面向可扩展长期记忆的生产级 AI 代理——Mem0
计算与语言
2025-04-29 v1 人工智能
摘要
大型语言模型 (LLM) 在生成情境连贯响应方面展现出惊人的能力，但其固定的上下文窗口在维持长期多会话对话的一致性方面面临根本性挑战。我们引入 Mem0，一个可扩展的以记忆为中心的架构，通过动态提取、整合和检索 ongoing 对话中的关键信息来解决这一问题。基于此基础，我们进一步提出了一种利用图基记忆表示捕获对话元素之间复杂关系结构的增强型变体。通过 LOCOMO 数据集上的全面评估，我们系统地将我们的方法与六类基线进行比较：(i) 已建立的记忆增强系统，(ii) 使用不同块大小和 k 值的检索增强生成 (RAG)，(iii) 处理整个对话历史的全上下文方法，(iv) 开源记忆解决方案，(v) 专有模型系统，以及 (vi) 专门的记忆管理平台。实证结果表明，我们的方法在四类问题类别（单跳、时序、多跳和开放域）上均优于所有现有记忆系统。值得注意的是，Mem0 在 LLM-as-a-Judge 指标上比 OpenAI 高出 26%，而带图记忆的 Mem0 在整体得分上略高于基础配置约 2%。除了准确率提升外，我们还大幅降低了计算开销。特别是，Mem0 在 p95 延迟上降低了 91%，并节省了超过 90% 的 token 成本，在先进推理能力与实际部署约束之间实现了引人注目的平衡。我们的发现凸显了结构化、持久记忆机制在长期对话连贯性中的关键作用，为可靠且高效的 LLM 驱动 AI 代理铺平了道路。
引用
@article{arxiv.2504.19413,
title = {Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory},
author = {Prateek Chhikara and Dev Khant and Saket Aryan and Taranjeet Singh and Deshraj Yadav},
journal= {arXiv preprint arXiv:2504.19413},
year = {2025}
}