一站式AI Agent长记忆方案_云原生数据库 PolarDB(PolarDB)-阿里云帮助中心

大型语言模型（LLM）常因上下文限制而遗忘对话历史，导致服务不连贯。PolarDB PostgreSQL版提供了一种长期记忆解决方案，该方案基于Mem0框架，整合了向量数据库引擎与图数据库引擎，使得AI Agent能够在跨会话中持久化存储与检索用户的偏好与历史，从而实现真正的长期记忆智能体验。

功能简介

本方案的核心是利用Mem0框架为AI Agent构建一个统一的记忆层。Mem0能够将对话信息转化为结构化或非结构化的记忆，并存储在后端的数据库中。PolarDB PostgreSQL版作为底层数据引擎，为此提供了两种实现路径：

纯向量数据库方案 利用PolarDB PostgreSQL版内置的pgvector（向量数据库引擎），将对话中的关键信息转换为向量并存储。当AI Agent需要回忆时，通过向量相似度搜索快速检索相关记忆。此方案实现简单且成本较低，适合在线客服、实时聊天机器人等需要快速语义检索的场景。
向量数据库+图数据库方案 结合PolarDB PostgreSQL版内置的pgvector（向量数据库引擎）和polar_age（图数据库引擎）插件，不仅存储对话的语义信息，还通过图结构的三元组（实体1-关系-实体2）存储实体间的复杂关系。例如，在用户说“我喜欢诺兰导演的《星际穿越》”时，系统不仅记住这句话，还会建立“我-喜欢-《星际穿越》”和“诺兰-导演-《星际穿越》”的实体关系。此方案适用于需要长期个性化服务的场景（如智能座仓AI助手、AI伴侣等）、复杂关系推理场景（如医疗诊断、旅行规划等）以及追踪复杂实体演变与关联场景（如企业知识库、金融风控动态规则库等）。

两种方案的互补性体现在：向量数据库+图数据库方案虽能处理复杂关系，但在检索效率上带来了更大的挑战，而纯向量数据库方案在简单场景中表现出更高的效率，但缺乏对深层关系的建模能力。在实际部署过程中，应根据业务复杂度和实时性需求进行混合架构设计。

方案架构

PolarDB PostgreSQL版的一站式的长期记忆解决方案包含以下五个主要部分：

记忆体引擎：建议采用Mem0框架，该框架是一个为AI Agent设计的先进记忆框架，它不仅能融合长短期记忆，还能将信息分层为工作、事实、情景等多种类型，并已支持了PolarDB的向量数据库引擎与图数据引擎能力。
基础数据引擎：PolarDB PostgreSQL版在产品内原生集成了PGVector向量引擎和兼容Apache AGE的图引擎，这种一站式架构避免了多系统拼接的复杂性，并依托云原生能力确保了卓越的性能与扩展性。
模型服务：大语言模型在方案中负责自动从对话中提取、转换和向量化关键信息，您可在PolarDB中直接添加带GPU规格的AI节点，实现数据与模型推理的紧密耦合，从而大幅提升处理效率。
AI应用构建平台：Mem0框架可以作为插件轻松集成到Dify、LangChain等主流AI应用开发框架中，从而构建功能更强大的整体解决方案。
KV缓存增强：对于实时性要求极高的场景，PolarDB PostgreSQL版支持开启分布式KVCache作为上下文缓存加速层，此举能有效减少重复计算，显著稳定并降低推理延迟。

优势

一站式解决方案：PolarDB PostgreSQL版在单一产品内同时提供高性能的向量数据库引擎和图数据库引擎。相比需要采购和维护多个独立数据库产品的方案，本方案可将您的采购成本降低至少50%，并显著简化系统架构，降低运维复杂度和项目风险。
高可扩展性：基于云原生分布式架构，向量存储和图数据管理均支持百亿级规模，能够有效应对业务增长。向量索引的创建和搜索过程中无内存溢出（OOM）风险，图数据库引擎具备百亿级（点+边）大图管理的能力，并支持万级以上的高QPS图搜索可扩展性。此外，系统还支持TTL记录的生命周期自动回收，并提供控制台功能以开启图管理节点进行可视化管理。
高性能：支持向量与图数据的实时写入与查询（写入即可查），查询RT（响应时间）最低可优于50毫秒。若结合AI节点进行本地模型推理，效率可提升1-2倍，再配合分布式KVCache缓存，推理速度可进一步提升5倍以上，同时降低30%-50%的显存占用。

计费说明

本方案涉及的阿里云产品均为付费服务，具体费用说明如下：

PolarDB PostgreSQL版：按规格和使用时长计费。
ECS实例：用于部署Mem0记忆框架，按规格和使用时长计费。
模型服务：本方案使用阿里云大模型服务平台百炼，调用LLM模型和Embedding模型会产生费用，按调用量计费。

