MiniMax LLM 生成回复
中文记忆提取
内置 FACT
RETRIEVALPROMPT，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）
bash
增删改查
python D:\autoclaw\结果\mem0\mem0
wrapper.py add id> <内容> # 添加记忆（自动提取）
python D:\autoclaw\结果\mem0\mem0wrapper.py search id> # 语义搜索
python D:\autoclaw\结果\mem0\mem0wrapper.py getall # 全部记忆
python D:\autoclaw\结果\mem0\mem0wrapper.py get id> # 单条记忆
python D:\autoclaw\结果\mem0\mem0wrapper.py update id> <新内容> # 更新记忆
python D:\autoclaw\结果\mem0\mem0wrapper.py delete id> # 删除记忆
python D:\autoclaw\结果\mem0\mem0wrapper.py history id> # 修改历史
记忆增强对话（新增）
python D:\autoclaw\结果\mem0\mem0wrapper.py chat id> <问题> # 检索+注入+LLM回答
重置
python D:\autoclaw\结果\mem0\mem0wrapper.py deleteall # 清空用户记忆
python D:\autoclaw\结果\mem0\mem0_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（userid=mainuser） ← 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
- mem0 chat → 主动询问是否继续上次任务
- SESSION-STATE.md → 恢复当前任务状态
- WORKING-BUFFER.md → 恢复危险区对话
参考资料
- - ZejunCao/bilibilicode（Mem0框架解读）：https://github.com/ZejunCao/bilibili
code
- mcp_server.py — FastMCP + mem0 REST 服务架构参考
- promptszh.py — 中文提示词模板（USERMEMORYEXTRACTIONPROMPT 等）
- demo.ipynb — chatwithmemories 完整流程
- 踩坑记录.md — OpenMemory 调试踩坑
注意事项
- - Ollama 必须后台运行（已设开机自启）
- 添加需要 LLM（慢），搜索只需 embedder（快）
- SESSION-STATE 优先于 mem0
- 危险操作（reset/deleteall）需要二次确认
- memory
id 是记忆的唯一标识，用于 update/delete/history
