mem1 - 用户记忆系统

让 AI 真正"记住"用户：三层记忆架构 + 图片记忆 + 话题隔离 + 业务场景解耦。

核心特性

• 三层记忆架构：短期会话 → 用户画像 → 长期记录
• 话题隔离：同一用户可有多个话题，对话按话题隔离，画像跨话题共享
• 图片记忆：存储图片时自动调用 VL 模型生成描述（OCR + 内容理解），搜索时基于文字描述召回
• 业务解耦：通过 ProfileTemplate 适配不同场景
• 画像自动更新：基于对话轮数/时间自动触发 LLM 更新用户画像
• 可插拔存储：支持 ES 后端，预留 SQLite/MySQL 扩展接口

安装

pip install mem1

快速开始

from mem1 import Mem1Memory, Mem1Config

# 从环境变量加载配置
config = Mem1Config.from_env()

# 创建记忆实例（绑定用户和话题）
memory = Mem1Memory(config, user_id="user001", topic_id="project_a")

# 添加对话
memory.add_conversation(
    messages=[
        {"role": "user", "content": "你好，我是张明"},
        {"role": "assistant", "content": "你好张明！"}
    ]
)

# 获取上下文（含用户画像 + 最近对话）
ctx = memory.get_context()
print(ctx['import_content'])   # 用户画像
print(ctx['normal_content'])   # 最近对话记录
print(ctx['current_time'])     # 当前时间

环境变量配置

复制 .env.example 为 .env 并填写配置：

cp .env.example .env

图片记忆

存储图片时自动调用 VL 模型（如 Qwen-VL）生成描述：

• 【用户描述】用户发送图片时的文字说明
• 【文字内容】OCR 识别图片中的文字
• 【图片描述】VL 模型对图片内容的理解

搜索时基于描述文本进行关键词匹配，返回图片路径。

# 添加带图片的对话
memory.add_conversation(
    messages=[{"role": "user", "content": "这是今天的报表"}],
    images=[{"path": "./report.png", "filename": "report.png"}]
)

# 搜索图片（基于 VL 生成的描述）
results = memory.search_images(query="报表")
# 返回: [{"filename": "...", "description": "...", "abs_path": "..."}]

LangChain 集成

完整示例（记忆存储 + 召回）：

from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage
from mem1 import Mem1Memory, Mem1Config

config = Mem1Config.from_env()
memory = Mem1Memory(config, user_id="user001", topic_id="project_a")
llm = ChatOpenAI(model=config.llm.model, api_key=config.llm.api_key, base_url=config.llm.base_url)

# ========== 第一次对话：存储记忆 ==========
memory.add_conversation(messages=[
    {"role": "user", "content": "我是李明，市网信办的，每周一要交周报"},
    {"role": "assistant", "content": "李明您好！已记录：周一交周报。"}
])
memory.add_conversation(messages=[
    {"role": "user", "content": "本月处理了97起舆情，重大舆情11起"},
    {"role": "assistant", "content": "已记录本月数据。"}
])

# ========== 第二次对话：召回记忆 ==========
user_question = "帮我写个本月舆情简报"

# 1. 获取记忆上下文
ctx = memory.get_context(query=user_question, days_limit=7)

# 2. 构建 system prompt（注入画像 + 历史对话）
system_prompt = f"""你是舆情助手。

## 用户画像
{ctx['import_content']}

## 最近对话记录
{ctx['normal_content']}

## 当前时间
{ctx['current_time']}

## 重要规则
- 回答必须基于对话记录，不要编造
- 数字必须从记录中原样提取
"""

# 3. 调用 LLM（记忆已注入）
messages = [SystemMessage(content=system_prompt), HumanMessage(content=user_question)]
response = llm.invoke(messages)
print(response.content)  # AI 会基于记忆中的 97起、11起 来回答

# 4. 保存本次对话
memory.add_conversation(messages=[
    {"role": "user", "content": user_question},
    {"role": "assistant", "content": response.content}
])

核心接口

memory = Mem1Memory(config, user_id="user001", topic_id="project_a")

