做 AI 应用的人，多半被用户问过这么一句：我上次不是跟你说过吗？用户上周说过自己吃素，这周 AI 照样推荐红烧肉；在 Claude Code 里说了五遍项目用 Pydantic v2，第六次它还是写 v1。原因都一样，会话一结束，上下文就清空了，下次从零开始。

Mem0 是专门解决这件事的记忆层，Apache 2.0 开源，有 Python 和 TypeScript 两套 SDK。你把对话交给它，它自己抽出值得记的事实存起来，下次对话前再把相关的几条捞回来。它最有意思的设计是：旧记忆一条不改，新记忆只往上叠，挑哪条靠查询时按时间和实体去排。

本文按“它怎么存、怎么查、跑分怎么看、Python 怎么接、Claude Code 怎么装”的顺序展开，文中涉及的参数和命令以官方文档为准，版本更新较快，使用前建议再对照一遍。

存的时候：只加不改

Mem0 新算法的写入只有一种操作：ADD。从对话里抽出一条事实，就新增一条；不改写旧记忆，也不删，抽取只调用一次模型。官方迁移指南把流程写得很清楚：先取回最相关的 10 条已有记忆作为去重参考，单次模型调用抽出所有新事实，批量向量化，用哈希做精确去重，再批量入库。

只加不改，最直觉的担心是库会乱：同一件事存了好几个版本怎么办？它的做法是让旧记忆只用来去重和建立关联。用户半年前说住北京，上个月说搬去了上海，库里会同时有这两条，并且彼此关联。你问他现在住哪，应该答上海；问搬家前住哪，答北京。官方文档里的说法是：信息变化时，新事实与旧事实并存，由检索负责把最相关、最新的排到前面。

另一个设计思路是把相对时间换成绝对日期。“上周去了巴黎”这句话放到半年后就没用了，换成具体日期，同一件事的不同版本才排得出先后。助手说过的话也会被抽取，给过的推荐、一起定下的方案都算，所以 Agent 自己做过什么，下次还查得到。

查的时候：三路信号一起打分

存的时候不做判断，判断都压在检索这一步。官方文档描述的混合检索是三路信号并行打分，再融合成一个分数：

语义向量相似度；
BM25 关键词匹配；
实体匹配：把人名、地名、项目名单独抽出来做向量，问题里提到的实体和哪些记忆重合，那几条就往前排。

要注意，BM25 和实体匹配只是加分项，不会扩大候选范围，候选仍然来自语义检索。检索还支持时间感知：问“上周”“现在”“截至某月”之类，会按记忆的时间戳去匹配。

跑分怎么看

官方更新日志（2026 年 4 月）给出的开源 SDK 数字是：LoCoMo 从 71.4 提到 91.6，LongMemEval 从 67.8 提到 93.4，检索一次通常不到 7K token，而全量上下文方案要 25K 以上；问“搬家前住在哪”这类时间推理题，准确率从 51% 提到 93%。官方首页还会展示托管平台的成绩，平台版带有开源版没有的专有优化，数字不会完全一样。

看这类数字要留两个心眼：一是它是官方自己的评测，评测框架虽然开源、可以自行复现，但跑分高不等于在你的场景里好用；二是 Mem0 版本迭代很快，数字会变，引用时请标明版本和时间。你的场景里存什么、问什么，比这张表重要得多。

Python 里十几行就能接上

Mem0 有三种用法：直接装库、自己起服务，或者用官方云平台。只是想试试，装库就够了：

pip install "mem0ai[nlp]"
python -m spacy download en_core_web_sm

nlp 扩展装的是 spaCy，负责实体提取和关键词词形还原。不装也能跑，但检索会退化成只有语义一路。官方说明 [nlp] 扩展目前只支持 Python 3.10 到 3.12，3.13 上会因为依赖没有预编译包而安装失败。如果向量库用的是 Qdrant，还要再装 fastembed，BM25 才会启用，否则会悄悄退回语义检索。

核心就两个方法，add 负责存，search 负责查。开源版默认依赖 OpenAI 的模型和 embedding，具体默认模型与向量库以官方配置文档为准，最省事的跑法是先设好 OPENAI_API_KEY：

from mem0 import Memory

m = Memory()

# 存：把对话直接交给它，它自己抽事实
m.add([
    {"role": "user", "content": "我们项目用 Pydantic v2，别给我写 v1 的写法"},
    {"role": "assistant", "content": "好的，后面统一按 v2 的 model_validate 写"},
], user_id="demo-user")

# 查：user_id 要放进 filters
res = m.search("这个项目用哪个版本的 Pydantic", filters={"user_id": "demo-user"}, top_k=3)
for r in res["results"]:
    print(r["memory"])

