> A Mem0 elemzése: körönként kinyert tények, az április 2026-i benchmark tábla platformra vonatkozó fenntartása, négy felhő-csomag és ami kimarad az önálló üzemeltetésből.
>
> Web page: https://balazscsorba.com/hu/blog/mem0 · Language: Magyar · Also available in: [English](https://balazscsorba.com/blog/mem0.md) · [Deutsch](https://balazscsorba.com/de/blog/mem0.md)
> Author: Balázs Csorba · Published: 2026-09-17 · Keywords: mem0, mem0 review, agent memory layer, mem0 self-hosted, mem0 pricing, long-term memory for agents, mem0 alternatives

[Blog](https://balazscsorba.com/hu/blog)/Retrieval és keresés

# Mem0: mennyibe kerül egy ügynökmemória körönként

A Mem0 elemzése: körönként kinyert tények, az április 2026-i benchmark tábla platformra vonatkozó fenntartása, négy felhő-csomag és ami kimarad az önálló üzemeltetésből.

[Balázs Csorba](https://balazscsorba.com/hu/about)·2026\. szeptember 17.·10 perc olvasás

-   Agent memory
-   Long-term memory
-   RAG
-   Vector search

![Négy negyedből álló gyűrű, mindegyik kis négyzetet ad egy halomra korongok fölött.](https://balazscsorba.com/images/blog/mem0/cover.webp?v=36be19dc4c)

## A lényeg röviden

-   A Mem0 beszélgetésből tárolt tényeket készít: egy LLM kinyeri, duplikációszűri és beágyazza őket, így minden írás modellhívásba kerül a tárolás mellé.
-   A jelenlegi algoritmus 92,5 pontot ér el LoCoMon és 94,4-et LongMemEvalen, a README pedig azt állítja, hogy ezek a számok a kezelt platformról származnak, nem a nyílt forráskódú SDK-ból.
-   A felhő-csomagok: Hobby ingyenes, Starter havonta 19 dollár, Pro havonta 249 dollár; a graph memory és a Dream consolid csak a Pro csomagban van benne.
-   A nyílt forráskódú lekérés nem rendelkezik graph memoryval, csak entitás-átfedéssel erősít, az önálló üzemeltetés tehát az API-t veszi meg, nem a benchmark táblákat.
-   Az ingyenes csomag 10 000 írási és 1 000 lekérési kérést enged havonta, ami körülbelül 33 keresés naponta.

Ezen az oldalon

1.  [Mi ez](https://balazscsorba.com/#what-it-is)
2.  [Hogyan működik](https://balazscsorba.com/#how-it-works)
3.  [Első lépések](https://balazscsorba.com/#getting-started)
4.  [Benchmark-ek](https://balazscsorba.com/#benchmarks)
5.  [Árazás](https://balazscsorba.com/#pricing)
6.  [Hol akad el](https://balazscsorba.com/#where-it-shingles)
7.  [Ítélet](https://balazscsorba.com/#verdict)
8.  [Források](https://balazscsorba.com/#sources)

Cikk meghallgatása

0:000:00

A Mem0 memóriaréteg ügynökökhöz: beszélgetés bemegy, tények jönnek ki, a tényeket pedig a következő modellhívás előtt visszakérdezzük. Itt az az álláspont, hogy ez a piac leggondosabban megépített memória-API-ja, ugyanakkor rossz alapértelmezés, mert egy LLM-hívás az írási úton ül — az emlékezés körönként számlázódik, nem felhasználónként. Akkor éri meg, ha az emlékeknek túl kell élniük a munkameneteket, és felhasználó-, ügynök- és lefutásszűrésre van szükség; ha nem, akkor egy gördülő összefoglaló és egy táblázat jobb nála.

Az alkalmazás és a modell között ül, kiváltja a beszélgetési napló prompthoz fűzésének szokását, és a Zepnel, a LangMemnél, a Lettával, valamint azzal versenyez, amit egy csapat egy adatbázisból és egy összefoglaló lépésből összerak. Egy API alatt három formában érkezik: Apache-2.0 könyvtárként, docker compose mögé tett, alapból hitelesített önálló szerverként és dashboarddal, mért csomagokkal, MCP végponttal rendelkezett hosztolt platformként.

