[{"data":1,"prerenderedAt":641},["ShallowReactive",2],{"tool-mem0-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":13,"about":20,"sources":24,"cover":52,"og":53,"expertise":54,"locales":55,"lang":58,"title":59,"description":60,"coverAlt":61,"url":23,"pricing":62,"kind":9,"metaTitle":63,"takeaways":64,"faq":70,"toc":83,"blocks":108,"others":445},"mem0","2026-09-17",10,"rag",[9,10,11,12],"Agent memory","Long-term memory","RAG","Vector search",[4,14,15,16,17,18,19],"mem0 review","agent memory layer","mem0 self-hosted","mem0 pricing","long-term memory for agents","mem0 alternatives",[21],{"name":22,"url":23},"Mem0","https:\u002F\u002Fmem0.ai",[25,28,31,34,37,40,43,46,49],{"title":26,"url":27},"Mem0 documentation","https:\u002F\u002Fdocs.mem0.ai\u002Fintroduction",{"title":29,"url":30},"Mem0 quickstart","https:\u002F\u002Fdocs.mem0.ai\u002Fquickstart",{"title":32,"url":33},"How Mem0 works","https:\u002F\u002Fdocs.mem0.ai\u002Fcore-concepts\u002Fhow-it-works",{"title":35,"url":36},"Mem0 pricing","https:\u002F\u002Fmem0.ai\u002Fpricing",{"title":38,"url":39},"Mem0 on GitHub","https:\u002F\u002Fgithub.com\u002Fmem0ai\u002Fmem0",{"title":41,"url":42},"mem0ai on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Fmem0ai\u002F",{"title":44,"url":45},"Mem0 research and benchmarks","https:\u002F\u002Fmem0.ai\u002Fresearch",{"title":47,"url":48},"Mem0 MCP server","https:\u002F\u002Fdocs.mem0.ai\u002Fplatform\u002Fmem0-mcp",{"title":50,"url":51},"Mem0 paper on arXiv","https:\u002F\u002Farxiv.org\u002Fabs\u002F2504.19413","\u002Fimages\u002Fblog\u002Fmem0\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fmem0\u002Fog.jpg","ai-engineer",[56,57,58],"en","de","hu","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.","Hurok, amely a beszélgetésből tárolt tényeket készít, majd visszaolvasja őket a promptba","Free tier · from $19 per month","Mem0 teszt: memória, amely körönként kerül · Balázs Csorba",[65,66,67,68,69],"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.",[71,74,77,80],{"q":72,"a":73},"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.",{"q":75,"a":76},"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.",{"q":78,"a":79},"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.",{"q":81,"a":82},"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.",[84,87,90,93,96,99,102,105],{"id":85,"title":86},"what-it-is","Mi ez",{"id":88,"title":89},"how-it-works","Hogyan működik",{"id":91,"title":92},"getting-started","Első lépések",{"id":94,"title":95},"benchmarks","Benchmark-ek",{"id":97,"title":98},"pricing","Árazás",{"id":100,"title":101},"where-it-shingles","Hol akad el",{"id":103,"title":104},"verdict","Ítélet",{"id":106,"title":107},"sources","Források",[109,113,116,119,131,149,150,153,162,165,166,181,183,190,201,202,205,262,265,275,276,279,324,327,328,331,377,380,385,386,389,402,406,407],{"type":110,"content":111},"paragraph",[112],"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.",{"type":110,"content":114},[115],"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.",{"type":117,"level":118,"id":85,"text":86},"heading",2,{"type":110,"content":120},[121,122,126,127,130],"Két termék viseli ugyanezt a nevet. A nyílt forráskódú repository a Pythonhoz és JavaScripthez való ",{"tag":123,"children":124},"code",[125],"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: ",{"tag":123,"children":128},[129],"api.mem0.ai",". A honlap 2026 októberének elején 62 590 GitHub-csillagot mutatott.",{"type":132,"ordered":133,"items":134},"list",false,[135,137,139,141,143,145,147],[136],"PyPI-n mem0ai néven, 2.2.1-es verzióban, Apache-2.0 alatt kiadva, mellé illeszkedő JavaScript-csomaggal.",[138],"Három üzemeltetési mód a README-ban: könyvtár prototípushoz, alapból hitelesített docker compose szerver csapatnak, és nulla üzemeltetési teherrel járó felhőplatform.",[140],"A műveletek: add, search, get_all, update és delete, mindegyik user_id, agent_id, app_id vagy run_id hatókörrel.",[142],"Az írás következtetésen alapul: egy LLM kinyeri a tartós tényeket, duplikációszűri és beágyazza őket, a infer=False viszont a nyers üzenetet tárolja.",[144],"Alapértelmezés: gpt-5-mini a kinyeréshez, text-embedding-3-small a beágyazáshoz, csomagolt vektortárolóként Qdrant.",[146],"Hosztolt MCP-szerver a mcp.mem0.ai domainen tizenegy memóriaeszközzel, böngészős bejelentkezéssel vagy bearer tokent kapó API-kulccsal hitelesítve.",[148],"A honlap szerinti megfelelőség: SOC 2 Type 1, HIPAA és GDPR, BYOK-kal és helyi üzemeltetéssel az Enterprise csomagban.",{"type":117,"level":118,"id":88,"text":89},{"type":110,"content":151},[152],"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.",{"type":154,"attrs":155,"inner":159,"caption":160},"diagram",{"viewBox":156,"role":157,"aria-labelledby":158},"0 0 720 380","img","d-m0-t d-m0-d","\u003Ctitle id=\"d-m0-t\">How a memory is written and read\u003C\u002Ftitle>\u003Cdesc id=\"d-m0-d\">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.\u003C\u002Fdesc>\u003Cdefs>\u003Cmarker id=\"m0-arrow\" viewBox=\"0 0 10 10\" refX=\"9\" refY=\"5\" markerWidth=\"7\" markerHeight=\"7\" orient=\"auto-start-reverse\">\u003Cpath d=\"M0 0L10 5L0 10z\" class=\"d-head\" \u002F>\u003C\u002Fmarker>\u003C\u002Fdefs>\u003Ctext x=\"20\" y=\"26\" class=\"d-title\">How a memory is written and read\u003C\u002Ftext>\u003Ctext x=\"700\" y=\"26\" text-anchor=\"end\" class=\"d-label\">one model call on the write path\u003C\u002Ftext>\u003Crect x=\"30\" y=\"48\" width=\"180\" height=\"64\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"120\" y=\"74\" text-anchor=\"middle\" class=\"d-text\">Conversation\u003C\u002Ftext>\u003Ctext x=\"120\" y=\"96\" text-anchor=\"middle\" class=\"d-small\">user and assistant turns\u003C\u002Ftext>\u003Cpath d=\"M214 80 H244\" class=\"d-line\" marker-end=\"url(#m0-arrow)\" \u002F>\u003Crect x=\"250\" y=\"40\" width=\"210\" height=\"80\" rx=\"10\" class=\"d-accent\" \u002F>\u003Ctext x=\"355\" y=\"68\" text-anchor=\"middle\" class=\"d-text\">Extraction\u003C\u002Ftext>\u003Ctext x=\"355\" y=\"90\" text-anchor=\"middle\" class=\"d-small\">one LLM call, ADD only\u003C\u002Ftext>\u003Ctext x=\"355\" y=\"110\" text-anchor=\"middle\" class=\"d-small\">facts, not transcripts\u003C\u002Ftext>\u003Cpath d=\"M464 80 H494\" class=\"d-line\" marker-end=\"url(#m0-arrow)\" \u002F>\u003Crect x=\"500\" y=\"48\" width=\"190\" height=\"64\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"595\" y=\"74\" text-anchor=\"middle\" class=\"d-text\">Deduplicate\u003C\u002Ftext>\u003Ctext x=\"595\" y=\"96\" text-anchor=\"middle\" class=\"d-small\">embed and link entities\u003C\u002Ftext>\u003Cpath d=\"M595 112 V150\" class=\"d-line\" \u002F>\u003Cpath