使用说明

本教程将引导您结合PolarDB PostgreSQL版纯向量数据库和向量数据库+图数据库方案，以及阿里云大模型服务平台百炼，并基于Mem0框架，构建一个AI Agent长期记忆系统。

说明

开源的Mem0框架版本目前已适配PolarDB PostgreSQL版的pgvector（向量数据库引擎），但尚未适配polar_age（图数据库引擎）。如需体验一站式AI Agent长记忆方案，请提交工单与我们联系，以获取经过适配的Mem0框架。

准备工作

一台PolarDB PostgreSQL 16版本集群和一台ECS实例。为确保最佳性能，建议两者位于同一专有网络VPC与交换机内。
在PolarDB PostgreSQL版集群内获取连接地址与端口，并创建对应的数据库账号。
开通阿里云大模型服务平台百炼，并获取API Key。

步骤一：配置ECS环境

登录ECS实例，您可按需选择合适的工具连接实例。
检查Python环境及版本，本方案需使用Python 3.11或更高版本，以下内容以Alibaba Cloud Linux 3.2104 LTS 64位操作系统为例进行说明。
1. 检查您的环境中是否有Python环境以及Python版本。
```
python --version
```
2. 若未安装或版本过低，可执行下述命令安装或更新。
  1. 更新系统软件包。
```
sudo yum update -y
```
  2. 列出所有可用但尚未安装的Python软件包。
```
sudo yum list available | grep '^python3\([0-9]\|\.[0-3]\+\)\.\(x86_64|aarch64\)*'
```
  3. 从可用的Python软件包中，选择符合Python 3.11的版本进行安装。
```
sudo yum install python3.11.x86_64 -y
```
  4. 验证环境。
```
python3.11 --version
```
将您通过工单获取的Mem0框架（适配PolarDB PostgreSQL版）上传至ECS实例并解压。此处以上传至/home目录为例，您可按需选择上传ZIP包的方式。
说明
若您的ECS环境中未安装zip解压工具，请先执行sudo yum install -y unzip命令安装zip解码工具。
```
cd /home
unzip mem0.zip 
```
将阿里云大模型服务平台百炼的API Key配置到环境变量。其中，<YOUR_DASHSCOPE_API_KEY>为您的API Key。
```
echo "export DASHSCOPE_API_KEY='<YOUR_DASHSCOPE_API_KEY>'" >> ~/.bashrc
source ~/.bashrc
```
将Python环境配置到环境变量。其中，<mem0_src>为您的代码目录，依照上述第三步的示例，应设置为/home/mem0。
```
export PYTHONPATH=<mem0_src>:<mem0_src>/mem0:/home/postgres/.local/lib/python3.11/site-packages/
```

步骤二：初始化PolarDB数据库

登录PolarDB PostgreSQL版集群。在ECS实例中，请使用PolarDB提供PolarDB-Tools连接您的集群。
说明
如需在ECS实例中登录集群，需要先将ECS实例的IP或者所属安全组加入到集群的白名单中。

进入默认的postgres数据库，执行以下SQL语句，创建测试数据库和所需插件。

创建测试数据库mem0。

CREATE DATABASE mem0;
ALTER DATABASE mem0 SET session_preload_libraries TO 'polar_age';

切换至数据库mem0。
```
\c mem0
```

创建所需插件。

-- 创建图数据库插件
CREATE EXTENSION polar_age;

-- 创建向量数据库插件
CREATE EXTENSION vector;

创建图（Graph）。

-- 创建一个名为mem0的图
SELECT ag_catalog.create_graph('mem0');

-- 为图中的顶点（vertex）表增加一个1536维的向量列，用于混合检索
-- 注意：1536维需要与您选用的Embedding模型输出维度一致（如百炼的text-embedding-v2）
ALTER TABLE mem0._ag_label_vertex ADD COLUMN embedding vector(1536);

说明

PolarDB PostgreSQL版在图（Graph）的点表中增加了向量字段，在底层实现了图+向量混合检索。

设置永久加载插件。
```
ALTER DATABASE mem0 SET search_path = public,ag_catalog,mem0;
ALTER DATABASE mem0 SET session_preload_libraries TO 'polar_age';
```
说明
请注意，使用数据管理 DMS（Data Management）客户端设置search_path时，可能会存在兼容性问题。

使用exit;命令退出数据库。

步骤三：配置并运行Mem0示例代码

安装PostgreSQL开发工具包。

# 这个命令会安装 pg_config 等构建psycopg2所需的工具
sudo yum install -y postgresql-devel

在/home/mem0代码目录中，创建虚拟环境（venv）隔离项目依赖，避免全局污染。
```
cd /home/mem0
python3.11 -m venv myenv
```
激活虚拟环境
```
source myenv/bin/activate
```
升级pip到最新版本
```
python -m pip install --upgrade pip
```

