mem0-dbay

Mem0 的一站式存储后端。一个数据库，搞定向量、图谱、全文检索。

Mem0 是目前最流行的 AI Agent 记忆框架（26k+ GitHub Stars）。但自托管 Mem0 需要同时部署和维护多个数据库。mem0-dbay 用一个 dbay.cloud Serverless PostgreSQL 实例满足 Mem0 的全部存储需求。

问题：Mem0 自托管太重了

自托管 Mem0 需要 3 个独立的存储组件：

Mem0 → PostgreSQL + pgvector  （向量存储：embedding 相似度检索）
     → Neo4j + APOC           （图存储：实体关系图谱）
     → SQLite                 （历史记录：记忆变更审计）

这意味着：

• 3 套数据库要部署、监控、备份、付费
• 3 套连接配置和凭据管理
• Docker Compose 起 3 个容器，Neo4j 冷启动 90 秒
• 向量用 SQL，图谱用 Cypher，两套查询语言

大多数开发者只想给 Agent 加记忆，不想当 DBA。

解决方案：一个 dbay.cloud 数据库全搞定

Mem0 → dbay.cloud PostgreSQL
         ├── pgvector   （向量存储：embedding 相似度检索）  ✅
         ├── SQL JOIN    （图存储：实体关系图谱）           ✅
         └── pg_search   （全文检索：BM25 关键词搜索）      ✅

一个连接串。一个数据库。一种查询语言。零运维。

能力	Mem0 默认方案	mem0-dbay
向量存储	PostgreSQL + pgvector	dbay.cloud pgvector
图存储	Neo4j（单独部署）	同一个 dbay.cloud 实例
全文检索	无内置	dbay.cloud pg_search (ParadeDB BM25)
要管几个数据库	3 个	1 个
空闲成本	~$50+/月（24/7 运行）	Scale-to-zero，空闲零成本
搭建时间	几小时	30 秒

快速开始

1. 在 dbay.cloud 创建数据库

注册 dbay.cloud，30 秒创建一个数据库。pgvector、pg_search 已预装，不需要手动配置任何东西。

2. 安装

pip install mem0-dbay

3. 使用

import mem0_dbay

# dbay.cloud 连接串（创建数据库时获得）
DBAY_URL = "postgres://user_xxx:password@pg.dbay.cloud:4432/my-mem0-db?sslmode=require&options=endpoint%3Dmy-mem0-db"

m = mem0_dbay.create_memory({
    "graph_store": {
        "provider": "dbay",
        "config": {"connection_string": DBAY_URL, "embedding_dimension": 1536}
    },
    "vector_store": {
        "provider": "pgvector",
        "config": {"connection_string": DBAY_URL, "embedding_model_dims": 1536}
    },
    "llm": {
        "provider": "openai",
        "config": {"api_key": "sk-..."}
    },
    "embedder": {
        "provider": "openai",
        "config": {"api_key": "sk-..."}
    },
})

# 添加记忆 —— 自动提取实体和关系，向量化存储
m.add("Alice 在 Google 当工程师", user_id="alice")
m.add("Bob 是 Alice 在 Google 的上司", user_id="alice")

# 搜索 —— 向量相似度 + 图谱关系扩展 + BM25 重排序
results = m.search("Alice 在哪里工作？", user_id="alice")

不需要装 Neo4j，不需要 Docker Compose 起 3 个容器。pip install + 一个连接串就行。

支持任何 OpenAI 兼容的 LLM

不只是 OpenAI —— 可以用 DeepSeek、硅基流动 SiliconFlow 或任何 OpenAI 兼容的服务：

m = mem0_dbay.create_memory({
    "graph_store": {
        "provider": "dbay",
        "config": {"connection_string": DBAY_URL, "embedding_dimension": 1024}
    },
    "vector_store": {
        "provider": "pgvector",
        "config": {"connection_string": DBAY_URL, "embedding_model_dims": 1024}
    },
    "llm": {
        "provider": "openai",
        "config": {
            "api_key": "sk-...",
            "openai_base_url": "https://api.siliconflow.cn/v1",
            "model": "deepseek-ai/DeepSeek-V3",
        }
    },
    "embedder": {
        "provider": "openai",
        "config": {
            "api_key": "sk-...",
            "openai_base_url": "https://api.siliconflow.cn/v1",
            "model": "BAAI/bge-m3",
        }
    },
})

为什么选 dbay.cloud？

dbay.cloud 是专为 AI 场景打造的 Serverless PostgreSQL 平台。一个实例同时提供向量检索、图谱存储、全文检索 —— Mem0 需要的全部存储能力。

Scale-to-zero：空闲不花钱

大多数 AI 记忆数据库 90% 的时间都是空闲的。在 dbay.cloud 上，空闲数据库自动休眠，零成本。Agent 查询时 ~500ms 自动唤醒。每个用户一个独立记忆数据库也不是问题 —— 不活跃的不花钱。

弹性算力：1cu–8cu 按需伸缩

日常 1cu（1 vCPU / 2 GB）就够了。跑批量记忆反思任务？临时扩到 8cu（8 vCPU / 16 GB），跑完自动缩回。不用改配置、不用重启。

Git 风格分支：A/B 测试记忆策略

想测试新的记忆反思策略，又不想影响生产数据？

main（生产记忆）
  ├── branch: experiment-a  ← 测试新的实体提取 prompt
  └── branch: experiment-b  ← 测试不同的相似度阈值

分支是瞬间 copy-on-write —— 零存储开销。对比结果，留下赢家，删掉其余。

预装 AI 扩展

• pgvector —— 向量相似度检索，HNSW 索引开箱即用
• pg_search (ParadeDB) —— BM25 全文检索，比 PostgreSQL 原生 FTS 更强

不需要自己编译安装扩展，创建数据库就能用。

技术原理

Mem0 的图谱记忆实际只做很简单的操作 —— 1-hop 邻居查询，不需要 PageRank、最短路径等图算法。这些操作用两张 PostgreSQL 表 + pgvector 就能高效实现：

Mem0 需要的能力	Neo4j 方案	mem0-dbay 方案
存实体 + embedding	Neo4j 节点 + 向量索引	graph_nodes 表 + pgvector
存实体关系	Neo4j 关系 (Cypher)	graph_edges 表 (SQL JOIN)
向量相似搜索	vector.similarity.cosine()	pgvector <=> 算子
查邻居关系	MATCH (n)-[r]->(m)	JOIN graph_edges ON ...
全文检索	需额外组件	pg_search BM25 内置

向量搜索和图谱遍历在同一个数据库里完成，比跨库方案少一次网络往返，延迟更低。

也支持本地 PostgreSQL

如果你更喜欢自托管，mem0-dbay 也支持任何装了 pgvector 的 PostgreSQL：

"connection_string": "postgresql://user:pass@localhost:5432/mydb"

许可

MIT