d=\"M130 150 H595\" class=\"d-line\" \u002F>\u003Cpath d=\"M130 150 V184\" class=\"d-line\" marker-end=\"url(#m0-arrow)\" \u002F>\u003Cpath d=\"M360 150 V184\" class=\"d-line\" marker-end=\"url(#m0-arrow)\" \u002F>\u003Cpath d=\"M590 150 V184\" class=\"d-line\" marker-end=\"url(#m0-arrow)\" \u002F>\u003Crect x=\"30\" y=\"190\" width=\"200\" height=\"68\" rx=\"10\" class=\"d-sky\" \u002F>\u003Ctext x=\"130\" y=\"216\" text-anchor=\"middle\" class=\"d-text\">SQL store\u003C\u002Ftext>\u003Ctext x=\"130\" y=\"240\" text-anchor=\"middle\" class=\"d-small\">facts and metadata\u003C\u002Ftext>\u003Crect x=\"260\" y=\"190\" width=\"200\" height=\"68\" rx=\"10\" class=\"d-sky\" \u002F>\u003Ctext x=\"360\" y=\"216\" text-anchor=\"middle\" class=\"d-text\">Vector store\u003C\u002Ftext>\u003Ctext x=\"360\" y=\"240\" text-anchor=\"middle\" class=\"d-small\">embeddings\u003C\u002Ftext>\u003Crect x=\"490\" y=\"190\" width=\"200\" height=\"68\" rx=\"10\" class=\"d-sky\" \u002F>\u003Ctext x=\"590\" y=\"216\" text-anchor=\"middle\" class=\"d-text\">Entity store\u003C\u002Ftext>\u003Ctext x=\"590\" y=\"240\" text-anchor=\"middle\" class=\"d-small\">links for boosting\u003C\u002Ftext>\u003Cpath d=\"M130 258 V278\" class=\"d-line\" \u002F>\u003Cpath d=\"M360 258 V278\" class=\"d-line\" \u002F>\u003Cpath d=\"M590 258 V278\" class=\"d-line\" \u002F>\u003Cpath d=\"M130 278 H590\" class=\"d-line\" \u002F>\u003Cpath d=\"M360 278 V294\" class=\"d-line\" marker-end=\"url(#m0-arrow)\" \u002F>\u003Crect x=\"250\" y=\"300\" width=\"220\" height=\"64\" rx=\"10\" class=\"d-mint\" \u002F>\u003Ctext x=\"360\" y=\"326\" text-anchor=\"middle\" class=\"d-text\">Search\u003C\u002Ftext>\u003Ctext x=\"360\" y=\"348\" text-anchor=\"middle\" class=\"d-small\">semantic, keyword, entity, time\u003C\u002Ftext>\u003Cpath d=\"M250 332 H14 V80 H26\" class=\"d-line d-dash\" marker-end=\"url(#m0-arrow)\" \u002F>\u003Ctext x=\"30\" y=\"290\" class=\"d-label\">memories into\u003C\u002Ftext>\u003Ctext x=\"30\" y=\"306\" class=\"d-label\">the prompt\u003C\u002Ftext>",[161],"A tényeket addonként egyszer nyerjük ki, és szűrt kereséssel olvassuk vissza; a nyílt forráskódú verziónak nincs entitásgráfja, jelzése a kinyert kifejezések átfedése.",{"type":110,"content":163},[164],"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.",{"type":117,"level":118,"id":91,"text":92},{"type":110,"content":167},[168,169,172,173,176,177,180],"A hosztolt út két hívás. Telepítsük az SDK-t, vegyünk API-kulcsot a dashboardról, és adjunk minden híváshoz hatókört: egy ",{"tag":123,"children":170},[171],"user_id",", ",{"tag":123,"children":174},[175],"agent_id"," és ",{"tag":123,"children":178},[179],"run_id"," nélküli emléket az kapja meg, aki legközelebb kéri.",{"type":123,"code":182},"from mem0 import MemoryClient\n\nclient = MemoryClient(api_key=\"your-api-key\")\n\nmessages = [\n    {\"role\": \"user\", \"content\": \"I'm a vegetarian and allergic to nuts.\"},\n    {\"role\": \"assistant\", \"content\": \"Noted.\"},\n]\nclient.add(messages, user_id=\"user123\")\n\nresults = client.search(\n    \"What are my dietary restrictions?