安装Mem0框架及其所需的Python依赖库。

pip install .
pip install rank_bm25
pip install psycopg2-binary

体验长期记忆方案。

实时问答记忆体验

纯向量数据库

在项目根目录直接创建一个run_memory_test.py文件。
```
touch run_memory_test.py
vi run_memory_test.py
```

将以下代码复制到文件中。其中，请将代码中的占位符（如<polardb-host>、<polardb-port>、<polardb-username>、<polardb-password>）替换为您的集群信息。

from mem0 import Memory

# This example must connect to a neptune-graph instance with 1536 vector dimensions specified.
config = {
    "llm": {
        "provider": "bailian",
        "config": {"model": "qwen-plus"},
    },
    "embedder": {
        "provider": "bailian",
        "config": {"model": "text-embedding-v4", "embedding_dims": 1536},
    },
    "vector_store": {
        "provider": "pgvector",
        "config": {
            "host": "<polardb-host>",
            "port": <polardb-port>,
            "dbname": "mem0",
            "user": "<polardb-username>",
            "password": "<polardb-password>",
            "collection_name": "memories"
        }
    }
}

m = Memory.from_config(config_dict=config)

debug = True
# Using only user_id
result = m.add("I like pizza", user_id="alice")
if debug:
    print(result)

result = m.add("I hate pizza", user_id="alice")
if debug:
    print(result)

result = m.add("I like football", user_id="alice", metadata={"category": "hobbies"})
if debug:
    print(result)

# Using both user_id and agent_id
result = m.add("I like pizza", user_id="alice", agent_id="food-assistant")
if debug:
    print(result)

# Get all memories for a user
result = m.get_all(user_id="alice")
if debug:
    print(result)

# Get all memories for a specific agent belonging to a user
result = m.get_all(user_id="alice", agent_id="food-assistant")
if debug:
    print(result)

# Search memories for a user
result = m.search("tell me my name.", user_id="alice")
if debug:
    print(result)

# Search memories for a specific agent belonging to a user
result = m.search("tell me my name.", user_id="alice", agent_id="food-assistant")
if debug:
    print(result)

# Search memories for a user
result = m.search("what food do you like.", user_id="alice")
if debug:
    print(result)

# Search memories for a user
result = m.search("what sport do you like.", user_id="alice")
if debug:
    print(result)

# Delete all memories for a user
result = m.delete_all(user_id="alice")
if debug:
    print(result)

# Delete all memories for a specific agent belonging to a user
result = m.delete_all(user_id="alice", agent_id="food-assistant")
if debug:
    print(result)

