Mem0 — слой памяти для ИИ-агентов и приложений

Mem0 (читается «мем-зиро») — слой памяти для ИИ-агентов и приложений. Он запоминает предпочтения и контекст пользователя между сессиями, чтобы модель не начинала каждый разговор с чистого листа. Есть открытый код для установки к себе и управляемое облако, которым можно пользоваться бесплатно.

Что это такое

Большие языковые модели не помнят прошлые разговоры: каждый новый запрос стартует с нуля, и пользователю приходится заново объяснять контекст. Mem0 добавляет к агенту постоянную память — вытаскивает из диалогов факты и предпочтения, сохраняет их, обновляет устаревшее и подставляет нужное в момент следующего обращения.

Под капотом гибридное хранилище: связка графовой, векторной и ключ-значение баз. За счёт этого память дешевле хранить и быстрее искать в ней релевантный фрагмент. Пользоваться Mem0 можно двумя способами: открытая библиотека на своём сервере или облачная платформа, где память работает как сервис без вашей инфраструктуры.

Краткая история

Инструмент известный и проверенный, поэтому короткая хронология поможет понять, почему ему стоит доверять.

• 2023 — основан. Сооснователи: Taranjeet Singh (CEO, ранее Paytm и Khatabook) и Deshraj Yadav (CTO, до этого руководил AI-платформой Autopilot и FSD в Tesla). Mem0 вырос из их RAG-фреймворка Embedchain.
• Лето 2024 — компания прошла акселератор Y Combinator (батч S24).
• 2025 — выход управляемой платформы и публикация бенчмарков памяти (LoCoMo, LongMemEval, BEAM).
• Октябрь 2025 — раунд на $24 млн: seed от Kindred Ventures и Series A во главе с Basis Set Ventures, с участием Peak XV, GitHub Fund и Y Combinator. Среди ангелов — Scott Belsky, Dharmesh Shah и руководители Datadog, Supabase, PostHog и Weights & Biases.
• Сегодня — более 100 000 разработчиков, свыше 60 000 звёзд на GitHub и 14+ млн загрузок.

Основные возможности

Подключение

Есть SDK для Python и Node.js, REST API и интеграции с популярными фреймворками агентов. Установка в одну строку, ключ API берётся в дашборде на app.mem0.ai.

pip install mem0ai

from mem0 import MemoryClient

client = MemoryClient(api_key="...")  # ключ из дашборда app.mem0.ai

# сохранить факт о пользователе
client.add("Предпочитаю ответы на русском и покороче", user_id="sergey")

# достать релевантную память перед ответом
memories = client.search("на каком языке и как отвечать?", user_id="sergey")

Для полностью приватного варианта берётся open-source библиотека: тогда память хранится на вашей инфраструктуре и никуда не уходит.

Быстрый старт за 5 минут

Если не хотите возиться с кодом, начните с коннектора в Claude — это самый быстрый путь после недавней новости.

1. Откройте каталог коннекторов в Claude и найдите Mem0.
2. Подключите аккаунт Mem0 в пару кликов; терминал и конфиги не нужны.
3. Заведите бесплатный ключ на app.mem0.ai, если хотите обращаться к памяти из своего кода.
4. Проверьте работу: расскажите модели пару фактов о себе, начните новый чат и спросите то, что от них зависит. Учитывает контекст — значит, память подключилась.

Для разработчиков путь ещё короче: pip install mem0ai, ключ из дашборда и первый client.add(...) из примера выше.

Тарифы и лимиты

Сколько это в реальности. Memory add — это один сохранённый факт. Mem0 достаёт из диалога только значимое и убирает дубли, поэтому за обмен репликами обычно уходит от нуля до нескольких добавлений. 10 000 в месяц спокойно закрывают личного ассистента или бота с десятками активных пользователей; упереться в лимит рискует разве что сервис с постоянным потоком новых фактов от сотен людей.

Опенсорс: что бесплатно, а что нет

Сам код Mem0 бесплатный, но у self-hosted есть неочевидные затраты. Разберём по трём пунктам.

