Mem0 的架构经历过怎样的演进？
- v2 路线: 对话结束后 LLM 先抽取候选事实，系统再用向量检索找到相近的已有记忆，由 LLM 在 ADD、UPDATE、DELETE、NOOP 中做出决定;
- 冲突处理: 用户先说“我住在北京”后说“我搬到了上海”时，系统把前一条 UPDATE 为“住在上海”，在写入时消除冲突;
- 图变体: Mem0-g 用实体—关系图支持多跳与时序问题（2025 年论文，arXiv:2504.19413）;
- v2 风险: 一次错误的更新或删除会不可逆地丢失历史信息，且每条候选事实都要经历检索和第二次 LLM 判断;
Mem0 v3 为什么改成仅追加写入？
- 写法: 当前管线用一次 LLM 调用抽取事实，并且只做 ADD;
- 结果: “住在北京”和稍后的“搬到上海”作为两条带时间信息的事实并存;
- 读取: 查询时融合语义相似度、BM25 关键词和实体匹配，并结合时间信息排序;
- 扩展: Agent 确认完成的动作也成为一等事实;
- 收益: 避免错误 UPDATE/DELETE 丢失历史，减少 LLM 调用，还能用多种检索信号和时间排序找出当前事实;
- 指标: LoCoMo 从 71.4 提升到 92.5（+21.1），LongMemEval 从 67.8 提升到 94.4（+26.6）;
- 现状: 当前 OSS 已移除外部图存储及
relations 返回值，实体链接仅用于内部检索加权，Mem0-g 应理解为历史设计（见 Mem0 OSS v2 到 v3 迁移指南）;
Memobase 的设计理念是什么？
- 出发点: 不做通用记忆流水线，而是聚焦“用户画像”这一具体形态;
- 用户画像（Profile）: 一组可由开发者配置的槽位，按主题—子主题两级组织（如 basic_info→姓名、interest→兴趣偏好、work→职位），存放从对话中提取的稳定用户属性，范围与粒度可控;
- 事件记忆（Event Memory）: 按时间线记录用户经历的事件，用于回答“我们上次讨论预算是什么时候”这类与时间有关的问题;
- 工程策略: 缓冲批处理——对话先在缓冲区累积，达到一定规模或时限后再统一触发一次记忆提取，以摊薄 LLM 调用成本;
- 查询侧: 只需读取已整理好的画像和事件，保证低延迟;
多类型记忆协同的参考架构包含什么？
- 性质: 这是对记忆设计空间的概括，而非某个具体项目的实现;
- 情景/语义/程序记忆: 沿用认知科学的三类定义，见 记忆的认知科学分类;
- 新增重点: 情景记忆的多维元数据检索——存储带有时间戳、情感标记、任务标识的事件序列，可按时间、主题等多个维度组合检索;
- 工作记忆: 参考架构显式保留这一层，管理当前任务状态，并与长期记忆动态交互——重要信息选择性转移到长期记忆，相关长期记忆被激活并加载到工作记忆;
- 框架覆盖度: Mem0 的事实条目接近语义记忆；Memobase 的画像近似语义记忆，事件记忆近似情景记忆;
- 工程现实: 实际框架往往只实现其中一两种类型，按业务需要取舍比追求“大而全”更符合工程现实;
- 相关: 工作记忆与轨迹的差别见 记忆的层次结构;