保存文件并运行脚本。
```
python run_memory_test.py
```

观察命令行输出，您将看到记忆被添加、搜索、查询和删除的全过程。

{'results': []}
{'results': [{'id': '7f5af484-e8a5-4cae-b53e-e8be53beaa76', 'memory': 'I like pizza', 'event': 'DELETE'}]}
{'results': [{'id': '96ec8a90-5a22-4413-98a6-ff91aeacb3c7', 'memory': 'I like football', 'event': 'ADD'}]}
{'results': [{'id': 'c2282f35-f84e-4bcd-ad8f-bcfdd47c5185', 'memory': 'I like pizza', 'event': 'ADD'}]}
{'results': [{'id': '96ec8a90-5a22-4413-98a6-ff91aeacb3c7', 'memory': 'I like football', 'hash': 'db38eb7ce206333d12734e4251d964c1', 'metadata': {'category': 'hobbies'}, 'created_at': '2025-08-07T03:48:23.367894-07:00', 'updated_at': None, 'user_id': 'alice'}, {'id': 'c2282f35-f84e-4bcd-ad8f-bcfdd47c5185', 'memory': 'I like pizza', 'hash': '3acb2fb7961d7f09e42b99b96b605f3f', 'metadata': None, 'created_at': '2025-08-07T03:48:25.510270-07:00', 'updated_at': None, 'user_id': 'alice', 'agent_id': 'food-assistant'}]}
{'results': [{'id': 'c2282f35-f84e-4bcd-ad8f-bcfdd47c5185', 'memory': 'I like pizza', 'hash': '3acb2fb7961d7f09e42b99b96b605f3f', 'metadata': None, 'created_at': '2025-08-07T03:48:25.510270-07:00', 'updated_at': None, 'user_id': 'alice', 'agent_id': 'food-assistant'}]}
{'results': [{'id': '96ec8a90-5a22-4413-98a6-ff91aeacb3c7', 'memory': 'I like football', 'hash': 'db38eb7ce206333d12734e4251d964c1', 'metadata': {'category': 'hobbies'}, 'score': 0.696223974227903, 'created_at': '2025-08-07T03:48:23.367894-07:00', 'updated_at': None, 'user_id': 'alice'}, {'id': 'c2282f35-f84e-4bcd-ad8f-bcfdd47c5185', 'memory': 'I like pizza', 'hash': '3acb2fb7961d7f09e42b99b96b605f3f', 'metadata': None, 'score': 0.707332858224723, 'created_at': '2025-08-07T03:48:25.510270-07:00', 'updated_at': None, 'user_id': 'alice', 'agent_id': 'food-assistant'}]}
{'results': [{'id': 'c2282f35-f84e-4bcd-ad8f-bcfdd47c5185', 'memory': 'I like pizza', 'hash': '3acb2fb7961d7f09e42b99b96b605f3f', 'metadata': None, 'score': 0.707332858224723, 'created_at': '2025-08-07T03:48:25.510270-07:00', 'updated_at': None, 'user_id': 'alice', 'agent_id': 'food-assistant'}]}
{'results': [{'id': 'c2282f35-f84e-4bcd-ad8f-bcfdd47c5185', 'memory': 'I like pizza', 'hash': '3acb2fb7961d7f09e42b99b96b605f3f', 'metadata': None, 'score': 0.413298897746297, 'created_at': '2025-08-07T03:48:25.510270-07:00', 'updated_at': None, 'user_id': 'alice', 'agent_id': 'food-assistant'}, {'id': '96ec8a90-5a22-4413-98a6-ff91aeacb3c7', 'memory': 'I like football', 'hash': 'db38eb7ce206333d12734e4251d964c1', 'metadata': {'category': 'hobbies'}, 'score': 0.458641203722873, 'created_at': '2025-08-07T03:48:23.367894-07:00', 'updated_at': None, 'user_id': 'alice'}]}
{'results': [{'id': '96ec8a90-5a22-4413-98a6-ff91aeacb3c7', 'memory': 'I like football', 'hash': 'db38eb7ce206333d12734e4251d964c1', 'metadata': {'category': 'hobbies'}, 'score': 0.278534250172033, 'created_at': '2025-08-07T03:48:23.367894-07:00', 'updated_at': None, 'user_id': 'alice'}, {'id': 'c2282f35-f84e-4bcd-ad8f-bcfdd47c5185', 'memory': 'I like pizza', 'hash': '3acb2fb7961d7f09e42b99b96b605f3f', 'metadata': None, 'score': 0.483608051645996, 'created_at': '2025-08-07T03:48:25.510270-07:00', 'updated_at': None, 'user_id': 'alice', 'agent_id': 'food-assistant'}]}
{'message': 'Memories deleted successfully!'}
{'message': 'Memories deleted successfully!'}

向量数据库+图数据库

在项目根目录直接创建一个run_memory_graph_test.py文件。
```
touch run_memory_graph_test.py
vi run_memory_graph_test.py
```

将以下代码复制到文件中。其中，请将代码中的占位符（如<polardb-host>、<polardb-port>、<polardb-username>、<polardb-password>）替换为您的集群信息。

from mem0 import Memory

# This example must connect to a neptune-graph instance with 1536 vector dimensions specified.
config = {
    "llm": {
        "provider": "bailian",
        "config": {"model": "qwen-plus"},
    },
    "embedder": {
        "provider": "bailian",
        "config": {"model": "text-embedding-v4", "embedding_dims": 1536},
    },
    "vector_store": {
        "provider": "pgvector",
        "config": {
            "host": "<polardb-host>",
            "port": <polardb-port>,
            "dbname": "mem0",
            "user": "<polardb-username>",
            "password": "<polardb-password>",
            "collection_name": "memories"
        }
    },
    "graph_store": {
        "provider": "polardb",
        "config": {
            "url": "<polardb-host>",
            "port": <polardb-port>,
            "database": "mem0",
            "username": "<polardb-username>",
            "password": "<polardb-password>",
            "graphname": "mem0",
        },
    }
}

m = Memory.from_config(config_dict=config)

debug = True
# Using only user_id
result = m.add("I like pizza", user_id="alice")
if debug:
    print(result)

result = m.add("I hate pizza", user_id="alice")
if debug:
    print(result)

result = m.add("I like football", user_id="alice", metadata={"category": "hobbies"})
if debug:
    print(result)

# Using both user_id and agent_id
result = m.add("I like pizza", user_id="alice", agent_id="food-assistant")
if debug:
    print(result)

# Get all memories for a user
result = m.get_all(user_id="alice")
if debug:
    print(result)

# Get all memories for a specific agent belonging to a user
result = m.get_all(user_id="alice", agent_id="food-assistant")
if debug:
    print(result)

# Search memories for a user
result = m.search("tell me my name.", user_id="alice")
if debug:
    print(result)

# Search memories for a specific agent belonging to a user
result = m.search("tell me my name.", user_id="alice", agent_id="food-assistant")
if debug:
    print(result)

