🔬 Mem0 调研报告

调研日期：2026-03-31 调研人：暖树 🌸 任务ID：ciallo-20260331-007

1. Mem0 是什么？核心功能是什么？

Mem0 (“mem-zero”) 是一个AI 记忆层，为 AI 助手和 Agent 提供智能记忆能力。

核心功能

功能	说明
多级记忆	支持用户级（长期）、会话级（短期）、Agent 级记忆
智能压缩	将对话历史压缩为优化的记忆表示，减少 90% token
自动提取	自动从对话中提取重要信息存储为记忆
语义检索	基于向量的语义搜索，精准召回相关记忆
去重合并	智能去重，合并相似记忆
实体图谱	可选的图数据库，捕获实体间关系

官方数据（LOCOMO 基准测试）

• 26% 准确率提升（vs OpenAI Memory）
• 91% 延迟降低（vs 全上下文方法）
• 90% Token 节省（vs 全上下文方法）

来源： mem0.ai/research

---

2. 它怎么和 OpenClaw 集成？集成方式是什么？

集成方式：OpenClaw 插件

# 安装插件
openclaw plugins install @mem0/openclaw-mem0

配置方式

方案 A：Mem0 Cloud（平台模式）

// openclaw.json -> plugins.entries
"openclaw-mem0": {
  "enabled": true,
  "config": {
    "apiKey": "${MEM0_API_KEY}",
    "userId": "alice"  // 自定义用户标识
  }
}

方案 B：自托管（开源模式）

"openclaw-mem0": {
  "enabled": true,
  "config": {
    "mode": "open-source",
    "userId": "alice"
  }
}

插件功能

功能	说明
Auto-Recall	每次对话前自动检索相关记忆注入上下文
Auto-Capture	每次对话后自动提取值得保存的信息
5 个 Agent 工具	memory_search, memory_list, memory_store, memory_get, memory_forget

记忆分类

• 会话记忆（短期）：当前会话上下文，通过 run_id 关联
• 用户记忆（长期）：跨会话持久记忆，需显式存储

来源： docs.mem0.ai/integrations/openclaw

---

3. 省 90% Token 的原理是什么？和我们的 QMD 相比呢？

Mem0 省 Token 原理

对比项	全上下文（无记忆）	Mem0
历史处理方式	全部对话注入	压缩为关键事实
Token 消耗	100%（基准）	~10%
延迟	17.12s	1.44s（降低 91%）

原理：

1. 智能提取：从对话中提取关键事实（偏好、事实、上下文）
2. 语义压缩：用向量表示代替原始文本
3. 精准检索：只召回与当前查询相关的记忆片段
4. 去重合并：避免重复信息堆积

与 QMD 对比

对比项	QMD（当前方案）	Mem0
类型	本地语义搜索引擎	记忆管理 + 语义搜索
数据源	MEMORY.md + 工作区文件	对话历史自动提取
存储	本地文件 + 向量索引	向量数据库（Qdrant/云）
提取方式	手动维护 MEMORY.md	自动从对话提取
部署	100% 本地	云托管 或 自托管
资源消耗	~2.5GB 模型文件	取决于配置
隐私	完全本地	云模式数据在 Mem0 服务器
费用	免费	云模式有费用，OSS 免费
多用户	不支持（单人）	支持（userId 隔离）

关键差异：

• QMD = 搜索工具（搜索已有的 MEMORY.md）
• Mem0 = 记忆管理系统（自动提取 + 存储 + 搜索）

来源： GitHub README, 官方文档

---

4. 需要什么资源？（API Key、服务器、费用等）

云模式（Platform）

资源	需求
API Key	Mem0 平台注册后获取
服务器	无需（托管服务）
LLM	Mem0 内置（优化过的模型）
费用	使用量计费（Pro 计划 $1000/3月，有创业计划免费）

开源模式（Self-hosted）

资源	需求
API Key	无需 Mem0 Key，但需要 LLM Key（OpenAI 等）
向量数据库	Qdrant / Chroma / Pinecone 等（默认内存模式）
LLM	OpenAI / Anthropic / Ollama 等
服务器	取决于数据量（向量数据库需要内存）
费用	Apache 2.0 免费 + LLM API 费用 + 服务器费用