## Mi ez

Két termék viseli ugyanezt a nevet. A nyílt forráskódú repository a Pythonhoz és JavaScripthez való `mem0ai` könyvtár, amelyet egy folyamatba ágyazunk; a platform egy hosztolt API scope-okkal, csomagokkal és dashboardtal, amelyet ugyanaz az SDK ér el HTTPS-en, itt: `api.mem0.ai`. A honlap 2026 októberének elején 62 590 GitHub-csillagot mutatott.

-   PyPI-n mem0ai néven, 2.2.1-es verzióban, Apache-2.0 alatt kiadva, mellé illeszkedő JavaScript-csomaggal.
-   Három üzemeltetési mód a README-ban: könyvtár prototípushoz, alapból hitelesített docker compose szerver csapatnak, és nulla üzemeltetési teherrel járó felhőplatform.
-   A műveletek: add, search, get\_all, update és delete, mindegyik user\_id, agent\_id, app\_id vagy run\_id hatókörrel.
-   Az írás következtetésen alapul: egy LLM kinyeri a tartós tényeket, duplikációszűri és beágyazza őket, a infer=False viszont a nyers üzenetet tárolja.
-   Alapértelmezés: gpt-5-mini a kinyeréshez, text-embedding-3-small a beágyazáshoz, csomagolt vektortárolóként Qdrant.
-   Hosztolt MCP-szerver a mcp.mem0.ai domainen tizenegy memóriaeszközzel, böngészős bejelentkezéssel vagy bearer tokent kapó API-kulccsal hitelesítve.
-   A honlap szerinti megfelelőség: SOC 2 Type 1, HIPAA és GDPR, BYOK-kal és helyi üzemeltetéssel az Enterprise csomagban.

## Hogyan működik

A folyamat aszimmetrikus, és ez az aszimmetria a termék. Addnál a Mem0 megnézi a kapcsolódó emlékeket, hogy ugyanaz a tény ne kerüljön kétszer tárolásra, LLM-mel kinyeri az új tényeket, duplikációszűri és beágyazza őket, kiveszi az entitásokat, majd SQL-tárolóba írja a tényeket és metaadataikat, vektortárolóba az beágyazásokat, entitástárolóba a linkeket. Searchnél négy jelzést értékkel és olvaszt össze: szemantikai hasonlóság, kulcsszó-egyezés, entitás-átfedés és egy időbeli jelzés a kinyeréskor írt metaadatokból.

![How a memory is written and read A conversation box on the left feeds an extraction box in the middle, labelled one LLM call and ADD only, which produces facts rather than transcripts. An arrow continues to a deduplicate box that embeds the facts and links entities. From there the flow fans out into three stores: a SQL store for facts and metadata, a vector store for embeddings, and an entity store for boosting. The three stores merge into a search box at the bottom, labelled semantic, keyword, entity and time. A long return arrow runs from the search box back to the conversation box, labelled memories into the prompt, which closes the loop. A label at the top right reads one model call on the write path.](https://balazscsorba.com/images/blog/mem0/diagram-7.webp?v=d1fbd3775e)

A tényeket addonként egyszer nyerjük ki, és szűrt kereséssel olvassuk vissza; a nyílt forráskódú verziónak nincs entitásgráfja, jelzése a kinyert kifejezések átfedése.

A dokumentáció világosan megírja, mi következik ebből: a platform mind a négy jelzést graph-alapú entitás-egyeztetéssel olvasztja össze, a nyílt forráskódú verziónak nincs graph memoryja, csak az entitás-átfedéssel erősít, a konfigurált vektortárolótól függően. A kinyerés ráadásul additív — az új tény nem ír felül csendben egy régit —, a javításokhoz tehát explicit update vagy delete hívás kell. Audit naplóhoz ez a jó alapértelmezés, a felhasználónak, aki épp máshogy gondolja, idegesítő.