# Search memories for a user
result = m.search("what food do you like.", user_id="alice")
if debug:
    print(result)

# Search memories for a user
result = m.search("what sport do you like.", user_id="alice")
if debug:
    print(result)

# Delete all memories for a user
result = m.delete_all(user_id="alice")
if debug:
    print(result)

# Delete all memories for a specific agent belonging to a user
result = m.delete_all(user_id="alice", agent_id="food-assistant")
if debug:
    print(result)

保存文件并运行脚本。
```
python run_memory_graph_test.py
```

观察命令行输出。您将看到记忆被添加、搜索、查询和删除的全过程，以及每次操作后返回的包含向量搜索结果（results）和图关系（relations）的JSON数据。这直观地展示了AI Agent如何存储和回忆信息。

{'results': [{'id': '5d2007c2-b5b7-4632-a6c7-7f3672f6bf8f', 'memory': 'I like pizza', 'event': 'ADD'}], 'relations': {'deleted_entities': [], 'added_entities': [[{'source': 'user_id:_alice', 'relationship': 'likes', 'target': 'pizza', 'source_id': '3_53', 'destination_id': '3_54', 'relationship_id': '31_1'}]]}}
{'results': [{'id': '5d2007c2-b5b7-4632-a6c7-7f3672f6bf8f', 'memory': 'Hate pizza', 'event': 'DELETE'}], 'relations': {'deleted_entities': [[{'source': 'user_id:_alice', 'target': 'pizza', 'relationship': 'likes'}]], 'added_entities': [[{'source': 'user_id:_alice', 'relationship': 'hates', 'target': 'pizza'}]]}}
{'results': [{'id': '38dfb9a3-82e2-48d7-a8ab-2905aa40854e', 'memory': 'I like football', 'event': 'ADD'}], 'relations': {'deleted_entities': [], 'added_entities': [[{'source': 'alice', 'relationship': 'likes', 'target': 'football', 'source_id': '3_55', 'destination_id': '3_56', 'relationship_id': '31_2'}]]}}
{'results': [{'id': '1b469b78-7caa-4fc4-8195-17860dfb5458', 'memory': 'I like pizza', 'event': 'ADD'}], 'relations': {'deleted_entities': [], 'added_entities': [[{'source': 'i', 'relationship': 'likes', 'target': 'pizza', 'source_id': '3_57', 'destination_id': '3_58', 'relationship_id': '31_3'}]]}}
{'results': [{'id': '38dfb9a3-82e2-48d7-a8ab-2905aa40854e', 'memory': 'I like football', 'hash': 'db38eb7ce206333d12734e4251d964c1', 'metadata': {'category': 'hobbies'}, 'created_at': '2025-08-07T19:12:10.363695-07:00', 'updated_at': None, 'user_id': 'alice'}, {'id': '1b469b78-7caa-4fc4-8195-17860dfb5458', 'memory': 'I like pizza', 'hash': '3acb2fb7961d7f09e42b99b96b605f3f', 'metadata': None, 'created_at': '2025-08-07T19:12:16.148090-07:00', 'updated_at': None, 'user_id': 'alice', 'agent_id': 'food-assistant'}], 'relations': [{'source': 'user_id:_alice', 'relationship': 'hates', 'target': 'pizza'}, {'source': 'alice', 'relationship': 'likes', 'target': 'football'}, {'source': 'i', 'relationship': 'likes', 'target': 'pizza'}]}
{'results': [{'id': '1b469b78-7caa-4fc4-8195-17860dfb5458', 'memory': 'I like pizza', 'hash': '3acb2fb7961d7f09e42b99b96b605f3f', 'metadata': None, 'created_at': '2025-08-07T19:12:16.148090-07:00', 'updated_at': None, 'user_id': 'alice', 'agent_id': 'food-assistant'}], 'relations': []}
{'results': [{'id': '38dfb9a3-82e2-48d7-a8ab-2905aa40854e', 'memory': 'I like football', 'hash': 'db38eb7ce206333d12734e4251d964c1', 'metadata': {'category': 'hobbies'}, 'score': 0.6962242450914439, 'created_at': '2025-08-07T19:12:10.363695-07:00', 'updated_at': None, 'user_id': 'alice'}, {'id': '1b469b78-7caa-4fc4-8195-17860dfb5458', 'memory': 'I like pizza', 'hash': '3acb2fb7961d7f09e42b99b96b605f3f', 'metadata': None, 'score': 0.7073326554295456, 'created_at': '2025-08-07T19:12:16.148090-07:00', 'updated_at': None, 'user_id': 'alice', 'agent_id': 'food-assistant'}], 'relations': [{'source': '"alice"', 'relationship': 'likes', 'destination': '"football"'}]}
{'results': [{'id': '1b469b78-7caa-4fc4-8195-17860dfb5458', 'memory': 'I like pizza', 'hash': '3acb2fb7961d7f09e42b99b96b605f3f', 'metadata': None, 'score': 0.7073326554295456, 'created_at': '2025-08-07T19:12:16.148090-07:00', 'updated_at': None, 'user_id': 'alice', 'agent_id': 'food-assistant'}], 'relations': []}
{'results': [{'id': '1b469b78-7caa-4fc4-8195-17860dfb5458', 'memory': 'I like pizza', 'hash': '3acb2fb7961d7f09e42b99b96b605f3f', 'metadata': None, 'score': 0.4132988460683351, 'created_at': '2025-08-07T19:12:16.148090-07:00', 'updated_at': None, 'user_id': 'alice', 'agent_id': 'food-assistant'}, {'id': '38dfb9a3-82e2-48d7-a8ab-2905aa40854e', 'memory': 'I like football', 'hash': 'db38eb7ce206333d12734e4251d964c1', 'metadata': {'category': 'hobbies'}, 'score': 0.45864128080397715, 'created_at': '2025-08-07T19:12:10.363695-07:00', 'updated_at': None, 'user_id': 'alice'}], 'relations': []}
{'results': [{'id': '38dfb9a3-82e2-48d7-a8ab-2905aa40854e', 'memory': 'I like football', 'hash': 'db38eb7ce206333d12734e4251d964c1', 'metadata': {'category': 'hobbies'}, 'score': 0.27853412116386245, 'created_at': '2025-08-07T19:12:10.363695-07:00', 'updated_at': None, 'user_id': 'alice'}, {'id': '1b469b78-7caa-4fc4-8195-17860dfb5458', 'memory': 'I like pizza', 'hash': '3acb2fb7961d7f09e42b99b96b605f3f', 'metadata': None, 'score': 0.4836079842249751, 'created_at': '2025-08-07T19:12:16.148090-07:00', 'updated_at': None, 'user_id': 'alice', 'agent_id': 'food-assistant'}], 'relations': [{'source': '"alice"', 'relationship': 'likes', 'destination': '"football"'}]}
{'message': 'Memories deleted successfully!'}
{'message': 'Memories deleted successfully!'}