推荐配置（自托管）

# 基础配置
LLM: OpenAI (text-embedding-3-small + gpt-4o-mini)
Vector DB: Qdrant (本地 Docker)
服务器: 2核4G 起步

# 隐私优先配置
LLM: Ollama + 本地模型
Vector DB: Qdrant (本地)
服务器: 4核8G + GPU 推荐

来源： docs.mem0.ai/platform/platform-vs-oss

---

5. 适不适合我们当前的架构？

我们当前的架构

• 6 个 Agent：陈平安、宁姚、小任、裴钱、暖树、周米粒
• QMD：本地语义搜索（搜索 MEMORY.md + 工作区文件）
• 飞书群聊：Agent 间通过群聊协作
• 独立记忆：每个 Agent 有自己的 workspace 和 MEMORY.md

优势分析

场景	Mem0 是否适合	说明
多用户记忆隔离	✅ 非常适合	userId 天然支持多用户隔离
自动记忆提取	✅ 优势明显	无需手动维护 MEMORY.md
跨会话持久化	✅ 原生支持	QMD 需要手动更新文件
图关系记忆	✅ 可选功能	Mem0g 支持实体关系图谱
本地部署	✅ 支持	开源版可完全本地化

劣势分析

问题	说明
与 QMD 功能重叠	QMD 已覆盖记忆搜索功能
额外复杂度	需要维护向量数据库 + LLM API
成本增加	云模式有费用，自托管需要服务器资源
架构适配	当前单人多 Agent，Mem0 主打多用户
数据迁移	现有 MEMORY.md 需要迁移或并行

综合评估

维度	评分（1-5）	说明
功能匹配度	⭐⭐⭐☆☆	自动提取是亮点，但 QMD 已覆盖搜索
集成难度	⭐⭐⭐⭐☆	插件式集成，配置简单
成本效益	⭐⭐☆☆☆	需额外资源，收益有限
隐私安全	⭐⭐⭐⭐☆	支持自托管，数据可控
维护成本	⭐⭐⭐☆☆	需维护向量数据库

---

🎯 结论

短期建议：暂不集成

原因：

1. 功能重叠：QMD 已提供记忆搜索，且 100% 本地、免费、无 API 依赖
2. 架构不匹配：Mem0 主打多用户场景，我们是单人多 Agent
3. 成本增加：需要额外维护向量数据库 + LLM API（或支付云服务费用）
4. 收益有限：自动提取功能有吸引力，但当前手写 MEMORY.md 效果也不错

长期考虑：值得关注

适合接入的场景：

1. 如果团队扩展到多人使用，需要记忆隔离
2. 如果需要自动从对话提取记忆，减少手动维护
3. 如果需要实体关系图谱（Mem0g）
4. 如果 QMD 性能遇到瓶颈，需要更高级的记忆管理

补充说明：Mem0 解决的问题

Mem0 官方文章指出 OpenClaw 默认记忆系统的缺陷：

1. 保存依赖 LLM 判断：LLM 可能选择不保存重要信息
2. 召回依赖 LLM 决策：LLM 可能不调用 memory_search，直接从训练数据回答
3. 上下文压缩导致丢失：长对话会压缩/删除历史消息

Mem0 通过强制自动提取 + 自动召回解决这些问题，不依赖 LLM 的主动决策。

来源： mem0.ai/blog/add-persistent-memory-openclaw

替代方案

方案	说明
优化 QMD	改进 QMD 的搜索质量，增加自动提取脚本
混合方案	保留 QMD 搜索，用 Mem0 OSS 做自动提取
增强现有系统	在 AGENTS.md 中强制 Agent 使用 memory_search 工具
评估其他方案	如 LangMem、Zep 等同类产品

---

📚 参考来源

1. Mem0 官方文档 - OpenClaw 集成
2. Mem0 GitHub 仓库
3. Mem0 研究论文
4. Mem0 定价
5. Platform vs OSS 对比

---

---

🔗 相关笔记

• [[2026-03-31-Mem0深度分析]] - 深入评估
• [[2026-04-03-TencentDB记忆对比]] - 替代方案
• [[2026-04-07-OpenClaw-Dreaming对比分析]] - 系统对比
• [[2026-04-08-OpenClaw记忆系统使用说明]] - 使用指南
• [[2026-03-31-QMD调研报告]] - 现有方案

初稿：2026-03-31 暖树 🌸