AI 「记忆皮层」
digoal约 9 分钟本文不仅有概念，更有 Claude Code CLI 整合实战 + PGVector 向量库配置全流程
如果你用过 Claude Code、Cursor 或任何 AI 编码助手，你一定遇到过这个场景：你花了半小时跟它讨论清楚项目的架构设计，它给出了完美的方案。关掉终端，第二天重新打开，它完全不记得你们昨天聊了些什么。
这不是你的问题。这是 AI 的「失忆症」 。
而 Mem0 —— Y Combinator S24 孵化的开源项目——就是来治这个病的。本文不讲空话，带你从概念到实操，亲手把记忆层装进你的 AI 工作流。
一、先跑起来：一条命令搭建 Mem0 服务
在开始任何整合之前，你需要一个 Mem0 服务。最简单的方式是通过 Docker Compose 一键启动，它包含了 Mem0 API 服务 + PostgreSQL/PGVector 向量数据库 + 管理面板：
# docker-compose.yaml
services:
mem0:
build:.
ports:
-"8888:8000"
depends_on:
postgres:
condition:service_healthy
postgres:
image:pgvector/pgvector:pg17
environment:
POSTGRES_PASSWORD:mem0_secret
ports:
-"8432:5432"
healthcheck:
test:["CMD-SHELL","pg_isready -q -d postgres -U postgres"]
mem0-dashboard:
build:./dashboard
ports:
-"3000:3000"
# 一键启动
cd server && docker compose up -d
# 验证服务
curl http://localhost:8888/health
# → {"status":"ok"}
此时你已经拥有了：
Mem0 API → http://localhost:8888PGVector → localhost:8432（用户名postgres，密码mem0_secret）管理面板 → http://localhost:3000
二、Python 实操：用 PGVector 做记忆存储
Mem0 默认使用 Qdrant 做向量存储。但我们换成 PGVector（PostgreSQL + pgvector 插件），因为大多数团队已经在用 PostgreSQL，不需要额外维护一套向量数据库。
2.1 配置 PGVector 向量存储
from mem0 import Memory
from mem0.configs.base import MemoryConfig
config = MemoryConfig(
vector_store={
"provider": "pgvector",
"config": {
"dbname": "postgres",
"collection_name": "my_memories",
"embedding_model_dims": 1536, # OpenAI text-embedding-3-small 的维度
"user": "postgres",
"password": "mem0_secret",
"host": "localhost",
"port": 8432,
"hnsw": True, # 启用 HNSW 索引加速搜索
}
},
llm={
"provider": "openai",
"config": {
"model": "gpt-4.1-nano-2025-04-14",
"temperature": 0.1
}
},
embedder={
"provider": "openai",
"config": {
"model": "text-embedding-3-small"
}
}
)
memory = Memory(config)
这段配置做了什么？
连接 PostgreSQL（带 pgvector 插件） 自动创建 my_memories表，包含id UUID、vector vector(1536)、payload JSONB三列自动创建 HNSW 索引，实现毫秒级近似最近邻搜索 使用 OpenAI 的 embedding 模型将文本转为 1536 维向量
2.2 写入记忆
# 添加一条简单记忆
memory.add(
"用户 digoal 喜欢 PostgreSQL，尤其擅长分区表和并行查询优化",
user_id="digoal",
metadata={"source": "chat", "topic": "database"}
)
# 从对话中添加记忆
memory.add([
{"role": "user", "content": "我平时用 Debian 系统，开发 Go 和 Rust 项目"},
{"role": "assistant", "content": "好的，我记住了你的技术栈偏好"}
], user_id="digoal")
2.3 搜索记忆
# 语义搜索——自动向量化查询文本并执行余弦距离排序
results = memory.search(
"用什么数据库系统？",
user_id="digoal",
limit=5
)
for r in results["results"]:
print(f"[{r['score']:.2f}] {r['memory']}")
# 输出: [0.92] 用户 digoal 喜欢 PostgreSQL，尤其擅长分区表和并行查询优化
底层发生了什么？ Mem0 的 PGVector 驱动会生成这样的 SQL：
SELECTid, vector <=> $1::vector AS distance, payload
FROM my_memories
ORDERBY distance
LIMIT5;
<=> 是 pgvector 提供的余弦距离运算符。HNSW 索引让这个查询在百万级数据上也能在个位数毫秒内完成。
2.4 高级过滤
# 带 metadata 过滤的搜索
results = memory.search(
"数据库优化技巧",
user_id="digoal",
filters={"source": "chat", "topic": "database"},
threshold=0.7# 只返回相似度 > 0.7 的结果
)
# 时间感知搜索——自动优先返回近期记忆（新算法特性）
results = memory.search(
"当前正在做什么项目？",
user_id="digoal",
limit=3
)
# 自动识别时间相关的查询，优先返回近期记忆
2.5 查看底层数据
# 直接连到 PostgreSQL 查看原始数据
psql -h localhost -p 8432 -U postgres -d postgres
SELECT id, payload->>'memory' AS memory,
payload->>'user_id' AS user_id,
created_at
FROM my_memories \gx
输出示例：
-[ RECORD 1 ]--------------------------------------
id | a1b2c3d4-...