记忆分类与标签体验

纯向量数据库

在项目根目录直接创建一个run_memory_category_test.py文件。
```
touch run_memory_category_test.py
vi run_memory_category_test.py
```

将以下代码复制到文件中。其中，请将代码中的占位符（如<polardb-host>、<polardb-port>、<polardb-username>、<polardb-password>）替换为您的集群信息。

import json
from mem0 import Memory
from mem0.configs.base import MemoryConfig, LlmConfig, EmbedderConfig

# This example must connect to a neptune-graph instance with 1536 vector dimensions specified.
config = {
    "llm" : {
        "provider": "bailian",
        "config": {"model": "qwen-plus",  "temperature": 0.2, "max_tokens": 2000, "top_p": 1.0},
    },
    "embedder": {
        "provider": "bailian",
        "config": {"model": "text-embedding-v4", "embedding_dims": 1536},
    },
    "vector_store": {
        "provider": "pgvector",
        "config": {
            "host": "<polardb-host>",
            "port": <polardb-port>,
            "dbname": "mem0",
            "user": "<polardb-username>",
            "password": "<polardb-password>",
            "collection_name": "memories"
        },
    },
    "reset_vector_store": True
}

m = Memory.from_config(config_dict=config)

# 添加对话记忆
messages = [
    {"role": "user", "content": "我喜欢科幻电影，尤其是星际穿越。"},
    {"role": "assistant", "content": "星际穿越确实是一部经典的科幻电影！我会记住你喜欢这类电影。"},
    {"role": "user", "content": "我也喜欢克里斯托弗·诺兰的其他电影。"},
    {"role": "assistant", "content": "诺兰的作品确实很出色！除了《星际穿越》，他还导演了《盗梦空间》、《信条》、《记忆碎片》等经典作品。您对这些电影有什么特别的看法吗？"},
]

# 添加记忆，并附加元数据
m.add(messages, user_id="alice", metadata={"category": "movies", "tags": ["sci-fi", "preferences"], "importance": "high"})

# 检索记忆
memories = m.search(query="帮我推荐喜欢的电影", user_id="alice", filters={"category": "movies"})
print(json.dumps(memories, indent=2, ensure_ascii=False))

