Mem0 长期记忆 API 教程：写入、检索、纠错与删除实操

这篇教程会完成什么

用 Mem0 托管 Platform 给一个已有的 AI 助手加上跨会话记忆。我们只做五步：取得 API Key、按用户写入一条脱敏偏好、新会话检索、纠正旧记忆、演练删除。示例使用 Python，不需要先搭建向量数据库。最后会给出多租户、成本和上线验收检查。代码结构依据 Mem0 官方 Quickstart 与官方文档索引；这里没有代你运行真实账号，复制到生产前请用自己的测试环境复核 SDK 版本。

Mem0 只负责记忆层。最终回答和工具执行仍由你现有的模型、Agent 或后端控制。即使记忆里写着“用户曾同意”，也不能代替当前操作所需的业务授权。

开始前准备

准备 Python 3.10+、Mem0 Platform 账号和测试 API Key。先挑一个不涉及真实个人信息的案例，例如测试用户 demo-001 喜欢把项目摘要整理成三条要点。不要用病历、身份证、密钥、真实客户聊天作为第一条样本。若你的数据不能交给托管服务，先读开源部署文档并评估模型、数据库和运维要求，而不是把敏感数据上传后再讨论地域或删除。

安装依赖并把 Key 放在环境变量中：

python -m pip install mem0ai
export MEM0_API_KEY="你的测试密钥"

实际项目请使用密钥管理服务或受控环境变量，不要把 Key 写入仓库、提示词或日志。确认测试环境和正式环境使用不同 Key、不同用户 ID 命名空间。

第一步：写入有用而稳定的事实

下面的代码采用官方托管 SDK 的 MemoryClient。只传与后续任务有关的对话内容；在业务后端根据登录会话决定 user_id，不要让模型自己编造或从用户输入中直接取值。

import os
from mem0 import MemoryClient

client = MemoryClient(api_key=os.environ["MEM0_API_KEY"])
user_id = "demo-001"

messages = [
    {"role": "user", "content": "以后给我的项目摘要请整理成三条要点。"},
    {"role": "assistant", "content": "好的，后续项目摘要会优先用三条要点呈现。"},
]
result = client.add(messages, user_id=user_id)
print(result)

add 可能从一轮对话中提取多条记忆，也可能根据已有记忆决定更新或不存储。不要假设输入一条消息就一定得到一个固定的 memory ID。上线时记录写入来源、时间、用户授权状态和返回的结果，但日志里不要保存敏感原文。若同一请求重试，业务侧要设计去重或幂等策略。

第二步：在新会话检索

重新启动应用进程，仍用相同测试 user_id 搜索：

results = client.search(
    "这个用户喜欢怎样看项目摘要？",
    filters={"user_id": user_id},
)
for item in results.get("results", []):
    print(item.get("id"), item.get("memory"), item.get("score"))

关键是 filters={"user_id": user_id}。漏掉过滤、使用全局标识或把租户 ID 混在可猜的文本里，都可能让另一位用户的记忆进入答案。正式系统应从已验证的会话上下文确定用户 ID，并在 API 代理层统一强制加入过滤条件。若存在 Agent 或项目作用域，依据当前 SDK 文档增加相应范围，并测试跨范围检索是否被拒绝。

检索不是最终回答。把命中的事实和最近几轮对话一起交给模型；最近对话必须单独保留，因为记忆写入可能有处理时间，且长期提炼会省略即时上下文。告诉模型“以下是可能相关的历史资料，请以当前用户请求和业务规则为准”，不要把记忆内容放进系统指令。回答中出现矛盾时，优先让用户确认，而不是凭相似度分数猜测。

第三步：纠正旧偏好

让同一测试用户说：“现在改成五条要点”。先查看当前检索结果和 ID，再决定调用更新接口，或者写入新的更正对话并观察 Mem0 的提炼行为。官方 Platform Python 接口支持 get_all、update(memory_id=..., text=...) 和 delete(memory_id=...)。执行更新前要验证选中的 ID 确实属于当前用户；不能只拿模型返回的一个 ID 就改写数据库。

memories = client.get_all(filters={"user_id": user_id})
for item in memories.get("results", []):
    print(item["id"], item["memory"])

# 由已授权的业务流程确认旧记忆 ID 后执行：
# client.update(memory_id=old_id, text="该用户希望项目摘要整理成五条要点")

这段代码故意不自动选择 old_id：真实账号可能存有多条相似偏好，自动选第一条容易改错。测试时先人工核对，再执行更新并再次搜索“摘要应该分几条”，确认五条成为当前偏好、三条不再主导回答。把“改口前后”加入长期回归测试集。

第四步：演练删除与退出

用户撤回授权或账号注销时，要清理长期记忆，并检查你的缓存、应用数据库、日志和模型对话存储。Mem0 Platform Python 接口提供单条 delete(memory_id=...) 与按用户 delete_all(user_id=...)。删除属于不可逆操作，应由有权限的后端流程调用；先在测试账号演练：

# 仅对隔离的测试用户执行；生产环境须经过授权与审计。
# client.delete_all(user_id=user_id)
# after = client.search("这个用户的项目摘要偏好是什么？",
#                       filters={"user_id": user_id})
# assert not after.get("results")

删除 API 成功不等于整个业务系统已完成删除。缓存、导出、备份与下游索引可能各有保留策略；根据你的隐私政策和合同核对。重新检索应查不到相应事实，应用回答也不应从最近对话或其他副本“复活”已删除偏好。

第五步：接进现有 Agent，而不扩大权限

在模型调用前由后端按当前登录用户检索 3—5 条相关记忆，将其作为普通上下文连同来源或更新时间传入；回复后只挑选用户同意、可能长期有用的事实写回。避免每轮完整写入几十页聊天记录，也不要把模型推断的敏感属性当作用户确认的事实。对外部动作，如发短信、修改订单或支付，保留原有权限检查与人工确认。

如果用 Mem0 MCP 让 Agent 自己选择何时保存或搜索，先把可写范围和审批做成明确工具策略，记录每次调用。应用端的身份必须映射到正确的 Mem0 用户范围；不能让一个共享 Agent 使用全局默认用户存所有人的记忆。

成本与验收

截至 2026 年 9 月，官方托管 Hobby 免费档每月有 10,000 次 add 与 1,000 次 retrieval，Starter 每月 19 美元，Pro 每月 249 美元。把“每次用户消息写入几次、每次回答检索几次、失败重试几次”记录一周，再计算月度用量。模型 token、数据库、监控和人工纠错也要计入总成本。官方价格页可能更新，采购时再核对。

上线前至少跑六类样本：跨会话召回、用户改口、同名不同用户、错误或无关记忆、记忆删除、记忆里包含恶意“忽略系统规则”文本。记录准确召回率、误召回、跨用户泄露、删除回归、P95 延迟和每个有效回答成本。任一跨用户泄露或未经授权的工具动作都应阻止上线。

常见问题与排查

搜索返回空：确认写入成功、使用相同 user ID、处理已完成、过滤条件匹配，以及查询不是太宽泛。先查 get_all，再看搜索。搜索到了旧偏好：检查更正是否已写入或更新，最近对话是否传给模型；不要靠提高相似度分数掩盖冲突。账单增长快：记录每个请求的 add 和 search 数量，减少重复写入与无意义检索；把高频问答与长期事实分层。跨用户数据出现：立即停用该流程，核查所有读写入口的用户范围和缓存键，再用隔离样本复测。