# 添加对话
memory.add_conversation(messages=[...], images=[...], metadata={...})

# 获取上下文（画像 + 最近 N 天对话）
ctx = memory.get_context(days_limit=31)

# 渐进式检索（先查近期，不够再扩展）
ctx = memory.get_context_progressive(query="帮我写周报", max_days=31, step=7)

# 按时间范围检索（供外部 LLM 作为 tool 调用）
convs = memory.search_conversations(start_days=170, end_days=180)  # 查半年前

# 查询对话
convs = memory.get_conversations(days_limit=7)
all_convs = memory.get_all_conversations(days_limit=7)

# 图片搜索
results = memory.search_images(query="麻花")

# 话题管理
topics = memory.list_topics()
memory.delete_topic()
memory.delete_user()

可插拔存储层

v0.0.7 引入了可插拔存储层架构，支持自定义存储后端：

from mem1 import Mem1Memory, Mem1Config, StorageBackend, ESStorage

# 默认使用 ES
memory = Mem1Memory(config, user_id="user001", topic_id="default")

# 或显式指定存储后端
storage = ESStorage(hosts=["http://localhost:9200"], index_name="my_index")
memory = Mem1Memory(config, user_id="user001", storage=storage)

# 未来可扩展 SQLite/MySQL 后端
# storage = SQLiteStorage(db_path="mem1.db")

远期记忆检索

mem1 定位是记忆存储层，不内置时间意图解析。当用户问"半年前的XX事"时，建议：

1. 外部 LLM 判断时间范围：通过 function calling 让 LLM 提取时间意图
2. 调用 search_conversations(start_days, end_days)：定向检索指定时间段

# 示例：作为 LangChain Tool 暴露给 LLM
from langchain.tools import tool

@tool
def search_memory(start_days: int, end_days: int) -> str:
    """搜索用户历史对话。start_days 和 end_days 表示距今多少天。"""
    convs = memory.search_conversations(start_days=start_days, end_days=end_days)
    return memory._format_conversations_for_llm(convs)

这样设计的原因：

• 外部 LLM 有完整对话上下文，判断时间范围更准确
• 避免 mem1 内部嵌套 LLM 调用，架构更清晰
• 符合 Agent / function calling 的设计模式

ES 索引

LLM 提示词建议

使用 get_context() 获取上下文后，建议在 system prompt 中加入以下规则，避免 LLM 编造信息：

## 严格规则（违反将被标记为错误）
1. 禁止编造任何未在对话记录中出现的信息
2. 涉及时间/日期时，必须从对话记录中原样引用，不得推测
3. 如果对话记录中没有明确的时间信息，回答"对话记录中未提及具体时间"
4. 需要引用数据时，必须标注来源（如：根据 [对话-003] 的记录）
5. 涉及数字（金额、数量、百分比等）时，必须从对话记录中原样提取，不得估算
6. 需要汇总累加时，必须列出计算过程（如：23+31+18+25=97）
7. 涉及人名、公司名、账号名等实体时，必须使用对话中的原始名称

对话记录格式说明：

• 每条对话都有唯一 ID，格式为 [对话-001]、[对话-002] 等
• 回答时引用对话 ID 可提高可信度，如："根据 [对话-003] 的记录，本月处理了97起舆情"

推荐配置：

• MEM1_LLM_TEMPERATURE=0.2（降低创造性，减少编造）
• MEM1_CONTEXT_DAYS_LIMIT=7（缩小检索范围，提高精准度）

设计决策：为什么不用向量数据库

mem1 选择 ES 时间范围检索而非 Milvus/Pinecone 等向量数据库，核心原因是对话记忆需要上下文连续性：

举例说明：

用户: 我是李明，市网信办的
用户: 本月处理了97起舆情
用户: 帮我写周报

• 向量检索："帮我写周报" 可能只召回包含"周报"的那一条，丢失"97起舆情"
• 时间范围检索：LLM 看到完整对话流，理解"周报"要包含"97起舆情"

向量检索更适合：长期记忆中的独立事实召回（如半年前提过的偏好）。但 mem1 通过画像压缩解决这个问题——重要信息会被 LLM 提取到用户画像中持久保存。

设计决策：为什么不用 Context Caching

豆包等大模型提供了 Context Caching 功能（缓存命中可省 86% token 费），但 mem1 选择不使用：

mem1 的记忆是动态组装的（画像 + 检索到的相关对话），每次 prompt 内容不同，Context Caching 的"相同前缀复用"优势无法发挥。

如果担心 token 消耗，建议调小 MEM1_CONTEXT_DAYS_LIMIT（如 3-7 天），让远期记忆靠画像覆盖。

License

MIT