# 获取所有记忆
all_memories = m.get_all(user_id="alice")
print(json.dumps(all_memories, indent=2, ensure_ascii=False))

# Delete all memories for a user
result = m.delete_all(user_id="alice")
print(result)

保存文件并运行脚本。
```
python run_memory_category_test.py
```

观察命令行输出，您将看到对话记忆被分类以及标签后的搜索、查询和删除的全过程。

{
  "results": [
    {
      "id": "5e4a357a-ca3e-4769-9f80-06c9e74c53f3",
      "memory": "我喜欢科幻电影，尤其是星际穿越",
      "hash": "d3747e8081810fc535f641ee28207d90",
      "metadata": {
        "tags": [
          "sci-fi",
          "preferences"
        ],
        "category": "movies",
        "importance": "high"
      },
      "score": 0.366387451646842,
      "created_at": "2025-08-07T18:43:39.167113-07:00",
      "updated_at": null,
      "user_id": "alice"
    },
    {
      "id": "68393dda-e498-430d-bfdb-af4552196478",
      "memory": "我也喜欢克里斯托弗·诺兰的其他电影",
      "hash": "77408cade088bfad20138a6b405f9e65",
      "metadata": {
        "tags": [
          "sci-fi",
          "preferences"
        ],
        "category": "movies",
        "importance": "high"
      },
      "score": 0.451759159564968,
      "created_at": "2025-08-07T18:43:39.178665-07:00",
      "updated_at": null,
      "user_id": "alice"
    }
  ]
}
{
  "results": [
    {
      "id": "5e4a357a-ca3e-4769-9f80-06c9e74c53f3",
      "memory": "我喜欢科幻电影，尤其是星际穿越",
      "hash": "d3747e8081810fc535f641ee28207d90",
      "metadata": {
        "tags": [
          "sci-fi",
          "preferences"
        ],
        "category": "movies",
        "importance": "high"
      },
      "created_at": "2025-08-07T18:43:39.167113-07:00",
      "updated_at": null,
      "user_id": "alice"
    },
    {
      "id": "68393dda-e498-430d-bfdb-af4552196478",
      "memory": "我也喜欢克里斯托弗·诺兰的其他电影",
      "hash": "77408cade088bfad20138a6b405f9e65",
      "metadata": {
        "tags": [
          "sci-fi",
          "preferences"
        ],
        "category": "movies",
        "importance": "high"
      },
      "created_at": "2025-08-07T18:43:39.178665-07:00",
      "updated_at": null,
      "user_id": "alice"
    }
  ]
}
{'message': 'Memories deleted successfully!'}

向量数据库+图数据库

在项目根目录直接创建一个run_memory_category_graph_test.py文件。
```
touch run_memory_category_graph_test.py
vi run_memory_category_graph_test.py
```

将以下代码复制到文件中。其中，请将代码中的占位符（如<polardb-host>、<polardb-port>、<polardb-username>、<polardb-password>）替换为您的集群信息。

import json
from mem0 import Memory
from mem0.configs.base import MemoryConfig, LlmConfig, EmbedderConfig

# This example must connect to a neptune-graph instance with 1536 vector dimensions specified.
config = {
    "llm" : {
        "provider": "bailian",
        "config": {"model": "qwen-plus",  "temperature": 0.2, "max_tokens": 2000, "top_p": 1.0},
    },
    "embedder": {
        "provider": "bailian",
        "config": {"model": "text-embedding-v4", "embedding_dims": 1536},
    },
    "vector_store": {
        "provider": "pgvector",
        "config": {
            "host": "<polardb-host>",
            "port": <polardb-port>,
            "dbname": "mem0",
            "user": "<polardb-username>",
            "password": "<polardb-password>",
            "collection_name": "memories"
        },
    },
    "graph_store": {
        "provider": "polardb",
        "config": {
            "url": "<polardb-host>",
            "port": <polardb-port>,
            "database": "mem0",
            "username": "<polardb-username>",
            "password": "<polardb-password>",
            "graphname": "mem0",
        },
    },
    "reset_vector_store": True
}

m = Memory.from_config(config_dict=config)

# 添加对话记忆
messages = [
    {"role": "user", "content": "我喜欢科幻电影，尤其是星际穿越。"},
    {"role": "assistant", "content": "星际穿越确实是一部经典的科幻电影！我会记住你喜欢这类电影。"},
    {"role": "user", "content": "我也喜欢克里斯托弗·诺兰的其他电影。"},
    {"role": "assistant", "content": "诺兰的作品确实很出色！除了《星际穿越》，他还导演了《盗梦空间》、《信条》、《记忆碎片》等经典作品。您对这些电影有什么特别的看法吗？"}
]

# 添加记忆，并附加元数据
m.add(messages, user_id="alice", metadata={"category": "movies", "tags": ["sci-fi", "preferences"], "importance": "high"})

# 检索记忆
memories = m.search(query="帮我推荐喜欢的电影", user_id="alice", filters={"category": "movies"})
print(json.dumps(memories, indent=2, ensure_ascii=False))

# 获取所有记忆
all_memories = m.get_all(user_id="alice")
print(json.dumps(all_memories, indent=2, ensure_ascii=False))

# Delete all memories for a user
result = m.delete_all(user_id="alice")
print(result)

保存文件并运行脚本。

python run_memory_category_graph_test.py

观察命令行输出。您将看到对话记忆被分类和标签后的搜索、查询和删除的全过程，以及每次操作后返回的包含向量搜索结果（results）和图关系（relations）的JSON数据。这直观地展示了AI Agent如何存储和回忆信息。