Что действительно бесплатно

Лицензия Apache 2.0: никаких лицензионных платежей, можно использовать в коммерческих проектах, форкать и дорабатывать. Бесплатны и библиотека (pip install mem0ai), и self-hosted сервер на Docker.

За что всё равно платите

• LLM и эмбеддинги. Mem0 не работает сам по себе: ему нужна модель для извлечения фактов (по умолчанию gpt-5-mini от OpenAI) и модель эмбеддингов. Это расходы на API; обнулить их можно только на локальных моделях (Ollama и подобные).
• Своя инфраструктура. Векторная база, хранилище истории, а для графовой памяти — ещё и графовая БД (Neo4j или аналог). Сервер, обновления и бэкапы тоже на вас.

Ограничения относительно облака

• Проприетарные оптимизации в опенсорс не входят. Бенчмарки (92,5 на LoCoMo и т.д.) — это цифры управляемой платформы; в OSS результат будет в том же направлении, но не идентичный.
• Часть возможностей в self-hosted идёт как «тизеры», полный набор — в облаке. Документация по self-hosting скудная, приоритет у разработчиков — облако.
• Графовая память в облаке открывается только на плане Pro; в опенсорсе её можно собрать самому, но руками и на своей графовой БД.

Практические сценарии

• Личный ассистент, который вас помнит. Один раз рассказали про свои предпочтения, проекты и рабочий контекст — дальше агент подтягивает это сам. Польза: перестаёте повторять вводные в каждом новом чате.
• Поддержка клиентов. Бот помнит историю обращений и детали клиента между сессиями. Польза: человек не пересказывает проблему заново, ответы точнее, разговор короче.
• Бот-эксперт или консультант. Агент накапливает контекст по каждому пользователю и ведёт его вдолгую. Польза: персональные рекомендации вместо обезличенных ответов из коробки.
• Долгие рабочие сессии с агентом. В больших задачах история переписки раздувается и бьёт по стоимости. Сжатие памяти оставляет только суть. Польза: меньше токенов и ниже счёт за модель.
• Связка с вашим стеком. Через API память подключается к Telegram-боту, к агенту в Notion или к автоматизации в n8n. Польза: единая память на несколько каналов вместо отдельного «склероза» в каждом.

Кому не подойдёт

Чтобы картина была честной, вот случаи, где стоит присмотреться к альтернативам.

• Нужны независимые гарантии качества. Громкие цифры бенчмарков — собственные замеры Mem0. Методика открыта, но независимые сравнения иногда дают более скромные результаты, особенно на задачах с временной логикой (что было раньше, что позже).
• Важна графовая память из коробки. В облаке она открывается только на плане Pro ($249/мес); у части конкурентов графовые связи есть дешевле или сразу.
• Нет ресурсов на инфраструктуру. Полностью бесплатный self-hosted требует своей базы, LLM-ключей и поддержки, а документация по нему скуднее, чем по облаку.
• Задача простая. Для короткого бота без долгого контекста отдельный слой памяти — лишняя зависимость и лишний счёт; иногда хватает системного промпта или встроенной памяти модели.

С чем сравнить

• Letta (бывший MemGPT) — тоже про долгую память агентов, но с упором на автономных агентов и собственную среду выполнения.
• Zep — память и хранилище истории диалогов, ближе к инфраструктуре под чат-ботов.
• Своя связка на векторной базе (pgvector, Pinecone, Qdrant) — максимальная гибкость, но извлечение фактов, обновление и графовые связи придётся строить руками.

Ссылки

• Сайт: mem0.ai
• Тарифы: mem0.ai/pricing
• Документация: docs.mem0.ai
• GitHub: mem0ai/mem0
• Исследования и бенчмарки: mem0.ai/research
• Статус сервиса: status.mem0.ai

По теме

• Статья: Notion AI как команда — роли, навыки и память
• Блог: 90% результата — это ваша база знаний, а не промпт
• База знаний: MCP (Model Context Protocol) — стандарт подключения ИИ к внешним системам

Память — это то, что превращает разовый чат-бот в ассистента, который реально знает ваш контекст. Если планируете строить агента с долгой памятью под свои задачи или для команды, есть что обсудить.

Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov