今天分享两个AI上下文解决方案：Mem0和MemOS，可以算是第三代上下文里面个人比较有体感的

Mem0

是什么东西

国外提出的个性化AI交互助手，能记住偏好、不断学习。

目前github start数量为43K，非常火热！已经有了自己的网站，并且送3个月免费使用。

需要注意：方案是大模型的一个插件，本身不提供大模型问答能力，需要手动触发对话历史的存储以及读取

为了解决什么问题以及如何解决

在方案出来之前对于历史会话可能是直接塞到上下文里面的，这会存在以下两个问题：

问题一：窗口中信息密度不够高，无用信息过多，有用信息没放进来

• 解决方案：
  • ①利用大模型对每次会话进行总结，且给内容设置不同标签（20种）
  • ②存储时，保存时间以及用户自定义的key-value结构metaInfo
  • ③在检索时，支持按照标签、key-value等进行过滤后检索

问题二：对话轮次不断增多导致记录的维护成本高

• 解决方案：大模型自动判断本次的对话记录需要【增加/删除/更新】

接下来通过具体流程，更清晰的分享一下

1. 用户和大模型对话完成得到messages
2. 使用mem.add(messages,metaInfo，userId)触发存储
   1. 利用大模型：提取有用的信息facts
   2. 利用大模型：对比DB里面的fatcs和本次传入的facts，判断是新增、更新、删除
   3. 利用大模型：根据facts归类到20个标签中，得到tag
   4. 执行操作新增/更新/删除向量数据库，保存facts、metaInfo、tag等信息
3. 下一次对话之前，使用mem.search(message,filter)进行搜索
   1. 使用filter中的规则（比如time<30天）对数据库的metaInfo进行过滤
   2. 对过滤结果进行向量召回

值得思考借鉴的点

1. 用户的对话历史中是否有助于当前项目？
2. 是否传递了足够的信息给大模型？
3. 传递给大模型的信息信息密度够不够高？哪些是没有用的部分？能不能总结、过滤？
4. 上下文的自动更新机制

项目资料

github地址：https://github.com/mem0ai/mem0

平台地址：https://app.mem0.ai

MemOS

是什么东西

国产，记忆张量（上海）科技有限公司牵头几个头部大学研发的上下文调度操作系统。

目前github star数量2.9k，整体项目尚未完全开放

为了解决什么问题以及如何解决

问题一：高频&重要的记忆每次都要读取，成本高

解决办法：三层记忆模型。类似于操作系统，数据从冷到热依次存于磁盘->内存->缓存。

• 记忆类型
  • 明文记忆：每次需要时被读取放到大模型上下文里面
  • 激活记忆：一些固定的话术，直接从字符串变成token传给大模型，可以减少每次转化的成本（这个是大模型调用时可以传入的一个参数，目前claude code是支持的，具体可以参考：https://spring.io/blog/2025/10/27/spring-ai-anthropic-prompt-caching-blog）
  • 参数记忆：通过训练和微调将信息直接塞到大模型参数里面
• 记忆转化调度：周期触发，根据用户历史会话
  1. 利用llm判断历史会话和记忆的相似度（prompt判断）
  2. 利用llm提取会话历史关键词，计算关键词在记忆中的出现次数
  3. 看这个历史会话的引用次数
  4. 最终分数=相似度得分0.9+关键词得分0.05+引用次数得分*0.05
  5. 分数高的会被转化为激活记忆，在调用大模型时作为token参数传给大模型

参数记忆，好像目前还没开发完成…

值得思考借鉴的点

1. 如果token耗费太多，或者查询速度很慢，可以考虑引入这种调度方法？
2. 上下文可以根据不同维度去判断是否召回，根据相似度，根据标签拆分，根据关键词，根据使用频率…结合多个维度去做召回

项目资料

github地址：https://github.com/MemTensor/MemOS

平台地址：https://memos-playground.openmem.net/