## Első lépések

A hosztolt út két hívás. Telepítsük az SDK-t, vegyünk API-kulcsot a dashboardról, és adjunk minden híváshoz hatókört: egy `user_id`, `agent_id` és `run_id` nélküli emléket az kapja meg, aki legközelebb kéri.

```
from mem0 import MemoryClient

client = MemoryClient(api_key="your-api-key")

messages = [
    {"role": "user", "content": "I'm a vegetarian and allergic to nuts."},
    {"role": "assistant", "content": "Noted."},
]
client.add(messages, user_id="user123")

results = client.search(
    "What are my dietary restrictions?",
    filters={"user_id": "user123"},
)
for r in results["results"]:
    print(r["memory"], r["score"])
```

A nyílt forráskódú könyvtár ugyanilyen formájú, mögötte nincs szerver: `from mem0 import Memory`, majd add, search, update és delete olyan tárolók ellen, amelyeket magunk üzemeltetünk. Az első hívás előtt LLM-kulcs kell és vektortároló — ez a valódi különbség a két fele között: a könyvtár Apache-2.0, a benchmark táblákat adó lekérés pedig a platformon él.

**Mennyibe kerül az írási út**

A kinyerés minden `add` alkalmával lefut: egy körönként mentő chattermék íráskor modellhívást és beágyazást fizet a tárolás mellett a már amúgy is szükséges lekérés mellé. Ezért nem a csomag ára a követendő szám, hanem a beszélgetésenkénti költség. A dokumentáció azt is mondja, ne tároljunk titkokat és kezeletlen személyes adatokat, mert a tároló pont azért van, hogy kérdezzék.

## Benchmark-ek

A Mem0 közzéteszi a saját számait, többet, mint a legtöbb memóriaréteg, a README pedig leírja a módszert: egy menetben történő lekérés, egyetlen hívás ügynök-hurok nélkül, 200 találatos lekérési keret, ugyanazon a termelés-közeli modellveremen.

Benchmark

2026\. áprilisa előtt

Jelenlegi érték

Token lekérésenként

p50 késés

LoCoMo

71,4

92,5

7,0K

0,88 s

LongMemEval

67,8

94,4

6,8K

1,09 s

BEAM, 1M token

nem publikált

64,1

6,7K

1,00 s

BEAM, 10M token

nem publikált

48,6

6,9K

1,05 s

A fenntartás ugyanebben a bekezdésben van: az értékek a kezelt platformot tükrözik, amely olyan tulajdonságokat hordoz, amelyek nincsenek a nyílt forráskódú SDK-ban, a nyílt forráskódú felhasználóknak irányában hasonló, nem azonos számokra kell számítaniuk. A mögötte álló tanulmány, amely 2025 áprilisában jelent meg az arXiv-en, 91%-kal alacsonyabb p95 késést és több mint 90%-os token-megtakarítást közöl a LoCoMo teljes kontextusú promptolásához képest, 26%-os relatív javulást az LLM-as-a-Judge mérőben az OpenAI memóriájához képest, és kb. 2%-ot a graph változattól.

**A szállítói tábla nem összehasonlítás**

Aki ezek alapján a sorok alapján választja a Mem0-t a Zep vagy a promptba tett összefoglaló helyett, egy szállító platformját hasonlítja a saját veremhez. Az a rész érdemes reprodukálni, amit közzétettek: `mem0ai/memory-benchmarks`.

## Árazás

Az ár oldal két számlálót mér, írási és lekérési kéréseket, a végfelhasználók pedig minden csomagban korlátlanok. Az alábbi értékek azok, amelyeket az oldal 2026 októberének elején mutatott; forgalomra szabott árazás is létezik, ha egyik csomagba sem fér bele.

