문서버전 1.0 · 업데이트
Mem0는 에이전트에 장기·사용자별 기억을 주는 메모리 레이어입니다.
원본 대화 청크를 저장하는 대신, 메시지를 간결한 사실로 추려내는 추출 단계를 거치고 검색 시 관련된 것만 가져옵니다 — 단순 벡터 검색과는 결이 다른 문제입니다.
flowchart LR msg[messages] --> mem0[Mem0] mem0 --> store[(vector store)] q[query] --> mem0 mem0 --> facts[relevant memories]
코드 샘플 탭에는 기억을 저장·검색하고 그것을 프롬프트에 넣는 예시가 있습니다 — 선택기에서 골라 비교해 보세요.
매 턴 전체 히스토리를 다시 읽는 대신, 에이전트가 사용자 선호와 사실을 세션을 넘어 기억해야 할 때 Mem0를 쓰세요.
오픈소스라 무료로 셀프호스트할 수 있고, Mem0 Platform은 호스팅형 메모리 서비스입니다.
| 플랜 | 가격 | 비고 |
|---|---|---|
| Free | $0 | 메모리 1만 개 |
| Starter | $19/월 | 상향된 한도 |
| Growth | $79/월 | 팀 사용 |
| Pro | $249/월 | 확장·우선 지원 |
| Enterprise | 문의 | SSO·SLA·온프레미스 |
출처 ↗ · 기준일 2026-06-27
에이전트가 세션을 넘어 지속되는 사용자별 기억이 필요할 때 Mem0를 쓰세요.
add가 메시지를 간결한 사실로 추려 저장하고, search가 질의에 관련된 기억을
돌려줍니다.
flowchart LR msg[messages] --> mem0[Mem0] mem0 --> store[(vector store)] q[query] --> mem0 mem0 --> facts[relevant memories]
from mem0 import Memory
m = Memory() # an LLM extracts facts; a vector store recalls them
m.add("I prefer window seats and vegetarian meals.", user_id="alice")
hits = m.search("what are alice's travel preferences?", user_id="alice")
for h in hits["results"]:
print(h["memory"])
flowchart LR q[query] --> mem0[Mem0] mem0 --> ctx[memories] ctx --> llm[LLM] llm --> reply[reply]
from mem0 import Memory
from litellm import completion
m = Memory()
m.add("Alice is allergic to peanuts.", user_id="alice")
# Pull relevant memories and prepend them to the prompt.
memories = m.search("food", user_id="alice")["results"]
context = "\n".join(f"- {x['memory']}" for x in memories)
resp = completion(
model="anthropic/claude-opus-4-8",
messages=[{"role": "user", "content": f"Known facts:\n{context}\n\nSuggest a snack."}],
)
print(resp.choices[0].message.content)
실제로 실행 가능한 미니 프로젝트입니다. 받아서 Docker로 실행해 보세요.
2026년 6월 28일
Mem0 — 기억 저장·회상아주 작은 Mem0 스크립트입니다. 사용자에 대한 사실을 추가한 뒤 검색합니다. Mem0는 메시지를 간결한 사실로 추려(LLM) 저장하고, 관련된 것을 벡터 스토어에서 회상합니다. 이 설정은 OpenAI를 씁니다.
cd samples/mem0_1
cp .env.sample .env
# .env 편집: OPENAI_API_KEY 설정
여기 Mem0 설정은 사실 추출과 임베딩에 OpenAI를 씁니다. 키는
platform.openai.com/api-keys에서
발급받으세요. .env는 gitignore 처리되어 있고, .env.sample만 커밋됩니다.
cd samples/mem0_1
docker build -t aas-mem0 .
docker run --rm --env-file .env aas-mem0 "what are alice's travel preferences?"
호스트 Docker 데몬과 통신하는 dev container(Docker-outside-of-Docker)에서는 위의
포그라운드 docker run이 종종 아무것도 출력하지 않고 exit 0으로 끝납니다. 하지만
실행 자체는 성공한 것입니다. 스크립트는 끝까지 실행되고 출력도 Docker가 모두
캡처하는데, 실시간 attach 스트림만 그 출력을 VM 경계에서 흘려버립니다.
detached로 실행하고 로그를 따라가세요:
cd samples/mem0_1
docker build -t aas-mem0 .
docker logs -f "$(docker run -d --env-file .env aas-mem0 \
"what are alice's travel preferences?")"
cd samples/mem0_1
pip install -r requirements.txt
python app.py "what are alice's travel preferences?"
python-dotenv가 .env를 자동으로 불러옵니다.
모델과 실행마다 결과가 달라집니다 — LLM은 비결정적이라 회상되는 표현이 매번 다릅니다. 아래는 OpenAI로 추출·회상한 한 번의 실행 예입니다.
query: what are alice's travel preferences?
- User prefers window seats when traveling and enjoys vegetarian meals.
파일
# Copy this file to `.env` and add your OpenAI API key.
# cp .env.sample .env
#
# Mem0's default config uses OpenAI for both fact extraction and embeddings.
# Get a key at https://platform.openai.com/api-keys
OPENAI_API_KEY=
# Local secrets — never commit the real .env
.env
# ...but keep the committed template (root .gitignore's `.env.*` would hide it).
!.env.sample
"""Mem0: store a memory, then recall it.
Adds a fact for a user, then searches — Mem0 distils messages into compact
facts (with an LLM) and recalls the relevant ones (from a vector store). The
config below uses OpenAI, so set OPENAI_API_KEY.
Run:
docker build -t aas-mem0 .
docker run --rm --env-file .env aas-mem0 "what are alice's travel preferences?"
"""
import sys
from dotenv import load_dotenv
from mem0 import Memory
# Load .env when running locally; in Docker the key comes from --env-file.
load_dotenv()
# Pin the OpenAI models Mem0 uses (the default model rejects a custom temperature).
CONFIG = {
"llm": {"provider": "openai", "config": {"model": "gpt-4o-mini"}},
"embedder": {"provider": "openai", "config": {"model": "text-embedding-3-small"}},
}
def main() -> None:
query = " ".join(sys.argv[1:]) or "what are alice's travel preferences?"
user = "alice"
m = Memory.from_config(CONFIG)
m.add("I prefer window seats and vegetarian meals.", user_id=user)
# Mem0 2.x takes the user as a filter on search.
results = m.search(query, filters={"user_id": user})
print(f"query: {query}")
for r in results["results"]:
print(f" - {r['memory']}")
if __name__ == "__main__":
main()
# Minimal image for the Mem0 sample.
FROM python:3.13-slim
ENV PYTHONUNBUFFERED=1
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY app.py .
# Provide your config at run time (.env is NOT baked into the image):
# docker run --rm --env-file .env aas-mem0 "<query>"
ENTRYPOINT ["python", "app.py"]
mem0ai>=2.0,<3
python-dotenv>=1.2,<2