memory | 用户 digoal 喜欢 PostgreSQL，尤其擅长分区表
user_id | digoal
created_at | 2026-07-25T12:34:56
三、进阶：直接调用 PGVector 驱动
如果你想脱离 Mem0 的 Memory 类，直接使用底层的 PGVector 驱动做向量操作，也是支持的：
from mem0.vector_stores.pgvector import PGVector
store = PGVector(
dbname="postgres",
collection_name="custom_vectors",
embedding_model_dims=768, # 可以用更小的模型
user="postgres",
password="mem0_secret",
host="localhost",
port=8432,
hnsw=True,
)
# 插入自定义向量
store.insert(
vectors=[[0.1, 0.2, ...]], # 768 维向量
payloads=[{"text": "自定义数据"}],
ids=["uuid-here"]
)
# 搜索
results = store.search(
query="test",
vectors=[0.1, 0.2, ...],
top_k=10,
filters={"source": "custom"}
)
如果你的数据量极大（千万级以上），还可以启用 DiskANN 索引——微软提出的磁盘友好型 ANN 算法，比 HNSW 更省内存：
config = MemoryConfig(
vector_store={
"provider": "pgvector",
"config": {
...
"diskann": True, # 启用 DiskANN 替代 HNSW
}
}
)
需要先安装 vectorscale PostgreSQL 扩展。
四、重磅实操：整合 Claude Code CLI
这是本文最实用的部分——把 Mem0 作为 Claude Code 的「长期记忆」 。只需要三个步骤。
4.1 安装 Mem0 MCP 服务器
Claude Code 支持 MCP（Model Context Protocol），Mem0 提供了现成的 MCP 服务器。
先在 Claude Code 中运行：
/plugin marketplace add mem0ai/mem0
/plugin install mem0@mem0-plugins
这会安装三样东西：
MCP 服务器 — Claude Code 通过它调用 Mem0 API 生命周期钩子 — 自动捕获对话中的关键信息 Mem0 SDK 技能 — 让 Claude 知道如何使用 Mem0
4.2 配置 API Key
# 注册并获取 API Key（5 秒搞定）
mem0 init --agent --agent-caller claude-code
# 如果是人类用户
mem0 init --email [email protected]
Key 会被写入 ~/.mem0/config.json，同时导出为环境变量：
export MEM0_API_KEY="m0-your-api-key"
4.3 运行 Onboarding 向导
在新的 Claude Code 会话中执行：
/mem0:onboard
向导会自动：
验证 API Key 和 MCP 连接 检测并导入项目文件（ CLAUDE.md、AGENTS.md、.cursorrules）安装编码优化的记忆分类体系 显示你的身份和环境信息
4.4 日常使用：记忆随行
安装完成后，Claude Code 会自动管理记忆，无需手动干预。你也可以主动操作：
# 让 Claude 记住重要信息
/mem0:remember "这个项目使用 pnpm workspace 管理 monorepo，测试框架是 vitest"
# 搜索之前记住的内容
/mem0:search "测试框架"
# 查看所有记忆
/mem0:tour
# 查看统计
/mem0:stats
# 健康检查
/mem0:health
4.5 实际效果演示
来看一个真实场景。假设你在维护一个大型 monorepo：
第一轮对话：
你：这个项目的前端用的是什么框架？
Claude：我来看一下... 项目用的是 Next.js 14 + React 19，样式方案是 TailwindCSS。
你：记住这些信息。
第二轮对话（新的会话）：
你：我们项目的技术栈是什么？
Claude：根据 Mem0 中的记忆，这个项目使用 pnpm workspace 管理 monorepo，
前端是 Next.js 14 + React 19 + TailwindCSS，测试框架是 vitest。
没有 Mem0 的情况下，第二段对话 Claude 会完全失忆。有了 Mem0，跨会话上下文保持得像没有断过一样。
4.6 底层：MCP 协议怎么工作
Mem0 的 MCP 服务器暴露了 9 个工具：
add_memory | |
search_memories | |
get_memories | |
get_memory | |
update_memory | |
delete_memory | |
delete_all_memories | |
delete_entities | |
