mem0_falkordb —— 图增强记忆层

August 29, 2026 · View on GitHub

基于 mem0ai/mem0 的增强版 Fork，聚焦生产可用：恢复图数据库支持、补齐记忆衰减/清理/反馈闭环/可观测性等自部署场景必需能力。

项目定位

mem0 是一个为 AI Agent 提供持久记忆的开源库（存/搜/删 + LLM 事实提取）。本 Fork 在 mem0 全部能力的基础上，做了三类增强：

类别	内容
图存储恢复	完整恢复 `graphs/` 模块，内置 FalkorDB 图数据库后端（真 Cypher 图，可遍历可查询）
生产级能力	记忆衰减、过期清理、语义去重、矛盾检测、时间推理、深度路由、rerank、中文全链路
可观测与进化	搜索质量观测、记忆热度体系、反馈闭环、进化循环、统计面板、召回漏斗 trace

部署与兼容方面的额外亮点：

亮点	说明
配置文件驱动	`MEM0_CONFIG_PATH` 指向 config.json，纯配置部署，无需调 API
自动管理员	容器启动自动创建 `admin@mem0.dev` + 随机密码，日志可见
80+ 个环境变量	连接池/超时/批量/并发/衰减/清理/反馈/深度路由/类型权重全覆盖
中文全链路	记忆提取/图实体/图关系/BM25 分词全汉化
Embedder 兼容	VoyageAI base64 自动适配；pgvector 维度自动检测
Reranker	SiliconFlow 原生支持 + 分数阈值过滤
Docker 就绪	预装依赖，`docker compose up -d` 开箱即用

架构

┌─────────────────────────────────────────────────┐
│                  AI Agent                        │
│         add() / search() / delete()              │
└────────────────────┬────────────────────────────┘
                     │
┌────────────────────▼────────────────────────────┐
│              Mem0 SDK + graphs 模块              │
│  ┌──────────┐  ┌───────────┐  ┌──────────────┐  │
│  │ 向量存储  │  │ 实体存储   │  │ 图存储       │  │
│  │ (pgvector│  │           │  │ (FalkorDB)   │  │
│  └──────────┘  └───────────┘  └──────┬───────┘  │
│                                      │           │
│  ┌─────────── 可观测/进化层 ─────────┐           │
│  │ evolve_queries / evolve_salience │           │
│  │ evolve_feedback / trace 七阶段    │           │
│  └───────────────────────────────────┘          │
└─────────────────────────────────────────────────┘
                     │
┌────────────────────▼────────────────────────────┐
│  存储层                                         │
│  · PostgreSQL (pgvector) — 向量 + 元数据 + 观测表 │
│  · FalkorDB — 每用户独立图（mem0_{user_id}）    │
└─────────────────────────────────────────────────┘

快速开始

Server 部署（推荐，自带 Dashboard）

git clone https://github.com/dlhermes/mem0_falkordb.git
cd mem0_falkordb/server

第一步：创建配置文件（模型配置）

cp config.json.example config.json
# 编辑 config.json，填入真实 API key

配置文件结构：

{
  "llm":         { "provider": "openai", "config": { "model": "...", "api_key": "sk-...", "openai_base_url": "" } },
  "embedder":    { "provider": "openai", "config": { "model": "...", "api_key": "sk-...", "openai_base_url": "" } },
  "reranker":    { "provider": "siliconflow", "config": { "model": "BAAI/bge-reranker-v2-m3", "api_key": "sk-..." } },
  "graph_store": { "provider": "falkordb", "config": { "host": "falkordb", "port": 6379, "database": "mem0" } }
}

⚠️ LLM 配置的字段名是 openai_base_url，不是 api_base，填错会导致容器启动崩溃。

⚠️ 必须配置 vector_store（pgvector），否则 mem0 默认用内存向量库，容器重启后记忆全部丢失。

第二步：创建环境变量（基础设施配置）

cp .env.example .env
# 最少设置 POSTGRES_PASSWORD 和 JWT_SECRET

POSTGRES_PASSWORD=改一个强密码
JWT_SECRET=随机字符串至少32位
DASHBOARD_URL=http://你的服务器IP:3002
API_EXTERNAL_URL=http://你的服务器IP:8888
MEM0_CONFIG_PATH=/app/config.json

