Mem0 + Elasticsearch：构建 AI 记忆系统

阿里云大数据AI技术2026-04-01 18:17

大语言模型（LLM）基于无状态设计，每次推理独立进行，不具备跨会话记忆能力。通过 Mem0 框架管理记忆生命周期，结合 Elasticsearch 提供向量检索能力，可以构建支持记忆持久化存储、语义检索和智能更新的生产级 AI 记忆系统。

适用场景

  • 长交互信息处理：在长对话场景中避免上下文遗忘。

  • 跨会话上下文保持：Agent 需要了解用户的交互历史和个性化偏好。

  • 记忆持久化管理：将对话中的关键信息结构化存储。

  • 多 Agent 协同：多个 Agent 共享同一记忆存储。

以下两个场景进一步说明记忆系统的价值。

电商智能导购

当用户开启新会话咨询"洗碗机需要支持软水盐自动提醒"时，若系统不支持跨会话记忆，则无法激活首次咨询中提出的"家里有婴儿，水质安全优先"的约束。默认的上下文截断机制会将其降级为孤立问答，而记忆系统可以通过向量索引，将"婴儿家庭"标签持久化绑定至用户 ID，并在新会话中以结构化记忆片段注入上下文，实现跨会话意图继承。

智能 AI 客服

客户投诉"上个月购买的扫地机器人 APP 无法连接"，在缺乏记忆系统时，系统需重复确认："您购买的是哪款？序列号是多少？"------重复询问会严重影响客户体验，而且每轮交互都在消耗宝贵的上下文空间。而记忆系统可以将用户设备 ID、历史工单信息、已尝试解决方案等作为可版本化记忆单元进行存储。新会话启动时，系统仅用少量 token 的语义查询即可精准召回结构化状态，使客服响应从"重新诊断"跃迁至"续接处置"。

方案架构

系统的核心工作流程如下：

  1. 事实提取：调用 LLM 对输入内容进行事实提取。

  2. 向量化：调用 Embedding 模型将文本转换为向量，确保语义相近的记忆在向量空间中距离相近。

  3. 记忆检索：调用 Elasticsearch 执行 Top-K 相似向量检索，返回最相关的记忆片段。

  4. 冲突判别：调用 LLM 判断对记忆执行 update、merge、ignore 或 create 操作。

  5. 写入执行：调用 Elasticsearch 将最新记忆持久化存储。

在检索路径中，还可以配置重排序模型（Reranker）对检索结果进行二次排序，提升召回精度。

集成案例：为 OpenClaw 接入记忆系统

OpenClaw是一个开源的个人 AI Agent 框架，它将 LLM 与操作系统、Web 访问、文件操作等能力相结合，使 AI 能够连贯执行复杂任务。OpenClaw 的原生记忆系统存在上下文长度受限、检索效率不高、不支持跨会话连续性等短板，接入 Mem0 + Elasticsearch 可以解决这些问题。

步骤一：准备 Elasticsearch

  1. 按照快速入门创建实例并设置登录密码。

  2. 配置 Kibana 公网访问白名单：

    • 进入目标实例基本信息 页面，在左侧导航栏单击 配置与管理 > 可视化控制 ，在Kibana 区域单击修改配置。

    • 配置Kibana公网访问白名单 ：Kibana公网访问白名单默认为127.0.0.1，表示禁止所有IPv4地址访问，需要将您的实际设备IP添加到公网白名单才能访问Kibana。更多白名单配置信息，请参见通过Kibana连接集群。

  3. 返回Kibana 区域，单击公网入口 ，在Kibana登录页面，输入用户名和密码，成功登录后在 Kibana Dev Tools 中创建名为 mem0 的索引：

    bash 复制代码 
    PUT /mem0
{
  "settings": {
    "number_of_shards": 1,
    "number_of_replicas": 1
  }
}

步骤二：部署 Mem0 Server

  1. 安装 Mem0 和 Flask：

    复制代码 
    pip install mem0ai flask

    更多安装方式请参见 Mem0 README。

  2. 创建 Mem0 Server 目录：

    bash 复制代码 
    mkdir -p /opt/mem0-server
cd /opt/mem0-server

  3. 创建 server.py 文件，内容如下，将其中的变量替换为实际值：

    • $API_KEY：百炼 API Key

    • <math xmlns="http://www.w3.org/1998/Math/MathML"> E L A S T I C S E A R C H _ H O S T 、 ELASTICSEARCH\_HOST、 </math>ELASTICSEARCH_HOST、ELASTICSEARCH_PORT：Elasticsearch 实例的访问地址和端口

