Mem0 集成 #

Mem0 是一个为 AI Agent 提供持久化记忆的开源框架。通过将 Easysearch 作为向量存储后端，Mem0 可以对记忆进行语义检索，让 Agent 在跨会话、跨项目的场景下依然能精准调取历史上下文。

架构概览 #

用户对话 → AI Agent
               ↓
   MCP Server (Mem0 OpenMemory)
               ↓
     ┌─────────────────────┐
     │  Easysearch         │
     │  ·  记忆向量索引      │
     │  ·  kNN 语义检索     │ 
     └─────────────────────┘

整体流程：

Agent 通过 MCP 协议调用 add_memories 将重要信息写入 Easysearch；
Agent 通过 MCP 协议调用 search_memory 对 Easysearch 进行 kNN 语义检索，取回相关记忆；
检索结果注入 Prompt，辅助 Agent 决策。

前置条件 #

条件	说明
Easysearch 集群	已部署并可访问的 Easysearch 集群
Python 3.10+	运行 Mem0 MCP Server
OpenAI 兼容的 LLM	用于整理写入的记忆内容
OpenAI 兼容的 Embedding 模型	用于为记忆生成向量

部署步骤 #

第一步：启动 Easysearch #

如果你已有可访问的 Easysearch 集群，可跳过此步骤，直接进入第二步。

以下演示使用 Docker 快速拉起一个单节点集群：

见 Easysearch 快速开始如何拉起 Easysearch 集群

# 生成 admin 初始密码
echo "EASYSEARCH_INITIAL_ADMIN_PASSWORD=$(openssl rand -hex 10)" | tee .env

# 启动容器
docker run -d --name easysearch \
   --ulimit memlock=-1:-1 \
   --env-file ./.env -p 9200:9200 \
   -v easysearch-data:/app/easysearch/data \
   -v easysearch-config:/app/easysearch/config \
   -v easysearch-logs:/app/easysearch/logs \
   infinilabs/easysearch:latest

验证节点正常启动：

curl -ku 'admin:<admin用户密码>' https://127.0.0.1:9200

收到如下响应即代表启动成功：

{
  "name" : "node_f2f876be-851e-413e-b371-a7c08669e418",
  "cluster_name" : "easysearch_c02ed88b-126b-4035-a650-79677be24ece",
  "version" : {
    "distribution" : "easysearch",
    "number" : "2.1.2",
    "distributor" : "INFINI Labs"
  },
  "tagline" : "You Know, For Easy Search!"
}

第二步：获取 Mem0 源码 #

git clone https://github.com/infinilabs/mem0.git && cd mem0
git checkout feat/easysearch

第三步：配置 MCP Server #

编辑 openmemory/api/.env 文件：

USER=<用户名字>

# ----------------------------------------------------
# 配置语言模型（用于整理写入的记忆内容）
# ----------------------------------------------------
LLM_PROVIDER=openai
LLM_MODEL=<语言模型>
LLM_BASE_URL=<模型提供商的 base URL>

# ----------------------------------------------------
# 配置向量模型（为记忆生成向量，支持语义搜索）
# ----------------------------------------------------
EMBEDDER_PROVIDER=openai
EMBEDDER_MODEL=<向量化模型>
EMBEDDER_BASE_URL=<模型提供商的 base URL>
EASYSEARCH_EMBEDDING_DIMS=<向量维度>

# ----------------------------------------------------
# API Key
# ----------------------------------------------------
OPENAI_API_KEY=<模型提供商的 API key>

# ----------------------------------------------------
# Easysearch 连接信息
# ----------------------------------------------------
EASYSEARCH_URL=<Easysearch 地址>
EASYSEARCH_USER=<用户名>
EASYSEARCH_PASSWORD=<密码>

以阿里云百炼平台为例的完整配置：

USER=steve

LLM_PROVIDER=openai
LLM_MODEL=deepseek-r1
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

EMBEDDER_PROVIDER=openai
EMBEDDER_MODEL=text-embedding-v4
EMBEDDER_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
EASYSEARCH_EMBEDDING_DIMS=1024

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxx

EASYSEARCH_URL=https://127.0.0.1:9200
EASYSEARCH_USER=admin
EASYSEARCH_PASSWORD=xxxxxxxxxxxxxxxx

第四步：启动 MCP Server #

cd openmemory/api

# 创建并激活虚拟环境
python3 -m venv .venv
source .venv/bin/activate

# 安装依赖
pip install -r requirements.txt && pip uninstall -y mem0ai && pip install -e "../../[extras]"

# 启动服务
uvicorn main:app --host 0.0.0.0 --port 8765

看到如下输出代表启动成功：

INFO:     Started server process [88835]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8765 (Press CTRL+C to quit)

在 AI Agent 工具中配置 #

配置 MCP Server #

在 Agent 工具中配置 URL 为 http://localhost:8765/mcp/<客户端ID>/http/<用户名字> 的 MCP server

<客户端ID> 用于区分不同的 Agent 工具，可自定义，例如 cursor、vscode 等。

配置 Memory Skill #

在 Agent 工具中添加如下全局技能（Skill），指导 Agent 何时写入、何时检索记忆：

---
name: memory
description: "MANDATORY MEMORY PROTOCOL. You MUST call `search_memory` before any action and `add_memories` after any significant discovery. This is the primary persistent storage for project context, decisions, and bug fixes."
---

# Memory Skill

## 🚨 MANDATORY EXECUTION PROTOCOL (SOP) 🚨

### STEP 1: Pre-Task Mandatory Retrieval
**Before taking ANY action** (reading files, executing commands, writing code, or answering):
1. You **MUST** call `search_memory`.
2. Search keywords: Main entities, technology stack, and the specific problem mentioned.
3. **DO NOT** assume you know the project context; always check the memory first.

### STEP 2: Task Execution & Monitoring
During execution, pay attention to "Knowledge Nuggets" — information that isn't in the codebase but is crucial for future work.

### STEP 3: Mandatory Post-Task Consolidation (THE "SAVE" RULE)
**Before sending your final response**, you MUST evaluate if you discovered any **New Project Knowledge (NPK)**. If any of the following occurred, call `add_memories`:

- **Decision Logs:** Did you choose a specific library, pattern, or architecture?
- **Bug Root Causes:** Did you debug a tricky issue? Save the fix and the 'why'.
- **Environment/Build Specs:** Did you find a specific command or environment variable needed?
- **Naming Conventions:** Did you establish or discover naming rules in this project?
- **Business Logic:** Did you uncover a hidden rule in the requirement?

## Available MCP Tools
| Tool | Purpose |
|------|---------|
| `add_memories` | Store new information to memory |
| `search_memory` | Semantic search across all memories |
| `list_memories` | List all stored memories |
| `delete_memories` | Delete specific memories by ID |

MCP 工具说明 #

工具	说明
`add_memories`	将文本内容向量化后写入 Easysearch
`search_memory`	对 Easysearch 执行 kNN 语义检索，返回相关记忆
`list_memories`	列出所有已存储的记忆条目
`delete_memories`	按 ID 删除指定记忆

注意事项 #

Embedding 维度: EASYSEARCH_EMBEDDING_DIMS 必须与实际模型输出维度一致
Easysearch 默认启用 HTTPS，.env 中的 URL 请使用 https://
TLS 证书验证
Easysearch 默认使用自签名证书。MCP Server 连接 Easysearch 时，默认会跳过证书验证，适合本地开发环境。
如需启用证书验证（生产环境推荐），有以下两种方法：
1. 使用受信任 CA 颁发的证书
2. 将自签名 CA 证书加入系统信任链