\",\n    filters={\"user_id\": \"user123\"},\n)\nfor r in results[\"results\"]:\n    print(r[\"memory\"], r[\"score\"])",{"type":110,"content":184},[185,186,189],"A nyílt forráskódú könyvtár ugyanilyen formájú, mögötte nincs szerver: ",{"tag":123,"children":187},[188],"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.",{"type":191,"variant":192,"title":193,"body":194},"callout","note","Mennyibe kerül az írási út",[195],[196,197,200],"A kinyerés minden ",{"tag":123,"children":198},[199],"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.",{"type":117,"level":118,"id":94,"text":95},{"type":110,"content":203},[204],"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.",{"type":206,"head":207,"rows":218},"table",[208,210,212,214,216],[209],"Benchmark",[211],"2026. áprilisa előtt",[213],"Jelenlegi érték",[215],"Token lekérésenként",[217],"p50 késés",[219,230,241,252],[220,222,224,226,228],[221],"LoCoMo",[223],"71,4",[225],"92,5",[227],"7,0K",[229],"0,88 s",[231,233,235,237,239],[232],"LongMemEval",[234],"67,8",[236],"94,4",[238],"6,8K",[240],"1,09 s",[242,244,246,248,250],[243],"BEAM, 1M token",[245],"nem publikált",[247],"64,1",[249],"6,7K",[251],"1,00 s",[253,255,256,258,260],[254],"BEAM, 10M token",[245],[257],"48,6",[259],"6,9K",[261],"1,05 s",{"type":110,"content":263},[264],"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.",{"type":191,"variant":266,"title":267,"body":268},"warn","A szállítói tábla nem összehasonlítás",[269],[270,271,274],"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: ",{"tag":123,"children":272},[273],"mem0ai\u002Fmemory-benchmarks",".",{"type":117,"level":118,"id":97,"text":98},{"type":110,"content":277},[278],"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.",{"type":206,"head":280,"rows":289},[281,283,285,287],[282],"Csomag",[284],"Ár",[286],"Írási kérés havonta",[288],"Lekérési kérés havonta",[290,299,308,316],[291,293,295,297],[292],"Hobby",[294],"Ingyenes",[296],"10 000",[298],"1 000",[300,302,304,306],[301],"Starter",[303],"Havi 19 dollár",[305],"50 000",[307],"5 000",[309,311,313,315],[310],"Pro",[312],"Havi 249 dollár",[314],"500 000",[305],[317,319,321,323],[318],"Enterprise",[320],"Egyedi",[322],"Korlátlan",[322],{"type":110,"content":325},[326],"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.",{"type":117,"level":118,"id":100,"text":101},{"type":110,"content":329},[330],"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.",{"type":206,"head":332,"rows":341},[333,335,337,339],[334],"Választás",[336],"Memóriamodell",[338],"Üzemeltetési teher",[340],"Mire való",[342,350,359,368],[343,344,346,348],[22],[345],"Kinyert tények, felhasználó-, ügynök- és lefutásszűrve",[347],"Könyvtár, amit üzemeltetünk, vagy platform, amit fizetünk",[349],"Munkameneteken átívelő személyre szabás ismert beszélgetésenkénti költséggel",[351,353,355,357],[352],"Zep Graphitivel",[354],"Epizódokból álló időbeli tudásgráf",[356],"Graph-tároló és annak gondozása",[358],"Kapcsolatgazdag memória, ahol a sorrend számít",[360,362,364,366],[361],"LangMem",[363],"Memóriatárolók és szemantikus keresés a LangChain-veremben",[365],"A LangChain eszközláncának része",[367],"Már a LangChain-re épített csapatok",[369,371,373,375],[370],"Egy ténytáblázat",[372],"Saját magunk írt sorok plusz pgvector",[374],"Saját SQL és egy összefoglaló prompt",[376],"Rövid életű memória és szigorú auditkövetelmény",{"type":110,"content":378},[379],"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.",{"type":191,"variant":266,"title":381,"body":382},"A szakadék az SDK