Mem0 vs WorkBuddy：Agent 记忆层的两条路线

原文链接：https://mp.weixin.qq.com/s/CyZv5BQyW3SSVIJ1U8Ba9A 作者：叶小钗 发布时间：2026年7月8日

摘要

深度拆解 Mem0（59.9K Star）开源 Agent 记忆框架的源码实现。从写入流程（LLM 抽取 → 向量化 → 去重 → 写向量库 + SQLite + Entity Store）、检索流程（语义 + BM25 + Entity Boost 三路融合排序），到如何接入 Agent：检索放推理前、写入放回复后。

主要内容

Mem0 核心架构

对话 → LLM 抽取关键事实 → embedding 向量化 → 去重（LLM 层面 + md5 hash）
    → 写入 Vector Store（默认 Qdrant）
    → SQLite 记录 history + messages（最近 10 条）
    → Entity Store 建立实体→记忆索引

写入流程（ADD-only）

• LLM 从对话中抽取值得长期保存的事实（偏好、计划、目标），非寒暄内容跳过
• 两层去重：LLM 参考旧记忆避免重复抽取 + md5 hash 精确去重
• Vector Store 每条记忆含：文本、向量、作用域（user_id/agent_id/run_id）、元数据、BM25 辅助字段
• ADD-only 策略保留事实演化轨迹，不覆盖旧记忆（支持 update/delete）

检索流程（三路融合）

检索方式	说明
Semantic Score	embedding 语义相似度
BM25 Score	关键词精确匹配（词形还原）
Entity Boost	从查询中抽实体 → 关联记忆加权（默认 +0.5）

融合公式：final_score = (semantic + bm25 + entity_boost) / max_possible

内部查询先扩 4 倍 top-k 建候选池，再融合打分，避免过早丢相关记忆。

接入原则

• 作用域设计：user_id（个人偏好）、run_id（单次任务）、agent_id（能力沉淀）
• 检索放推理前：先 search → Top-K 记忆注入 system/context
• 写入放回复后：先响应用户 → 异步 add，不影响响应速度
• 非所有对话都适合写入：写作 Agent 等长内容需先筛选，或将 add 封装成工具让 Agent 按需调用

原文关键段落

Agent 记忆层的本质就一句话：把发生过的事儿存下来，保证将来能再翻出来用。

对开发者来说，接 Mem0 最需要花心思的不是怎么写几行代码来接入，而是想清楚：什么内容值得写入记忆、怎么隔离不同用户的记忆、什么时候需要去查询记忆。

ADD-only 的好处是保留事实演化轨迹，让时间推理、多跳检索和冲突处理更有空间。