对于 AI 代理：可在 https://www.mongodb.com/zh-cn/docs/llms.txt 获取文档索引—通过在任何 URL 路径后添加 .md 可获取所有页面的 Markdown 版本。
Docs 菜单
Docs 主页
/ /
Mem0
Docs 主页
/
开发中
/
AI 集成
/
Mem0
Docs 主页
/
开发中
/
AI 集成
/
Mem0

MongoDB Mem0 集成入门

您可以将 MongoDB 与 Mem0 集成，以配置为 AI 代理提供可在对话之间持久存储的长期记忆。本教程配置 Mem0 使用 MongoDB 作为其向量存储，然后构建一个增强记忆的助手。在本教程中，您将执行以下任务：

  1. 设置您的环境。

  2. 使用 MongoDB 作为 Mem0 向量存储。

  3. 存储和检索内存文档。

  4. 构建一个助手，根据其检索到的记忆个性化其响应。

背景

Mem0 是一个面向AI代理和助手的开源内存层。 Mem0 不是在每次请求都将整个对话历史记录传递给 LLM，而是从对话中提取离散的事实，将每个事实存储为文档，并在查询时仅检索最相关的事实。

当您将 Mem0 配置为使用 MongoDB 作为其向量存储时，Mem0 会将这些内存文档持久存储到 MongoDB 集合中。它使用 MongoDB 向量搜索进行语义检索，并使用 MongoDB Search 进行全文关键字检索。Mem0 会在首次连接到您的集合时，为您创建这两个索引。

先决条件

要完成本教程，您必须具备以下资源：

  • 以下MongoDB 集群类型之一：

    • 运行MongoDB 6.0.11、7.0.2 或更高版本的 Atlas 集群。确保您的IP解决包含在Atlas项目的访问权限列表中。

    • 使用Python和Docker创建的本地Atlas部署。安装 atlas-local-lib-py (pip install atlas-local-lib-py) 以以编程方式创建和管理本地部署。要学习；了解更多信息，请参阅 atlas-local-lib-py存储库。

    • 安装了 Search 和 Vector Search 的MongoDB Community集群。

  • OpenAI API密钥。您必须拥有一个具有可用于API请求的积分的 OpenAI 帐户。要学习；了解有关注册 OpenAI 帐户的更多信息，请参阅 OpenAI API网站。

  • Python v3.10 或更高版本。

设置环境

1

安装依赖项。

在终端中运行以下命令，创建名为 mem0-mongodb-project 的新目录并安装所需的依赖项：

mkdir mem0-mongodb-project
cd mem0-mongodb-project
pip install mem0ai pymongo openai python-dotenv

Mem0 需要 PyMongo v4.13.2 或更高版本。上述命令安装 PyMongo 的最新版本。

2

设置环境变量。

在您的 mem0-mongodb-project 目录中，创建一个 .env 文件并添加以下代码：

OPENAI_API_KEY="<openai-api-key>"
MONGODB_URI="<connection-string>"

将 <connection-string> 替换为您的 Atlas 集群或本地部署的连接字符串。

连接字符串应使用以下格式：

mongodb+srv://<db_username>:<db_password>@<clusterName>.<hostname>.mongodb.net

重要: 确保连接字符串包含数据库用户的凭证。要学习有关查找连接字符串的更多信息，请参阅通过客户端库连接到集群。

3

创建项目文件。

在您的 mem0-mongodb-project 目录中，创建一个名为 main.py 的文件。将以下代码添加到此文件中，以加载环境变量：

from mem0 import Memory
from openai import OpenAI
from dotenv import load_dotenv
import os
load_dotenv()

在后续步骤中，您将向此文件添加代码，以配置 Mem0 并构建您的助手。

存储和检索内存数据

在本节中，您将配置 Mem0 以使用 MongoDB 作为其向量存储。然后，您存储 Mem0 从对话中提取的记忆，并通过语义搜索来检索这些记忆。

1

将 MongoDB 配置为向量存储。

要将 MongoDB 用作 Mem0 向量存储，请将以下代码添加到 main.py 文件中：

config = {
    "llm": {
        "provider": "openai",
        "config": {
            "model": "gpt-4o-mini",
            "temperature": 0.1,
            "max_tokens": 2000,
        },
    },
    "embedder": {
        "provider": "openai",
        "config": {
            "model": "text-embedding-3-small",
            "embedding_dims": 1536,
        },
    },
    "vector_store": {
        "provider": "mongodb",
        "config": {
            "mongo_uri": os.environ["MONGODB_URI"],
            "db_name": "mem0_db",
            "collection_name": "agent_memory",
            "embedding_model_dims": 1536,
        },
    },
}
m = Memory.from_config(config)

此代码在 config 字典中设置以下密钥：

  • llm: 指定 gpt-4o-mini 为从对话中提取事实的模型

  • embedder: 指定 text-embedding-3-small 作为生成嵌入的模型

  • vector_store: 配置 MongoDB 作为向量存储

构建索引大约需要一分钟时间。在构建时，索引处于初始同步状态。构建完成后，您可以开始查询集合中的数据。

2

存储对话中的记忆。

添加以下代码，用于从关于用户搬迁的对话中提取和存储记忆：

messages = [
    {"role": "user", "content": "I'm moving to Berlin next month."},
    {"role": "assistant", "content": "I'll remember that you're relocating to Berlin."},
]
result = m.add(messages, user_id="alice")
print(result)

