Mem0 选择性记忆

问题：每次 prompt 都重播整个 transcript

当 agent 需要在多个会话间保留用户的偏好、项目约束或已达成的决定时，常见的做法是把历史对话再拼回上下文。时间一长，窗口被聊天记录占满，成本和噪音同步上升，真正需要长期记住的事实反而淹没在冗余回合里。这个技能的出发点很直接：用持久化记忆代替无差别重播。

技能如何工作：抽取 → 存储 → 检索

核心流程不追求“记住所有”，而是做选择性外挂：

• 在对话中识别值得保留的 facts，例如 user.timezone、project.goal、decision.ship_v2。
• 调用 add 把结构化事实写入 Mem0，而不是追加原始文本。
• 在下一次请求前通过 search 拿回相关记忆，注入到 context。
• 对同一事实采用 replace 或 delete，避免记忆层无限膨胀。

这个方式把长期记忆从 prompt 长度问题中解耦出来：agent 只需要带着“现在需要的那几条”开始，而不是带着整段聊天记录开始。

适用边界与注意点

• Mem0 解决的是跨会话记忆，不是任务内的短期状态机；高频变化的状态仍应放在任务上下文里。
• 抽取依赖 LLM 的判断，facts 的质量受 prompt 和模型能力影响，不适合存精确可验证的数据（如密钥、编译错误码）。
• 单次检索为同步调用；如果 Agent 工作流依赖多轮工具编排，需要明确记忆是在哪一阶段写入与读取。
• 自托管部署要关注服务可用性、向量存储和访问控制，尤其是团队内部共享的记忆层。
• 记忆不是免费的：清理策略、过期策略和用户可见性需要随产品一起设计，避免“越用越偏”。