Csomag

Ár

Írási kérés havonta

Lekérési kérés havonta

Hobby

Ingyenes

10 000

1 000

Starter

Havi 19 dollár

50 000

5 000

Pro

Havi 249 dollár

500 000

50 000

Enterprise

Egyedi

Korlátlan

Korlátlan

Két, a marketinget vivő funkció — a graph memory az entitások összefűzéséhez és a Dream consolid — a Pro és az Enterprise csomagban szerepel, nem az ingyenesekben, a README saját összehasonlítótáblája pedig a önállóan üzemeltetett szerver haladó funkcióit teasernek nevezi. A Hobby csomag 1 000 lekérése körülbelül 33 keresés naponta: elég egy integráció bebizonyításához, nem elég egy termék üzemeltetéséhez.

## Hol akad el

A gyengeségek szerkezetiek, nem kozmetikaiak. Minden add modellhívás, az írási késés és a token-számla is a beszélgetések volumenével nő, a kinyerési lépés pedig olyan következtetést tárolhat, amit a felhasználó sosem mondott ki — a származtatott tényt nehezebb ellenőrizni, mint a naplózott üzenetet. A Mem0-t érdekessé tevő funkciók a platformon élnek, a nyílt forráskódú verzió és a fizetős termék tehát inkább a nevet osztja meg, mint a funkciókészletet. A vendor-lock valós, de mérsékelt: az emlékek sorok, amelyek az API-n visszaolvashatók, a v3 API-ra való átáshoz pedig publikált útmutató van.

Választás

Memóriamodell

Üzemeltetési teher

Mire való

Mem0

Kinyert tények, felhasználó-, ügynök- és lefutásszűrve

Könyvtár, amit üzemeltetünk, vagy platform, amit fizetünk

Munkameneteken átívelő személyre szabás ismert beszélgetésenkénti költséggel

Zep Graphitivel

Epizódokból álló időbeli tudásgráf

Graph-tároló és annak gondozása

Kapcsolatgazdag memória, ahol a sorrend számít

LangMem

Memóriatárolók és szemantikus keresés a LangChain-veremben

A LangChain eszközláncának része

Már a LangChain-re épített csapatok

Egy ténytáblázat

Saját magunk írt sorok plusz pgvector

Saját SQL és egy összefoglaló prompt

Rövid életű memória és szigorú auditkövetelmény

Melyik illik, az attól függ, mennyi memóriát igényel a termék, nem attól, hogy melyik sor éri el a legmagasabb pontot LoCoMon. Egy ügyfélszolgálati ügynök néhány tucat tartós ténynek nem igényel memóriaréteget; egy egy évnyi előzményt tároló asszisztens nem engedheti meg magának, hogy újraolvassa a beszélgetést.

**A szakadék az SDK és a platform között**

A graph memory, az időbeli rendezés és az összefújt entitásjelzés platformfunkciók. Önálló üzemeltetésben vektorkeresés, kulcsszó-egyezés és entitás-átfedés jár, ezért annak a csapatnak ezen a funkciókészleten kell méreteznie a terméket, nem a benchmark táblákon.

## Ítélet

Vegyük át, ha a memória olyan termékfunkció, amely túléli a munkameneteket, és az írási út modellhívása beépíthető a termék árába. Hagyjuk, ha egy munkamenet kontextus belefér egy összefoglalóba, vagy ha minden tárolt tényhez ember által ellenőrizhető származás kell, mert a beérkező inferencia itt a konstrukció, nem mellékhatás.

1.  A könyvtárral kezdjük: ugyanaz az API-forma, és a platformra váltás nyitva marad.
2.  Minden hívást hatókörözünk. A hatókör nélküli emlék az egyetlen hiba, amely felhasználókon átterjed.
3.  Az írási utat költsük be a csomag előtt: addonként egy kinyerési hívás a költségmodell, bármennyibe kerüljön is a csomag.
4.  A platform graph memóriáért, időbeli rendezésért és összefújt lekérésért jár — ami a nyílt forráskódú verzióból hiányzik.
5.  Soha ne tároljunk titkot vagy kezeletlen személyes adatot; a lekérés arra van tervezve, hogy felszínre hozza a tároló tartalmát.

> Avoid storing secrets, raw credentials, or unredacted sensitive data. Mem0 is designed to retrieve stored context.

## Források

1.  [Mem0 dokumentáció](https://docs.mem0.ai/introduction)
2.  [Mem0 quickstart](https://docs.mem0.ai/quickstart)
3.  [Hogyan működik a Mem0](https://docs.mem0.ai/core-concepts/how-it-works)
4.  [Mem0 árazás](https://mem0.ai/pricing)
5.  [Mem0 a GitHubon](https://github.com/mem0ai/mem0)
6.  [mem0ai a PyPI-n](https://pypi.org/project/mem0ai/)
7.  [Mem0 kutatás és benchmark-ek](https://mem0.ai/research)
8.  [Mem0 MCP-szerver](https://docs.mem0.ai/platform/mem0-mcp)
9.  [Mem0 tanulmány az arXiv-en](https://arxiv.org/abs/2504.19413)

## Gyakori kérdések

Ingyenesen üzemeltethető önállóan a Mem0?

A könyvtár Apache-2.0 licencű, a README pedig docker compose szervert kínál alapból bekapcsolt hitelesítéssel, így nincs licencdíj. Az kinyeréshez továbbra is kell egy LLM, alapból gpt-5-mini, és vektortároló, alapból Qdrant — a költség az inferenciára és az üzemeltetésre tolódik át, nem előfizetésre.

Mem0 vagy egy összefoglaló Postgresben?

Ha egy terméknél felhasználónként egy rövid munkamenet van, a gördülő összefoglaló és a ténytáblázat olcsóbb, könnyebben ellenőrizhető, és nincs benne olyan kinyerési lépés, amely tényt talál ki ki. A Mem0 akkor éri meg, ha az emlékek a munkamenetek túlélnek, felhasználó-, ügynök- és lefutásszűrést igényelnek, és minden kérés forró útján olvasódnak.

Eléri-e a nyílt forráskódú verzió a publikált benchmark-értékeket?

Nem, ezt a repository is mondja: a számok a kezelt platformot tükrözik, amely olyan tulajdonságokat tartalmaz, amelyek nincsenek a nyílt forráskódú SDK-ban. A nyílt forráskódú lekérésnek nincs graph memoryja, és a konfigurált vektortárolótól függ.

Hogyan ér el a Mem0 egy olyan ügynököt, amely már MCP-t beszél?

A mcp.mem0.ai hosztált szerverén keresztül HTTPS-en, tizenegy eszközzel, köztük add\_memory, search\_memories, update\_memory és delete\_memory. Hitelesítése böngészős bejelentkezéssel vagy bearer tokenként küldött API-kulccsal történik, a fejlesztő gépén nem fut semmi.

Írta: Csorba Balázs

Senior fullstack és AI mérnök Stájerországban – több mint 10 év Vue, Nuxt, Node.js és PHP, ma AI-ügynököknek építek eszközöket.

[AI fejlesztés és MCP szerverek →](https://balazscsorba.com/hu/expertise/ai-engineer)[Rólam →](https://balazscsorba.com/hu/about)

## További cikkek

-   [Embedding-modell választása 2026-ban: ranglisták, költségek és összehasonlító teszt a saját adatokon](https://balazscsorba.com/hu/blog/embedding-model-selection-2026)
-   [Kontextuális visszakeresés és késleltetett chunkolás: a RAG-chunkok visszakapják a kontextusukat](https://balazscsorba.com/hu/blog/contextual-retrieval-late-chunking)
-   [Hozzáférés-kezelés RAG-hoz: jogosultságtudatos visszakeresés dokumentumszivárgás nélkül](https://balazscsorba.com/hu/blog/rag-access-control-permissions)
-   [RAG termékkatalógusra: PIM-adatokból megbízható válaszok](https://balazscsorba.com/hu/blog/rag-product-catalog-pim-data)

## Pont erre van szükséged?

Írj a projektedről vagy a pozícióról – szívesen hallok felőled.

[Lépj velem kapcsolatba](mailto:contact@balazscsorba.com) [Kapcsolódjunk LinkedInen](https://www.linkedin.com/in/balazs-csorba)