当您将对话数据传递给 add() 方法时，Mem0 使用 LLM 从对话中提取事实，并将每个事实作为单独的内存文档写入您的集合。

3

存储第二次对话的记忆。

添加以下代码以存储来自第二次对话的记忆，其中 Mem0 会将其添加到同一用户的记忆资料中：

messages = [
    {"role": "user", "content": "I prefer concise answers and I use Python daily."},
    {"role": "assistant", "content": "Noted. I'll keep my responses brief and Python-focused."},
]
result = m.add(messages, user_id="alice")
print(result)
4

搜索存储的记忆。

要搜索回答关于用户迁移的查询的内存数据，请将以下代码添加到您的 main.py 文件中：

print("\nWaiting for the MongoDB Vector Search index to finish building...")
time.sleep(60)
results = m.search(
    query="When is Alice moving?",
    filters={"user_id": "alice"},
    top_k=5,
)
for mem in results["results"]:
    print(mem["memory"], "- score:", mem["score"])

在运行查询之前，代码会等待 60 秒，以便 MongoDB 向量搜索索引完成建立。

5

返回完整内存历史。

要返回用户的完整内存历史，而不运行语义搜索，请将以下代码添加到 main.py 文件中：

all_memories = m.get_all(filters={"user_id": "alice"})
for mem in all_memories["results"]:
    print(mem["id"], mem["memory"])

提示

要检查存储的内存文档，请浏览 Atlas 用户界面中的 mem0_db.agent_memory 集合。要了解更多，请参阅 查看集合。

构建一个记忆增强助手

本节介绍如何将内存存储和检索组合到助手中，该助手可以实现回复的个性化。在助手回复之前，它会检索与当前消息最相关的记忆，并将其添加到系统提示中。在回复之后，它会存储新的对话轮次，以便记忆随着每次交流而增长。

1

检索记忆并构建系统提示。

在您的 main.py 文件中，添加以下代码以定义一个函数，用于搜索与消息最相关的记忆，并将这些记忆添加到系统提示中：

openai_client = OpenAI()
USER_ID = "alice"
def build_system_prompt(user_message):
    # Retrieve the memories that are most relevant to the message
    relevant = m.search(
        query=user_message,
        filters={"user_id": USER_ID},
        top_k=5,
    )
    memory_text = "\n".join(f"- {mem['memory']}" for mem in relevant["results"])
    # Add the retrieved memories to the system prompt
    system_prompt = "You are a helpful personal assistant."
    if memory_text:
        system_prompt += (
            " Use the following facts to personalize your response:\n"
            f"{memory_text}"
        )
    return system_prompt
2

生成响应并存储对话轮次。

添加以下代码以定义一个函数，用于生成个性化响应并将新的对话轮次存储为记忆：

def chat(user_message):
    # Generate a response
    response = openai_client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": build_system_prompt(user_message)},
            {"role": "user", "content": user_message},
        ],
    )
    assistant_message = response.choices[0].message.content
    # Store the new conversation turn as memories
    m.add(
        [
            {"role": "user", "content": user_message},
            {"role": "assistant", "content": assistant_message},
        ],
        user_id=USER_ID,
    )
    return assistant_message
print(chat("Can you recommend a programming meetup in my city?"))

助手推荐了一个在柏林举行的 Python 聚会，因为它在构建提示之前，从 MongoDB 中检索了 Alice 的位置和语言偏好。

运行文件

要运行 main.py 文件，请从您的 mem0-mongodb-project 目录运行以下命令：

python main.py

如果命令成功运行，输出如下所示。

# Output from the first add() method that stores relocation data
{'results': [{'id': '...', 'memory': 'User is moving to Berlin around September 2026.', 'event': 'ADD'}]}
# Output from the second add() method that stores user preferences
{'results': [{'id': '...', 'memory': 'Prefers concise answers', 'event': 'ADD'}, {'id': '...', 'memory': 'Uses Python daily', 'event': 'ADD'}]}
Waiting for the MongoDB Vector Search index to finish building...
# Output from the search() method that retrieves the relocation memory
User is moving to Berlin in September 2026. - score: 0.38553877995545677User is moving to Berlin around September 2026. - score: 0.7043201923370361
# Output from the get_all() method that returns the full memory history
<id> User is moving to Berlin around September 2026.
<id> Prefers concise answers
<id> Uses Python daily
# Output from the chat() method that asks the assistant about programming meetups
Since you're moving to Berlin around September 25, 2026, I recommend checking platforms
like Meetup.com or Eventbrite closer to your move for local Python programming meetups.
You can also follow local tech communities on social media for updates on events.

后续步骤

要进一步了解 Mem0 配置密钥以及全部 Memory 方法，请参阅 将 MongoDB 与 Mem0 集成。

要学习；了解有关 Mem0 在您的集合上创建的索引的更多信息，请参阅创建MongoDB Vector Search 索引和管理MongoDB搜索索引。

后退
Mem0
来年
OpenAI Agents SDK
给本页内容打分

在此页面上