list_entities |
生命周期钩子自动在三个时机触发：
SessionStart — 加载之前的记忆作为引导上下文 UserPromptSubmit — 将相关记忆注入提示词 Stop — 提醒智能体在会话结束时持久化新学到的信息
五、实战：用 Claude Code + Mem0 做 AI 客服
我们用一个完整的 Python 示例来展示如何构建一个带长期记忆的 AI 客服机器人，后端使用 Mem0 + PGVector：
import os
from datetime import datetime
from openai import OpenAI
from mem0 import MemoryClient # 使用云平台版本
# 初始化 Mem0 和 OpenAI
client = MemoryClient(api_key=os.environ["MEM0_API_KEY"])
llm = OpenAI()
classSupportBot:
"""带记忆的客服机器人"""
defhandle_ticket(self, customer_id: str, issue: str) -> str:
# 1. 检索客户历史
history = client.search(
issue,
user_id=customer_id,
limit=10
)
# 2. 检查是否有相似历史问题
similar = [m for m in history if m.get("score", 0) > 0.8]
context = (
f"Previous similar issue: {similar[0]['memory']}"
if similar else"No previous similar issues found."
)
# 3. 生成带上下文的回复
prompt = f"Customer context:\n{context}\n\nNew issue: {issue}"
response = llm.chat.completions.create(
model="gpt-4.1-nano",
messages=[{"role": "user", "content": prompt}]
).choices[0].message.content
# 4. 存储这次交互
client.add([
{"role": "user", "content": f"Issue: {issue}"},
{"role": "assistant", "content": response}
], user_id=customer_id, metadata={
"category": "support_ticket",
"timestamp": datetime.now().isoformat()
})
return response
# 使用
bot = SupportBot()
reply = bot.handle_ticket("cust_001", "我无法登录账号，提示 2FA 验证失败")
流程示意图：
用户提问 → 搜索历史记忆 → 构建上下文 → LLM 回复 → 存储新记忆 → 返回
↑ ↓
PGVector 向量检索 PostgreSQL 持久化
六、性能基准：PGVector vs 其他方案
Mem0 团队公开的性能数据，使用 PGVector + HNSW 索引：
得益于 2026 年 4 月的新算法，每次检索只需 一次 LLM 调用（旧算法需要多次调用），整体延迟从 2-3 秒降至 0.88-1.09 秒：
| 92.5 | ||||
| 94.4 | ||||
| 64.1 |
常见问题
Q: PGVector 和 Qdrant 怎么选？
A: 已经在用 PostgreSQL → 选 PGVector，减少运维复杂度。专门做向量搜索且数据量极大（亿级）→ Qdrant 或 Pinecone。中小规模场景 PGVector 完全够用。
Q: Claude Code 整合后，记忆存在哪里？
A: 默认存在 Mem0 云平台（通过 MCP 服务器）。如果想自托管，可以配置自建 Mem0 服务器 + PGVector，修改 MCP 配置指向你的服务器地址即可。
Q: 多用户隔离怎么做？
A: Mem0 通过 user_id、agent_id、run_id 三个维度做隔离。不同用户的记忆互不可见。在 Claude Code 中，每个项目和分支自动使用不同的命名空间。
Q: 记忆会不会无限膨胀？
A: 新算法采用「单次 ADD 只增不删」模式，但你可以通过 API 设置过期时间、定期清理旧记忆或按 user_id 限制记忆总数。
最后
Mem0 解决的不只是一个技术问题，它代表了一个趋势： 在模型能力趋同的今天，决定 AI 应用体验上限的是基础设施——而记忆层就是其中最关键的一块。
本文所有代码都来自真实可运行的项目。无论你是：
Python 开发者 —— 用三行代码给你的应用加上记忆 Claude Code 用户 —— 装一个插件解决跨会话失忆 架构师 —— 用 PGVector 复用现有 PostgreSQL 基础设施
Mem0 都给出了开箱即用的方案。
项目地址：github.com/mem0ai/mem0
官方文档：docs.mem0.ai
自我托管：cd server && docker compose up -d
研究论文：mem0.ai/research