{
  "results": [
    {
      "id": "ec8d0528-35f0-43ae-9ff1-ef1a93e6a017",
      "memory": "我喜欢科幻电影，尤其是星际穿越",
      "hash": "d3747e8081810fc535f641ee28207d90",
      "metadata": {
        "tags": [
          "sci-fi",
          "preferences"
        ],
        "category": "movies",
        "importance": "high"
      },
      "score": 0.36638870038909743,
      "created_at": "2025-08-05T23:22:16.354730-07:00",
      "updated_at": null,
      "user_id": "alice"
    },
    {
      "id": "d55c9188-e2a4-402b-b59c-658f640ab01b",
      "memory": "我也喜欢克里斯托弗·诺兰的其他电影",
      "hash": "77408cade088bfad20138a6b405f9e65",
      "metadata": {
        "tags": [
          "sci-fi",
          "preferences"
        ],
        "category": "movies",
        "importance": "high"
      },
      "score": 0.4517598055411187,
      "created_at": "2025-08-05T23:22:16.367098-07:00",
      "updated_at": null,
      "user_id": "alice"
    }
  ],
  "relations": []
}
{
  "results": [
    {
      "id": "ec8d0528-35f0-43ae-9ff1-ef1a93e6a017",
      "memory": "我喜欢科幻电影，尤其是星际穿越",
      "hash": "d3747e8081810fc535f641ee28207d90",
      "metadata": {
        "tags": [
          "sci-fi",
          "preferences"
        ],
        "category": "movies",
        "importance": "high"
      },
      "created_at": "2025-08-05T23:22:16.354730-07:00",
      "updated_at": null,
      "user_id": "alice"
    },
    {
      "id": "d55c9188-e2a4-402b-b59c-658f640ab01b",
      "memory": "我也喜欢克里斯托弗·诺兰的其他电影",
      "hash": "77408cade088bfad20138a6b405f9e65",
      "metadata": {
        "tags": [
          "sci-fi",
          "preferences"
        ],
        "category": "movies",
        "importance": "high"
      },
      "created_at": "2025-08-05T23:22:16.367098-07:00",
      "updated_at": null,
      "user_id": "alice"
    }
  ],
  "relations": [
    {
      "source": "user_id:_alice",
      "relationship": "喜欢",
      "target": "克里斯托弗·诺兰的电影"
    },
    {
      "source": "user_id:_alice",
      "relationship": "喜欢",
      "target": "科幻电影"
    },
    {
      "source": "星际穿越",
      "relationship": "属于",
      "target": "科幻电影"
    },
    {
      "source": "user_id:_alice",
      "relationship": "喜欢",
      "target": "克里斯托弗·诺兰的其他电影"
    },
    {
      "source": "user_id:_alice",
      "relationship": "喜欢",
      "target": "星际穿越"
    },
    {
      "source": "克里斯托弗·诺兰",
      "relationship": "导演了",
      "target": "星际穿越"
    },
    {
      "source": "user_id:_alice",
      "relationship": "喜欢",
      "target": "科幻电影"
    },
    {
      "source": "星际穿越",
      "relationship": "属于",
      "target": "科幻电影"
    },
    {
      "source": "克里斯托弗·诺兰",
      "relationship": "导演了",
      "target": "星际穿越"
    },
    {
      "source": "克里斯托弗·诺兰",
      "relationship": "导演了",
      "target": "盗梦空间"
    },
    {
      "source": "克里斯托弗·诺兰",
      "relationship": "导演了",
      "target": "盗梦空间"
    },
    {
      "source": "克里斯托弗·诺兰",
      "relationship": "导演了",
      "target": "信条"
    },
    {
      "source": "克里斯托弗·诺兰",
      "relationship": "导演了",
      "target": "信条"
    },
    {
      "source": "克里斯托弗·诺兰",
      "relationship": "导演了",
      "target": "记忆碎片"
    },
    {
      "source": "克里斯托弗·诺兰",
      "relationship": "导演了",
      "target": "记忆碎片"
    }
  ]
}
{'message': 'Memories deleted successfully!'}

结语

本文详细阐述了基于PolarDB PostgreSQL版与Mem0框架构建的AI Agent长记忆融合方案。该方案不仅整合了短期记忆的即时性与长期记忆的持久性，更凭借PolarDB的独特优势，在激烈的市场竞争中脱颖而出。与同类方案相比，本方案的核心优势体现在：

架构统一，无缝集成：将向量数据库与图数据库能力集于一身，彻底告别了复杂的多系统拼接方案，显著降低了开发与运维成本。
云原生高性能：深度融合云原生弹性、模型推理加速及分布式KVCache技术，确保了AI Agent在处理复杂任务时，依然能提供毫秒级的低延迟响应。
企业级扩展性与成熟度：依托PolarDB久经考验的稳定性和卓越的水平扩展能力，为AI应用的规模化落地提供了坚实与可靠的基础。