és a platform között",[383],[384],"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.",{"type":117,"level":118,"id":103,"text":104},{"type":110,"content":387},[388],"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.",{"type":132,"ordered":390,"items":391},true,[392,394,396,398,400],[393],"A könyvtárral kezdjük: ugyanaz az API-forma, és a platformra váltás nyitva marad.",[395],"Minden hívást hatókörözünk. A hatókör nélküli emlék az egyetlen hiba, amely felhasználókon átterjed.",[397],"Az írási utat költsük be a csomag előtt: addonként egy kinyerési hívás a költségmodell, bármennyibe kerüljön is a csomag.",[399],"A platform graph memóriáért, időbeli rendezésért és összefújt lekérésért jár — ami a nyílt forráskódú verzióból hiányzik.",[401],"Soha ne tároljunk titkot vagy kezeletlen személyes adatot; a lekérés arra van tervezve, hogy felszínre hozza a tároló tartalmát.",{"type":403,"content":404},"quote",[405],"Avoid storing secrets, raw credentials, or unredacted sensitive data. Mem0 is designed to retrieve stored context.",{"type":117,"level":118,"id":106,"text":107},{"type":132,"ordered":390,"items":408},[409,414,417,421,425,429,433,437,441],[410],{"tag":411,"href":27,"children":412},"a",[413],"Mem0 dokumentáció",[415],{"tag":411,"href":30,"children":416},[29],[418],{"tag":411,"href":33,"children":419},[420],"Hogyan működik a Mem0",[422],{"tag":411,"href":36,"children":423},[424],"Mem0 árazás",[426],{"tag":411,"href":39,"children":427},[428],"Mem0 a GitHubon",[430],{"tag":411,"href":42,"children":431},[432],"mem0ai a PyPI-n",[434],{"tag":411,"href":45,"children":435},[436],"Mem0 kutatás és benchmark-ek",[438],{"tag":411,"href":48,"children":439},[440],"Mem0 MCP-szerver",[442],{"tag":411,"href":51,"children":443},[444],"Mem0 tanulmány az arXiv-en",[446,493,548,590],{"slug":447,"published":448,"minutes":449,"category":7,"tags":450,"keywords":454,"about":462,"sources":466,"cover":485,"og":486,"expertise":54,"locales":487,"lang":58,"title":488,"description":489,"coverAlt":490,"url":491,"pricing":492,"kind":9},"zep","2026-10-06",11,[9,451,452,453,11],"Knowledge graph","Temporal graph","Context engineering",[455,456,457,458,459,18,460,461],"zep ai","zep agent memory","graphiti knowledge graph","zep pricing","zep vs mem0","temporal knowledge graph","zep cloud",[463],{"name":464,"url":465},"Zep","https:\u002F\u002Fwww.getzep.com\u002F",[467,470,473,476,479,482],{"title":468,"url":469},"Zep pricing: plans, credits and limits","https:\u002F\u002Fwww.getzep.com\u002Fpricing",{"title":471,"url":472},"Zep documentation","https:\u002F\u002Fhelp.getzep.com\u002F",{"title":474,"url":475},"Graphiti on GitHub","https:\u002F\u002Fgithub.com\u002Fgetzep\u002Fgraphiti",{"title":477,"url":478},"Graphiti product page","https:\u002F\u002Fwww.getzep.com\u002Fplatform\u002Fgraphiti\u002F",{"title":480,"url":481},"Announcing a new direction for Zep's open-source strategy","https:\u002F\u002Fwww.getzep.com\u002Fblog\u002Fannouncing-a-new-direction-for-zeps-open-source-strategy\u002F",{"title":483,"url":484},"Graphiti: temporal knowledge graphs for AI agents (arXiv)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.13956","\u002Fimages\u002Fblog\u002Fzep\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fzep\u002Fog.jpg",[56,57,58],"Zep ismertető: ügynök-memory temporális gráfon","A Zep