mem0-dbay 0.1.1

PostgreSQL + pgvector graph store backend for Mem0 — powered by dbay.cloud

mem0-dbay

干掉 Neo4j，一个数据库搞定一切。

mem0-dbay 是 Mem0 的图存储插件，用 dbay.cloud 的 Serverless PostgreSQL + pgvector 替代 Neo4j。向量存储和图存储跑在同一个数据库里，零基础设施运维。

为什么需要这个？

自托管 Mem0 需要 3 个独立的数据库：

Mem0 → PostgreSQL + pgvector  （向量存储）
     → Neo4j                  （图存储）    ← 额外基础设施
     → SQLite                 （历史记录）

Neo4j 带来的痛苦：

• 多一个数据库要部署、监控、备份、付费
• Docker 冷启动 90 秒（start_period: 90s）
• 完全不同的查询语言（Cypher）
• 依赖 APOC 插件

用 mem0-dbay，一切跑在一个 dbay.cloud 数据库上：

Mem0 → dbay.cloud PostgreSQL  （向量 + 图谱 + 历史，全部搞定）

一个连接串。一个数据库。不用 Cypher。不用运维。

快速开始

1. 在 dbay.cloud 创建免费数据库

注册 dbay.cloud，创建一个数据库，拿到连接串：

postgres://user_xxx:[e-mail]:4432/my-mem0-db?sslmode=require&options=endpoint%3Dmy-mem0-db

pgvector 已预装。不需要手动启用扩展，不需要手动建表 —— mem0-dbay 全自动处理。

2. 安装

pip install mem0-dbay

3. 使用

import mem0_dbay

DBAY_URL = "postgres://user_xxx:[e-mail]: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
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")

就这么简单。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。

	自建 PG + Neo4j	dbay.cloud
要管几个数据库	2 个（PG + Neo4j）	0 个 —— 全托管
空闲成本	24/7 运行（~$50+/月）	Scale-to-zero —— 空闲零成本
冷启动	Neo4j: 90秒	~500ms 热启动 / ~8s 冷启动
算力弹性	固定规格	1cu–8cu 按需弹性 —— 跟着负载走
pgvector	自己装	预装，HNSW 索引开箱即用
BM25 全文检索	没有	pg_search (ParadeDB) 预装
数据库分支	不可能	Git 风格 copy-on-write 分支
搭建时间	几小时（Docker、配置、健康检查）	30 秒

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，数据库 ~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。

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。其他记忆基础设施做不到这一点。

弹性算力：批处理轻松扩容

跑批量记忆反思任务？临时扩到 8cu（8 vCPU / 16 GB），跑完缩回 1cu。不用改配置、不用重启、不用停机。

它是怎么工作的？

Mem0 的图谱记忆其实只做很简单的操作 —— 不用 PageRank，不用最短路径，不用图算法：

Mem0 做的事	Neo4j (Cypher)	mem0-dbay (SQL)
存实体	:__Entity__ 节点	graph_nodes 表
向量相似搜索	vector.similarity.cosine()	pgvector <=> 算子
存关系	MERGE (a)-[r:TYPE]->(b)	INSERT INTO graph_edges
查邻居	MATCH (n)-[r]->(m)	JOIN graph_edges ON ...

两张 PostgreSQL 表替代一整个 Neo4j 实例。

Mem0 已经支持 pgvector 了，这个有什么不同？

Mem0 本身已经支持 pgvector 做向量存储。但图存储仍然需要 Neo4j（或 Memgraph / Neptune / Kuzu）。

mem0-dbay 把图存储也换成了 PostgreSQL，两个存储共用一个数据库：

                        向量存储        图存储
                        ────────        ──────
Mem0 默认:              pgvector ✅     Neo4j ❌（另一个数据库）
Mem0 + mem0-dbay:       pgvector ✅     pgvector ✅（同一个数据库！）

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