    • <math xmlns="http://www.w3.org/1998/Math/MathML"> E L A S T I C S E A R C H _ U S E R 、 ELASTICSEARCH\_USER、 </math>ELASTICSEARCH_USER、ELASTICSEARCH_PASSWORD：Elasticsearch 的用户名和密码

      kotlin 复制代码 
      # server.py - Run this as a standalone service
from mem0 import Memory
from flask import Flask, request, jsonify

app = Flask(__name__)

# Configure Mem0 here
config = {
    "llm": {
        "provider": "openai",
        "config": {
            "model": "qwen-plus",
            "api_key": "$API_KEY",
            "openai_base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
        }
    },
    "embedder": {
        "provider": "openai",
        "config": {
            "model": "text-embedding-v4",
            "api_key": "$API_KEY",
            "openai_base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
        }
    },
    "vector_store": {
        "provider": "elasticsearch",
        "config": {
            "host": "$ELASTICSEARCH_HOST",     # Elasticsearch 的 host
            "port": "$ELASTICSEARCH_PORT",     # Elasticsearch 的 port
            "user": "$ELASTICSEARCH_USER",     # Elasticsearch 的 user
            "password": "$ELASTICSEARCH_PASSWORD",  # Elasticsearch 的 password
            "collection_name": "mem0",         # 步骤一中创建的索引名称
        }
    },
}

memory = Memory.from_config(config)

@app.route('/v1/memories', methods=['POST'])
def add_memory():
    data = request.json
    result = memory.add(
        messages=data['messages'],
        user_id=data['user_id']
    )
    return jsonify(result)

@app.route('/v2/memories/search', methods=['POST'])
def search_memories():
    data = request.json
    result = memory.search(
        query=data['query'],
        user_id=data['user_id']
    )
    return jsonify(result)

@app.route('/v1/memories', methods=['DELETE'])
def delete_memories():
    user_id = request.args.get('user_id')
    memory.delete_all(user_id=user_id)
    return jsonify({"status": "success"})

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=8420)

  4. 启动 Mem0 Server：

    vbscript 复制代码 
    python server.py

步骤三：配置 OpenClaw

  1. 在 ECS 上部署 OpenClaw。可以选择以下两种方式：

    • 方式一（计算巢一键部署） ：在 ECS 上部署 OpenClaw

    • 方式二（Workbench 一键安装）：

      1. 登录 ECS 控制台，选择目标实例。

      2. 单击远程连接 > 立即登录。

      3. 在 Workbench 终端工具栏点击一键管理 OpenClaw。

      4. 选择安装 Openclaw并确认执行。

  2. 登录 ECS，创建 Skill 目录：

    bash 复制代码 
    mkdir -p ~/.openclaw/workspace/skills/agentic-memory-es
cd ~/.openclaw/workspace/skills/agentic-memory-es

  3. 在该目录下创建以下三个文件：

    bash 复制代码 
    agentic-memory-es/
├── manifest.json    # Metadata 与 API 定义
├── handler.py       # 核心处理逻辑
└── SKILL.md         # 指令文档

    manifest.json：

    json 复制代码 
    {
  "name": "agentic memory",
  "id": "agentic-memory-es",
  "version": "1.0.0",
  "description_for_model": "基于 Mem0 + Elasticsearch 的记忆平台。支持记忆存储 (add)、检索 (search) 、按 run id 删除 (delete_by_run_id)以及按 user id 删除（delete_by_user_id）。",
  "description_for_human": "基于阿里云 Elasticsearch 驱动的 Agent 记忆平台。",
  "auth": {
    "type": "token",
    "token_header": "Authorization",
    "token_prefix": "Token"
  },
  "api": {
    "type": "python",
    "main_file": "handler.py",
    "functions": [
      {
        "name": "add",
        "description": "从会话中提取事实，用户偏好或习惯并进行持久化。",
        "parameters": {
          "type": "object",
          "properties": {
            "user_id": { "type": "string", "description": "user id" },
            "context": { "type": "string", "description": "会话内容" }
          },
          "required": ["user_id", "context"]
        }
      },
      {
        "name": "search",
        "description": "检索用户级别的历史记忆（跨会话）。",
        "parameters": {
          "type": "object",
          "properties": {
            "user_id": { "type": "string", "description": "user id" },
            "query": { "type": "string", "description": "检索条件" }
          },
          "required": ["user_id", "query"]
        }
      },
      {
        "name": "delete_by_run_id",
        "description": "清空 run id 对应的历史记忆。",
        "parameters": {
          "type": "object",
          "properties": {
            "run_id": { "type": "string", "description": "run id" }
          },
          "required": ["run_id"]
        }
      },
      {
        "name": "delete_by_user_id",
        "description": "清空 user id 对应的历史记忆。",
        "parameters": {
          "type": "object",
          "properties": {
            "user_id": { "type": "string", "description": "user id" }
          },
          "required": ["user_id"]
        }
      }
    ]
  }
}