记忆按三个维度隔离：user_id 对应某个用户，agent_id 对应某个 Agent，run_id 对应某次会话。写法上有个地方容易踩：add 的时候这几个 ID 直接当参数传，但 search 和 get_all 必须包进 filters，直接传会抛出 ValueError。

升级到新算法的开源用户还要留意几个默认值的变化：top_k 从 100 降到 20，threshold 默认 0.1（低相关的结果会被直接筛掉），rerank 默认关闭，add 只会返回 ADD 事件。老代码里如果依赖 UPDATE、DELETE 事件，需要改。另外，外部图数据库（Neo4j 等）的集成已从开源版移除，图记忆现在是托管平台的内置能力。

Claude Code 里装成插件

这部分和写代码的人关系最大。Mem0 官方给 Claude Code 做了插件，装好后记忆会自动捕获、自动召回。官方文档（插件版本 0.3.1）的前提是：有 Mem0 平台账号和以 m0- 开头的 API key，Claude Code 版本要支持插件 agent 和相关 hook 事件，本机有 Python 3.10+ 和 Git。安装命令如下：

export MEM0_API_KEY='你的 key'
claude plugin marketplace add mem0ai/mem0
claude plugin install mem0@mem0-plugins --scope user --config api_key="$MEM0_API_KEY"
unset MEM0_API_KEY

装完重启 Claude Code，或者执行 /reload-plugins，然后进入一个 Git 仓库正常干活即可。更新和卸载用 claude plugin update mem0@mem0-plugins --scope user 和 claude plugin uninstall mem0@mem0-plugins。

它的工作方式分两头：

捕获：hook 在后台把你的消息、Claude 的回答、改动过的文件、测试和构建结果先记在本地，再由后台进程交给 Mem0 提取。
召回：新会话里，如果你的第一条提示不少于 20 个字符，插件会自动搜一次，最多注入 5 条相关记忆；之后想主动查，用 /mem0:search。

记忆分两类：项目记忆按仓库共享，存约定、决策、能跑的命令、踩过的坑和修法，同一个仓库的人读写同一个池子；个人偏好只归你自己。/mem0:search 支持这几个参数：

/mem0:search 上次解析器的报错是怎么修的？ --category problems_and_fixes
/mem0:search 我习惯用 pnpm 还是 npm？ --scope mine

category 可选 project_knowledge、decisions_and_constraints、workflows、problems_and_fixes、results；scope 可选 repo、dir、mine。显式搜索默认返回 3 条，输出总量默认限制在 4000 字符以内。其他命令包括：/mem0:status 看配置和 key 是否生效，/mem0:remember 让 Claude 在回复里记下某件事，/mem0:forget 删除你在这个仓库的记忆（项目共享记忆默认保留），/mem0:pause 和 /mem0:resume 暂停和恢复捕获。

装好后建议自己验证一次：告诉 Claude 记住一个临时的验收标记，结束会话，新开一个会话用 /mem0:search 问它，结果里能看到这个标记就说明链路通了。提取在后台跑，第一次搜空了就等一会儿再搜。

要注意的是，这个插件走的是云端，对话内容会上传到 Mem0。用在公司仓库之前，先想清楚代码和对话能不能出本地；不想上传的话，可以只用开源 SDK 自建，或者选本地方案，比如这篇讲的 claude-mem：claude-mem 安装与使用教程：给 Claude Code 加上跨会话记忆。

记忆和规则文件各管什么

插件记的是“过程里产生的东西”：踩过的坑、做过的决定、跑通的命令。而项目长期不变的规范，比如代码风格、目录约定、禁止项，更适合写进规则文件，让工具每次启动都读。以 Codex 为例，可以参考这篇：AGENTS.md，把项目规范写给 Codex，看懂并就近生效。两者配合着用：规则文件管“必须怎么做”，记忆层管“上次发生过什么”。

总结

Mem0 的思路说穿了很简单：写入时不替你拍板，每条事实带上绝对日期、挂上和旧记忆的关联，只加不改地存下来；查的时候再让语义、关键词、实体三路信号一起打分，把最相关的几条捞回来。

用起来也不重：Python 里 add 和 search 两个方法就能跑通，团队可以自己搭服务，Claude Code 用户装个插件就能让它记住项目。代价是插件走云端、会上传对话，开源版新算法也有一批默认值和接口变动要适配。如果你通过 AIGoCode 使用 Claude Code，这个插件与接入渠道无关，按上面的步骤配置即可。

参考链接

Mem0 GitHub：https://github.com/mem0ai/mem0
Claude Code 插件文档：https://docs.mem0.ai/integrations/claude-code
开源版迁移指南（新算法与默认值变化）：https://docs.mem0.ai/migration/oss-v2-to-v3
更新日志与跑分说明：https://docs.mem0.ai/changelog/highlights