先把对话抽象成稳定事实，再和已有记忆做比对，决定新增、更新、删除或保持不变，并把结果写入向量存储、可选图存储，以及历史审计日志。
这套设计让 mem0 更接近一个面向 Agent 的长期记忆系统，参考人类的记忆模式，不是记住一大段话，而是记住一些和内容相关的facts，然后建立facts之间的关联（图数据库实现）。、】
一、mem0 的主流程#
如果只看主链路，mem0 可以抽象成 5 个步骤：
- 从对话中抽取候选事实（llm的工作）
- 检索相近旧记忆，构造“新旧对比上下文”
- 让 LLM 决策
ADD / UPDATE / DELETE / NONE - 把结果写入向量存储，并可选地并行更新图谱关系
- 把所有变更写入历史数据库，形成可审计轨迹
二、核心ADD流程#
1. 作用域校验#
_build_filters_and_metadata() 要求至少提供一个作用域标识,实现能支持多用户、多 Agent、多 session 的隔离与组合检索。
2. 抽取事实#
真正的逻辑在 _add_to_vector_store()。
默认情况下，infer=True，于是 mem0 不会直接存原始消息，而是：
- 用
parse_messages()把多轮消息拼成标准文本 - 选择事实抽取提示词
- 调用 LLM 生成
facts - 解析 JSON，得到候选事实列表
3. 记忆管理#
对每条新事实，mem0 会先做 embedding，然后调用向量库搜索相似记忆（旧记忆），
拿到旧记忆后，mem0 会调用 get_update_memory_messages() 组装一段新的 prompt，交给 LLM 做决策。
然后，要求返回包含ADD，UPDATE，DELETE，NONE等指令是的结构化结果
比如用户说过“喜欢芝士披萨”，后来又说“更喜欢鸡肉披萨”，系统并不一定保留两条并列事实，而是可以把旧记忆更新掉，或者在冲突时删除旧记忆，全部由llm自主决定
然后进行入库，包含向量数据库和图数据库（可选），这里的图链路负责关系增强，主要的facts都存在了向量库中，在mem0/memory/graph_memory.py ，MemoryGraph会：
- 从文本中抽实体
- 建立实体之间的关系
- 在图数据库中查找近似节点并合并
- 对过期或矛盾关系做软删除
几个细节：
- 图关系不是简单 append，而是会做关系更新和删除判断
- 删除通常是软删除，关系会被标记为
valid = false - 节点和边都维护
mentions之类的统计信息 - 图谱检索会先做 embedding 相似召回，再对关系三元组做 BM25 重排
三、Search 流程#
- 构建作用域过滤条件
- 对 query 做 embedding
- 调用向量库搜索
- 如果开启图存储，并行执行图检索
- 如果配置了 reranker，再对向量结果二次重排
- 返回
results，并在启用图谱时附带relations
五、chatgpt总结一下#
mem0 的源码体现出一个很明确的设计取向：
把长期记忆当作一层独立基础设施来构建，而不是把检索增强里的“召回缓存”稍微包装一下。
它的关键点不在于用了多少后端，而在于这三个设计选择：
- 记忆先被抽象成事实，而不是直接保存原始对话
- 新信息进入系统前，会先和旧记忆比较，再决定增删改
- 图谱、审计日志、重排序都服务于“记忆可维护性”，而不只是“多存一些上下文”
如果从 Agent 系统设计的角度看，mem0 更像一个长期状态层。
它解决的核心问题不是“记住更多”，而是“如何把记住的内容长期保持为一个相对一致、可解释、可检索的状态空间”。