这篇更偏产品化
Mem0 读起来和早期记忆论文不太一样。它不仅讲记忆能提高准确率，还关心 token、延迟、检索成本这些部署指标。
源笔记里提到一个核心点：Mem0 通过持续从对话中抽取、整合和检索关键信息，缓解上下文窗口和多 session 一致性问题。相比 full-context，它试图用更少 token 保持长期记忆能力。
Mem0 的两阶段流程
Mem0 采用增量处理范式。每次新消息进来，不是重扫全部历史，而是用最近上下文和 conversation summary 辅助抽取新记忆。
流程分两步：
- extraction phase：从新交互中抽取 salient memories；
- update phase：把候选记忆和已有记忆比较，决定 ADD、UPDATE、DELETE 或 NOOP。
这个设计比“每轮总结一下”更严谨。它承认记忆库不是只增不减的。新事实可能补充旧事实，也可能和旧事实冲突。
UPDATE / DELETE 的困难
我觉得 Mem0 最真实的问题也在这里：当新记忆和旧记忆冲突时，系统怎么知道谁是对的？
论文用 LLM function calling 来判断 ADD、UPDATE、DELETE、NOOP，这很灵活，但也把判断压力交给了模型。真实产品里，删除用户记忆或覆盖偏好是高风险操作，最好有时间戳、来源、置信度和可回滚记录。
否则模型可能把一句临时话当成长期偏好，或者错误删除仍然有效的事实。
Mem0g：图记忆
Mem0g 把记忆表示成 directed labeled graph。实体是节点，关系是边，标签表示类型。它更适合处理实体关系、时间变化和多跳推理。
普通 Mem0 的自然语言 memory 对 single-hop、多事实整合更直接；图记忆在 temporal 和 relational context 更强的问题上更有优势。这也符合直觉：如果问题涉及“谁和谁是什么关系”“哪个事件发生在前”“状态如何变化”，图结构比一堆文本片段更清楚。
但图记忆也更复杂。实体抽取、节点合并、关系冲突、过时关系标记，每一步都可能出错。
生产指标很重要
Mem0 让我比较喜欢的一点，是它同时看 performance metrics 和 deployment metrics。
只看答案质量，很容易做出一个超级重的系统。把全部历史塞进上下文可能准确率高，但 token 和延迟不可接受。记忆系统的价值就在于用更少上下文召回更关键的信息。
所以搜索延迟、总延迟、token consumption 都应该进入评估。
小结
Mem0 给我的启发是，长期记忆要从“能记住”走向“可维护”。
它需要增量抽取、冲突更新、可检索表示、图结构补充，以及部署指标约束。记忆系统越接近生产，越不能只讨论召回准确率，还要讨论成本、延迟、冲突和用户控制。