hostolt ügynök-memory API temporális tudásgráfon: kreditek íráskor, lekérdezés ingyen, Flex 125 dollártól havonta, a Graphiti az a rész, amit magunk üzemeltethetünk.","A Zep diagramja arról, hogyan jut el egy tény a promptig: az üzeneteket és tényeket felhasználónkénti entitás- és kapcsolatgráffá bontják, a lekérdezés pedig bejárja a gráfot, és kontextusblokkot ad vissza a támasztó tényekkel.","https:\u002F\u002Fwww.getzep.com","Apache-2.0 core · Cloud from $50 per month",{"slug":494,"published":495,"minutes":496,"category":7,"tags":497,"keywords":500,"about":508,"sources":515,"cover":540,"og":541,"expertise":54,"locales":542,"lang":58,"title":543,"description":544,"coverAlt":545,"url":546,"pricing":547,"kind":510},"lancedb","2026-09-21",9,[12,498,499,11],"Hybrid search","Embedded database",[494,501,502,503,504,505,506,507],"lancedb review","lance vector database","embedded vector database","lancedb vs qdrant","hybrid search rrf","lancedb indexing","lance data format",[509,512],{"name":510,"url":511},"Vector database","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVector_database",{"name":513,"url":514},"Apache Arrow","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FApache_Arrow",[516,519,522,525,528,531,534,537],{"title":517,"url":518},"LanceDB quickstart","https:\u002F\u002Fdocs.lancedb.com\u002Fquickstart",{"title":520,"url":521},"LanceDB vector indexes","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Fvector-index",{"title":523,"url":524},"LanceDB indexing guide","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Findex",{"title":526,"url":527},"LanceDB hybrid search","https:\u002F\u002Fdocs.lancedb.com\u002Fsearch\u002Fhybrid-search",{"title":529,"url":530},"LanceDB Enterprise","https:\u002F\u002Fdocs.lancedb.com\u002Fenterprise",{"title":532,"url":533},"LanceDB frequently asked questions","https:\u002F\u002Fdocs.lancedb.com\u002Ffaq\u002Ffaq-oss",{"title":535,"url":536},"LanceDB pricing","https:\u002F\u002Flancedb.com\u002Fpricing",{"title":538,"url":539},"LanceDB on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Flancedb\u002F","\u002Fimages\u002Fblog\u002Flancedb\u002Fcover.webp","\u002Fimages\u002Fblog\u002Flancedb\u002Fog.jpg",[56,57,58],"LanceDB: vektoros keresés, amely könyvtárként indul","A LanceDB értékelése: Apache-2.0 beágyazott vektoros könyvtár szerver helyett, az IVF és HNSW indexválasztás, hibrid keresés rangsoregyesítéssel, és mit ad hozzá az Enterprise.","A LanceDB teszt borítóképe: egy Lance-tábla vektorindexet és teljes szöveges indexet táplál egy fúziós rangsorba","https:\u002F\u002Flancedb.com","Apache-2.0 · Cloud paid",{"slug":549,"published":495,"minutes":6,"category":7,"tags":550,"keywords":554,"about":561,"sources":567,"cover":582,"og":583,"expertise":54,"locales":584,"lang":58,"title":585,"description":586,"coverAlt":587,"url":563,"pricing":588,"kind":589},"pgvector",[12,551,552,11,553],"Postgres","HNSW","Quantisation",[549,555,556,557,558,559,560],"pgvector vs qdrant","postgres vector search","hnsw index postgres","iterative index scans","binary quantization postgres","vector database postgres",[562,564],{"name":549,"url":563},"https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"name":565,"url":566},"PostgreSQL","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPostgreSQL",[568,570,573,576,579],{"title":569,"url":563},"pgvector