Mem0: mennyibe kerül egy ügynökmemória körönként

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.

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.

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.

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.

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.

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.

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.

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
2. Mem0 quickstart
3. Hogyan működik a Mem0
4. Mem0 árazás
5. Mem0 a GitHubon
6. mem0ai a PyPI-n
7. Mem0 kutatás és benchmark-ek
8. Mem0 MCP-szerver
9. Mem0 tanulmány az arXiv-en