    handler.py：

    将 $Mem0_HOST 替换为步骤二中 Mem0 Server 的实际地址：

    • 如果 Mem0 Server 和 OpenClaw 在同一台 ECS，使用 http://127.0.0.1:8420

    • 如果在不同机器，使用 Mem0 Server 的内网或公网 IP 地址

    python 复制代码 
    import json
import subprocess

HOST = "$Mem0_HOST"

def _run_safe_curl(url, payload, method='POST'):
    if payload is not None:
        input_data = json.dumps(payload, ensure_ascii=False)
    else:
        input_data = ""

    cmd = [
        "curl", "-s", "-X", method, url,
        "-H", "Content-Type: application/json",
        "--data-binary", "@-",
        "--max-time", "15",
        "--no-buffer"
    ]

    try:
        input_data = json.dumps(payload)

        result = subprocess.run(
            cmd, input=input_data, capture_output=True,
            text=True, check=True, encoding='utf-8'
        )

        output = result.stdout.strip()
        if not output:
            return {"status": "success"}
        return json.loads(output)

    except subprocess.CalledProcessError as e:
        return {"error": f"Curl command failed: {e.stderr}"}
    except Exception as e:
        return {"error": str(e)}

def add(user_id, context):
    url = f"{HOST}/v1/memories"
    payload = {
        "messages": [
            {"role": "user", "content": context}
        ],
        "user_id": str(user_id)
    }
    return _run_safe_curl(url, payload, method='POST')

def search(user_id, query):
    url = f"{HOST}/v2/memories/search"
    payload = {
        "query": query,
        "user_id": str(user_id)
    }
    return _run_safe_curl(url, payload, method='POST')

def delete_by_run_id(run_id):
    url = f"{HOST}/v1/memories?run_id={run_id}"
    return _run_safe_curl(url, payload=None, method='DELETE')

def delete_by_user_id(user_id):
    url = f"{HOST}/v1/memories?user_id={user_id}"
    return _run_safe_curl(url, payload=None, method='DELETE')

    SKILL.md：

    markdown 复制代码 
    ---
name: agentic memory
description: 基于 Mem0 + Elasticsearch 的记忆平台。
allowed-tools:
  - add
  - search
  - delete_by_run_id
  - delete_by_user_id
metadata:
  category: memory
  provider: elasticsearch
---

# Instructions
你现在已拥有由 Elasticsearch 驱动的记忆存储。该 skill 集成了 Mem0 + Elasticsearch 服务，为 OpenClaw 提供长期记忆能力，取代原生.md文件存储，它能够实现对用户偏好、事实记忆和事件关系的精确提取及毫秒级检索，支持跨会话的知识持久化。请遵循以下原则：
1. 主动记忆：捕捉核心事实（身份、技能）或明确偏好（习惯、禁忌）。
   - 用户提到"我正在开发 Agent 助手"时，调用 add。
   - 用户表示偏好"我喜欢先计划好再开始执行"、"我在工作的时候不喜欢被打扰"，调用 add。
2. 上下文检索：启动新任务或追溯历史时，调用 search 获取记忆，确保对话连贯。
3. 记忆遗忘：用户放弃了某项决策（例如"我不想再纠结这个问题了"），调用 delete_by_run_id。删除 run id 对应记忆。
4. 记忆清除：用户决定清除所有记忆，调用 delete_by_user_id。删除 user id 对应记忆。

# Tools
## Memory Management (Mem0 + Elasticsearch)
该工具集提供基于 Mem0 + Elasticsearch 的记忆能力，使智能体能够跨不同会话持久化存储、检索记忆。

### 1. add
- **描述**: 从会话中提取事实，用户偏好或习惯并进行持久化。
- **所需参数**:
  - `user_id` (string): 用户唯一标识。
  - `context` (string): 会话内容。
- **返回**: 包含操作状态或新存储记录 ID 的对象。

### 2. search
- **描述**: 检索用户级别的历史记忆（跨会话）。
- **所需参数**:
  - `user_id` (string): 用户唯一标识。
  - `query` (string): 检索条件。
- **返回**: 包含按相关性排序的结果。