README",{"title":571,"url":572},"pgvector changelog","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\u002Fblob\u002Fmaster\u002FCHANGELOG.md",{"title":574,"url":575},"PostgreSQL news: pgvector 0.8.2 released","https:\u002F\u002Fwww.postgresql.org\u002Fabout\u002Fnews\u002Fpgvector-082-released-3245\u002F",{"title":577,"url":578},"AWS: Scale pgvector with binary quantization","https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fdatabase\u002Fscale-pgvector-with-binary-quantization-on-amazon-aurora-postgresql\u002F",{"title":580,"url":581},"pgvector licence","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\u002Fblob\u002Fmaster\u002FLICENSE","\u002Fimages\u002Fblog\u002Fpgvector\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fpgvector\u002Fog.jpg",[56,57,58],"pgvector, értékelés: az a vektordatázis, amelyet nem kell üzemeltetned","Értékelés a pgvector 0.8.7-ről: iteratív indexszkennelés szűrt kereséshez, HNSW és IVFFlat, bináris kvantizálás 100 millió vektornál, és a CVE, amely az indexépítést javítási tétellé tette.","A lekérdezés felül három útra bontakozik: pontos szekvenciális szkennelés, HNSW gráfjárás és IVFFlat vizsgálat; alul egy iteratív szkennelés folytatódik, amíg a limit kitelik.","PostgreSQL licence","Vector database extension",{"slug":591,"published":592,"minutes":6,"category":7,"tags":593,"keywords":596,"about":605,"sources":615,"cover":634,"og":635,"expertise":54,"locales":636,"lang":58,"title":637,"description":638,"coverAlt":639,"url":608,"pricing":640,"kind":510},"milvus-zilliz","2026-09-08",[12,498,594,595,11],"BM25 full text","Distributed",[597,598,599,600,601,602,603,604],"milvus","milvus vs qdrant","zilliz cloud pricing","vector database comparison","milvus hybrid search","apache milvus self-hosting","milvus 3.0","rag vector store",[606,609,612],{"name":607,"url":608},"Milvus","https:\u002F\u002Fmilvus.io",{"name":610,"url":611},"Zilliz Cloud","https:\u002F\u002Fzilliz.com",{"name":613,"url":614},"Retrieval-augmented generation","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation",[616,619,622,625,628,631],{"title":617,"url":618},"Milvus architecture overview","https:\u002F\u002Fmilvus.io\u002Fdocs\u002Farchitecture_overview.md",{"title":620,"url":621},"Milvus release notes","https:\u002F\u002Fmilvus.io\u002Fdocs\u002Frelease_notes.md",{"title":623,"url":624},"Milvus releases on GitHub","https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fmilvus\u002Freleases",{"title":626,"url":627},"Milvus README: features and licence","https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fmilvus",{"title":629,"url":630},"Zilliz Cloud pricing","https:\u002F\u002Fzilliz.com\u002Fpricing",{"title":632,"url":633},"Zilliz Cloud list price","https:\u002F\u002Fzilliz.com\u002Fpricing\u002Fpricing-guide","\u002Fimages\u002Fblog\u002Fmilvus-zilliz\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fmilvus-zilliz\u002Fog.jpg",[56,57,58],"Milvus elemzés: a legteljesebb vektordatbázis üzemeltetve","A Milvus 3.0.2 a legteljesebb nyílt forráskódú vektordatbázis, és a legnehezebben üzemeltethető. Elemzés az architektúráról, a hibrid keresésről, a költségekről és a korlátokról.","A Milvus-ajánló címképe: folyamat az ingesttől az indexen, a keresésen és a rerankingen át","Apache-2.0 · Zilliz Cloud free tier",1791383550052]