AI 记忆平台 Mem0 近期公开了其核心长效记忆算法的研究成果。实验数据显示，在 LOCOMO 基准测试中，Mem0 的响应准确率比 OpenAI 的内置记忆功能高出 26%，同时由于其「事实化」的检索机制，其 P95 推理延迟降低了 91%，Token 消耗量缩减了 90%。
该算法解决的核心问题是 AI 代理在长周期交互中的「健忘」现象。与单纯扩大 LLM 上下文窗口的暴力路径不同，Mem0 采用了一种两阶段处理管线：在「提取阶段」，系统会从最新对话、滚动摘要和历史记录中提取关键事实；在「更新阶段」，系统通过向量数据库进行比对，执行新增、更新、删除冲突或忽略等操作，确保记忆库的精简与一致。
研究还介绍了一种增强型变体 Mem0ᵍ。该版本引入了图数据库结构，将提取的事实转化为带标签的节点与边，从而捕获多会话间的复杂实体关系。在实际生产环境中，Mem0 能在 0.71 秒内完成从记忆检索到回答生成的全流程，而传统的「全上下文」方法则需要近 10 秒。目前，该研究已被欧洲人工智能会议（ECAI）接收，相关代码已在 GitHub 开源。
mem0.ai
Introducing the token-efficient memory algorithm
Benchmarked across LoCoMo, LongMemEval, and BEAM, achieves competitive accuracy while using under 7,000 tokens per retrieval call. For comparison, full-context approaches on these benchmarks routinely consume 25,000+ tokens per query.
github.com
GitHub - mem0ai/mem0: Universal memory layer for AI Agents
Universal memory layer for AI Agents
3 个帖子 - 3 位参与者