Mem0 把記憶做成一個外掛在 LLM 呼叫兩側的服務：你照舊呼叫自己的模型，它在對話後從中抽取事實，在下次呼叫前把相關事實注入。它的貢獻不在儲存技術（底層就是向量庫加上可選的圖），而在把「寫入決策」明確地形式化成一條兩階段管線與四種操作——這是整個生態裡最容易被搬走、也最應該被搬走的設計。
核心機制：兩階段管線
Mem0 的運作是兩個階段，論文（arXiv:2504.19413，ECAI 2025）與官方文件都以此描述：
Extraction（抽取）——每一組新的訊息對（使用者訊息＋助理回覆）進來後，用 LLM 從中拉出候選事實。輸出是一組去脈絡化的陳述句，例如從「我最近改吃素了，所以上次那家燒肉店可能不適合」抽出「使用者是素食者」。
Update（更新）——對每一個候選事實，先用向量相似度從既有記憶中取回語意相近的鄰域，再用第二次 LLM 呼叫，把候選事實與這個鄰域一起交給模型，讓它判斷該執行哪一種操作：
- ADD——是新資訊，存為新條目。
- UPDATE——與既有條目講同一件事但資訊量增加，覆寫既有條目。
- DELETE——與既有條目矛盾，移除舊的。
- NOOP——沒有新資訊，什麼都不做。
這四個操作是本篇最重要的產出。 它們把一個含糊的問題（「記憶要怎麼維護」）拆成一組互斥且窮盡的決策，而且這組決策與任何特定儲存技術無關——你可以在檔案系統上、在 SQL 表上、在圖上實作同一組操作。任何新專案的記憶寫入管線都應該明確地實作這四種結果，而不是預設「寫入等於 append」。
漏掉 NOOP 是最常見的錯誤。沒有 NOOP 的系統會把每一次重複提及都存成新條目，於是同一件事在庫裡有二十個措辭略異的版本，召回時互相稀釋——這正是 無限膨脹與召回不準 的主要成因。
圖變體：Mem0g
Mem0 的圖版本（文獻中寫作 Mem0g）在抽取階段多做一步：把訊息轉成實體與關係三元組，而不只是自然語言事實。更新階段則加上圖層面的衝突偵測與解決，把新的三元組整合進既有圖譜。
它與 Zep／Graphiti 的差異在時間模型：Mem0g 處理衝突的方式偏向解決（更新或刪除），Graphiti 偏向保留並標記失效。這個差異決定了你能不能回答「三個月前他的偏好是什麼」這種問題——Mem0 的預設路線把舊值刪掉了。
儲存後端
向量庫為主（支援多種後端），可選圖資料庫，另有歷史紀錄用的關聯式儲存。它是一個服務／SDK，不接管你的 agent 迴圈——這是它與 Letta 最根本的定位差異。你的 orchestration 用什麼框架、agent 怎麼推理，Mem0 一概不管，它只負責在你呼叫 add() 時處理寫入、在你呼叫 search() 時回傳相關記憶。
這個「非侵入式」的定位是它最大的實務優勢。 在架構還沒定型、或者要把記憶加到一個既有系統上時，它的整合成本遠低於換一個 runtime。
寫入與召回策略
寫入時機：由呼叫方顯式決定（你在每輪對話後呼叫 add()），可以在 hot path 也可以在背景。寫入的內容決策交給管線，呼叫方不需要判斷什麼值得記。
召回方式：以查詢向量做語意相似度檢索，回傳前 k 條。可加上 user_id / agent_id / run_id 之類的範圍過濾——這組範圍參數實質上實作了 分類學 的主體歸屬維度，是它設計上做對的一件事。
遺忘：靠 UPDATE 與 DELETE 隱含處理，沒有獨立的時間衰減或容量上限機制。這意味著長跑系統的儲存成長需要自己監控。
優缺點
優點：整合成本低，不綁 orchestration；寫入決策形式化得最清楚；召回的 token 用量可控（回傳精煉事實而非原始對話）；有公開論文與 benchmark 數字可查證。
缺點：每次寫入至少兩次 LLM 呼叫（抽取＋判斷），成本與對話量成正比而非與召回量成正比，這在高流量產品上是實質負擔；抽取階段會丟失情節脈絡（「為什麼」通常抽不出來）；預設的衝突解決會刪除歷史，時序查詢能力弱；抽取品質完全取決於 prompt 與模型，跨領域的泛化沒有保證。
適合場景：對話式產品的個人化（偏好、身份、歷史）、需要快速把記憶加到既有系統、語意事實為主而情節脈絡不重要的應用。不適合：需要回答「什麼時候變成這樣」的時序問題、需要多跳關係推理、記憶主要是程序型規則的編碼 agent。
可抽取的模式
Extract-then-reconcile（先抽取、再對帳）——寫入不是 append，而是「抽出候選 → 取回相近鄰域 → 決定四種操作之一」。這是本專欄推薦的寫入管線骨架，完整版見 藍圖。
四操作閉集（ADD／UPDATE／DELETE／NOOP）——把寫入結果限制在一組互斥且窮盡的操作上，讓寫入行為可稽核、可測試。每一次寫入都應該產出一個明確的操作決定與理由，而不是靜默地插入一列。
Neighborhood-scoped reconciliation（限定鄰域的對帳）——判斷衝突時不比對全庫，只比對向量相似度取回的鄰域。這是讓對帳成本保持常數的關鍵；代價是語意上相關但措辭差異大的衝突會被漏掉，這是一個必須知道的已知限制。
Scope keys as first-class（範圍鍵作為一等公民）——user_id / agent_id / session_id 不是後來補上的過濾條件，而是記憶條目的必要欄位。它同時解決了多租戶隔離、可刪除性與 多 agent 共享 三個問題。