### 3. delete_by_run_id
- **描述**: 清空 run id 对应的历史记忆。
- **所需参数**:
  - `run_id` (string): 用于隔离短期会话或临时流程的实体标识符。适用于支持工单、聊天会话、实验等需要独立重置或过期的场景。
- **返回**: 操作确认信息。

### 4. delete_by_user_id
- **描述**: 清空 user id 对应的历史记忆。
- **所需参数**:
  - `user_id` (string): 用户唯一标识。
- **返回**: 操作确认信息。

# Output Format
1. **自然融合**: 禁止提及"搜索记忆"等术语。将事实作为已知背景直接嵌入回复（如："基于你正在学习 Rust，建议..."）。
2. **上下文感知**: 优先使用检索到的事实进行个性化决策，提供定制化的技术指导。
3. **优雅处理**: 若未检索到相关记忆，直接生成高质量回应，严禁提及"未找到记忆"或"搜索失败"。
4. **动作反馈**: 调用 add 成功后，在回复结尾以简洁自然的方式确认（如："已记下你的偏好"），避免机械化的系统提示。

# 示例
### 场景 1: 记忆添加（Add）
**用户输入**: "我计划下个月扩容 Elasticsearch 服务。"
**动作**: add(user_id="user_01", context="计划下个月扩容 Elasticsearch")

### 场景 2: 记忆检索 (Search)
**用户输入**:"帮我查看我之前的扩容计划"
**动作**: search(user_id="user_01", query="扩容计划")

### 场景 3：记忆遗忘（Delete by run id）
**用户输入**: "忘掉之前的扩容计划吧，我们不打算扩容了。"
**动作**: delete_by_run_id(run_id="run_01")

### 场景 4：用户记忆清除（Delete by user id）
**用户输入**: "清除本用户所有记忆。"
**动作**: delete_by_user_id(user_id="user_01")

# Tags
`Memory-as-a-Service` `Elasticsearch` `Mem0`

# Limitations
- **复杂度限制**: 避免将极长的段落作为单一事实保存；请将其拆分为较短的、具有语义定义的陈述，以获得更好的检索准确性。

  4. 刷新 Skills 或重启 OpenClaw Gateway。

步骤四：验证效果

完成 Mem0 Server 部署后，您可以通过以下方式验证记忆系统功能：

  1. 记忆写入：
  1. 记忆检索：

上述示例基于阿里云托管的 OpenClaw 搭建，支持快速一键部署。如需本地部署，参见 OpenClaw GitHub 仓库。

相关推荐
Steiwe2 小时前
MLLM CAN SEE? DYNAMIC CORRECTION DECODINGFOR HALLUCINATION MITIGATION
人工智能
ai产品老杨2 小时前
异构计算与边缘协同：基于 X86/ARM 的企业级 AI 视频中台架构解析
arm开发·人工智能·音视频
饼干哥哥2 小时前
GLM-5「全栈长任务」实测：3小时复刻TikTok视频生成SaaS
人工智能
饼干哥哥2 小时前
首个「牛马模型」？实测Minimax M2.5搭了个特斯拉股票交易系统
人工智能
BioRunYiXue2 小时前
Nature Methods：CellVoyager 自主 AI 智能体开启生物数据分析新时代
大数据·开发语言·前端·javascript·人工智能·数据挖掘·数据分析
模拟器连接器曾工2 小时前
PLC视觉检测原理有哪些？
人工智能·计算机视觉·视觉检测·plc视觉检测
饼干哥哥2 小时前
5w的独立站开发需求，我用Kimi K2.5 一键就生成好了
人工智能
QC·Rex2 小时前
AI Agent 任务规划实战：从 ReAct 到 Plan-and-Solve 的完整指南
人工智能·python·react
roman_日积跬步-终至千里2 小时前
【强化学习】01-概念全景：怎么“看懂”MC、TD 和 Q-learning
人工智能
热门推荐
012026年3月AI领域大事件：DeepSeek引领开源风暴02GitHub 镜像站点03Qwen3.5-Omni与Qwen3.6模型全面解析（含测评/案例/使用教程）04围棋-html版本05纯 HTML/CSS/JS 实现的高颜值登录页，还会眨眼睛！少女心爆棚！06Claude Code + GLM4.7 避坑指南：解决 Unable to connect to Anthropic services07让 Trae IDE 智能体 “读懂”文档 Excel+PDF+DOCX ：mcp-documents-reader 工具使用指南08UV安装并设置国内源09“wsl --install -d Ubuntu-22.04”下载慢，中国地区离线安装 Ubuntu 22.04 WSL方法（亲测2025年5月6日）10AI 编程效率翻倍：Superpowers Skills 上手清单 + 完整指南