目標先講清楚：
mem0怎麼使用向量資料庫跟關聯資料庫去管理記憶

在了解mem0針對不同的記憶類型，有不同的資料庫進行管理後，對於其中事實記憶和情節記憶非常好奇：記憶如何存到向量資料庫？長文本會不會造成效能問題？情節記憶是怎麼跟服務搭配？

事實記憶：向量資料庫的應用

1. 記憶如何存到向量資料庫

Mem0 在創建記憶時會自動生成唯一的 memory_id，作為key：

python# 來源：mem0/memory/main.py - _create_memory 方法
def _create_memory(self, data, existing_embeddings, metadata=None):
    embeddings = self.embedding_model.embed(data, memory_action="add")
    memory_id = str(uuid.uuid4())  # 自動生成唯一 ID
    
    metadata = {
        "data": data,
        "hash": hashlib.md5(data.encode()).hexdigest(),
        "created_at": datetime.now(timezone.utc).isoformat(),
        # ... 其他元資料
    }
    
    # 插入向量資料庫
    self.vector_store.insert(
        vectors=[embeddings],
        ids=[memory_id],      # UUID 作為主鍵
        payloads=[metadata]
    )
    
    return memory_id

關鍵機制：

2. 更新規則：LLM 智能決策

Mem0 的更新機制不依賴傳統的 key-value 對應，而是透過語義相似度 + LLM 決策：

python# 來源：mem0/memory/main.py - _add_to_vector_store 方法
def _add_to_vector_store(self, messages, metadata, filters, infer):
    if infer:  # 默認為 True
        # 步驟 1: LLM 提取新的事實
        new_retrieved_facts = json.loads(response)["facts"]
        
        for new_mem in new_retrieved_facts:
            # 步驟 2: 為新事實生成 embedding
            messages_embeddings = self.embedding_model.embed(new_mem, "add")
            
            # 步驟 3: 搜尋相似的現有記憶
            existing_memories = self.vector_store.search(
                query=new_mem,
                vectors=messages_embeddings,
                limit=5,
                filters=filters
            )
            
            # 步驟 4: LLM 決定操作類型
            # 返回格式：
            # {
            #   "memory_actions": [
            #     {"event": "ADD", "memory": "新事實"},
            #     {"event": "UPDATE", "memory_id": "uuid", "new_memory": "..."},
            #     {"event": "DELETE", "memory_id": "uuid"}
            #   ]
            # }

LLM 決策邏輯

3. 長文本處理：不會塞爆資料庫

重點：Mem0 在 infer=True 模式下（默認），不會直接存儲長文本，而是提取關鍵事實。

範例：假設輸入一個 5000 行的代碼規格文檔：

python# 長文本輸入
long_spec = """
[5000 行的詳細代碼規格]
包含：
- 架構設計圖
- 詳細的 API 定義
- 完整的數據模型
- 業務邏輯說明
- ... 總計約 50,000 tokens
"""

# Mem0 處理
result = memory.add(
    messages=[{"role": "user", "content": long_spec}],
    user_id="developer_001",
    infer=True  # 啟用事實提取
)

LLM 提取結果

python# LLM 提取的事實（來源：實際運作邏輯）
extracted_facts = [
    "使用 RESTful API 架構",
    "數據庫選用 PostgreSQL",
    "認證採用 JWT",
    "前端使用 React + TypeScript",
    "部署環境為 AWS",
    "支持微服務架構",
    # ... 約 20-50 個關鍵事實
]

# 存儲量對比
# 原始：50,000 tokens
# 實際存儲：~2,000 tokens
# 壓縮比：96%

情節記憶：SQLite 的歷史追蹤

這個記憶從代碼看來，比較像是當作聊天歷程的紀錄，而不會送進LLM

1. 表結構設計

sql-- 來源：mem0/memory/storage.py - SQLiteManager._create_history_table
CREATE TABLE IF NOT EXISTS history (
    id           TEXT PRIMARY KEY,     -- 歷史記錄 ID
    memory_id    TEXT,                 -- 關聯的記憶 ID（外鍵）
    old_memory   TEXT,                 -- 更新前的值
    new_memory   TEXT,                 -- 更新後的值
    event        TEXT,                 -- 事件類型：ADD/UPDATE/DELETE
    created_at   DATETIME,             -- 創建時間
    updated_at   DATETIME,             -- 更新時間
    is_deleted   INTEGER,              -- 刪除標記
    actor_id     TEXT,                 -- 執行操作的用戶/代理
    role         TEXT                  -- 角色
)

關鍵特點：

• id 有主鍵索引
• memory_id 沒有索引
• created_at, updated_at 沒有索引

2. 查詢方式

python# 來源：mem0/memory/storage.py - SQLiteManager.get_history
def get_history(self, memory_id: str) -> List[Dict[str, Any]]:
    with self._lock:
        cur = self.connection.execute(
            """
            SELECT id, memory_id, old_memory, new_memory, event,
                   created_at, updated_at, is_deleted, actor_id, role
            FROM history
            WHERE memory_id = ?
            ORDER BY created_at ASC, DATETIME(updated_at) ASC
            """,
            (memory_id,),
        )
        rows = cur.fetchall()

    return [
        {
            "id": r[0],
            "memory_id": r[1],
            "old_memory": r[2],
            "new_memory": r[3],
            "event": r[4],
            "created_at": r[5],
            "updated_at": r[6],
            "is_deleted": bool(r[7]),
            "actor_id": r[8],
            "role": r[9],
        }
        for r in rows
    ]

查詢特點

3. 歷史記錄的用途

根據代碼分析，history 方法主要用於：

python# 來源：Memory 類的 history 方法使用場景
# ✅ 開發者手動查詢
history = memory.history(memory_id="892db2ae-...")

# ✅ 審計追蹤
for record in history:
    print(f"{record['event']}: {record['old_memory']} → {record['new_memory']}")

# ❌ 不會自動傳給 LLM
# ❌ 不參與記憶搜尋
# ❌ 不影響記憶更新決策

重要結論：歷史記錄是純粹的審計日誌，不參與 AI 的記憶處理流程。

接下來要做什麼

分享向量資料庫的更新策略

參考資源

1.mem0 github