DASHBOARD_URL 必须用 http://，用 https:// 会导致 Dashboard Cookie 被浏览器拒绝。

第三步：启动

docker compose up -d

第四步：登录 Dashboard

浏览器访问 http://你的服务器IP:3002。管理员账号自动创建，凭据在日志中：

docker compose logs mem0 | grep -E "(admin|密码)"

登录后默认进入仪表盘（记忆/实体/请求统计总览）；顶栏搜索框可全局检索记忆，侧边栏进入各管理页面。

仅使用 Python SDK

git clone https://github.com/dlhermes/mem0_falkordb.git
cd mem0_falkordb
pip install build
python3 -m build --wheel
pip install dist/mem0_graph-*.whl
pip install falkordb
docker run -d --rm -p 6379:6379 falkordb/falkordb

from mem0 import Memory

config = {
    "graph_store": {
        "provider": "falkordb",
        "config": {"host": "localhost", "port": 6379, "database": "mem0"},
    },
    "vector_store": {
        "provider": "pgvector",
        "config": {"host": "localhost", "port": 5432, "user": "postgres", "password": "...", "dbname": "mem0"},
    },
    "llm": {"provider": "openai", "config": {"model": "gpt-4o-mini"}},
    "embedder": {"provider": "openai", "config": {"model": "text-embedding-3-small"}},
}

m = Memory.from_config(config)
m.add("我喜欢披萨", user_id="alice")
results = m.search("alice 喜欢什么？", user_id="alice")

功能详解

图存储与检索

图存储（FalkorDB）

图存储接口层完整恢复，FalkorDB 直接编译进 GraphStoreFactory，配置即用，无需补丁
每用户独立图（mem0_{user_id}），实体节点 + 关系边 + 引用计数
中文关系名（部署于、偏好）经 backtick 转义直接写入，无需英文映射
详见 → docs/falkordb-integration.md

图数据预览（每用户独立图，实体节点 + 关系边 + 引用计数）：

图数据预览

图记忆时效（Temporal Validity）

冲突消解从「物理删除」改为「失效保留」：

旧关系不再删除，写入 invalidated_at 标记失效
检索默认只返回有效事实（invalidated_at IS NULL）
同事实再次出现自动复活（重置失效标记）
存量关系无标记视为有效，向后兼容；失效时间戳由 Cypher 生成，写入零 LLM 成本（冲突判定复用既有 LLM 消解链路）

价值：LLM 误判冲突只是「误失效」——可追溯、可恢复，而非永久丢失。

搜索深度路由

深度	链路	降本
`minimal`	跳过全部检索（命中废话白名单）	100%
`standard`	embedding + BM25（跳过图 + rerank）	~70%
`full`	embedding + BM25 + 图 + rerank（默认）	0%

深度自动判定在 Memory.search() 入口执行；词表存 SQLite search_keywords 表（路径 /app/history/history.db），增删词即生效，无需重启。每次搜索实际走的深度记录在 evolve_queries.depth，可在 Analytics「召回漏斗」观测。

时间意图自动升档：查询带时间意图（如"最近部署了什么"）时，即使被路由到 minimal/standard 档也会强制按 full 执行（时间声部与 rerank 依赖 full 链路），保证"最近发生了什么"类查询拿到时间加权结果。可用 MEM0_TEMPORAL_FORCE_FULL=false 关闭。

时间声部检索

解决"最近部署了什么""昨天说过什么"这类查询——语义检索对时间维度是盲的，新旧记忆混在一起。时间声部让"时间"成为一路独立检索信号：

时间意图检测：查询含中英文时间词（最近/近 N 天/N 小时前/昨天/上周/今年… 或 ISO 日期）时识别出时间窗口；强信号（最近/最新，w=0.7）与弱信号（昨天/本周，w=0.4）分档；"今天天气怎么样"类语义查询（天气/新闻/汇率/股票/日程/待办）被排除表拦下，不触发
时间召回：按时间窗口从 pgvector 倒序召回（内容发生时间 temporal_date 优先、记录时间 created_at 回退，全链路 Asia/Shanghai 时区），过期/失效记忆过滤，表达式索引加速
融合排序：时间候选与向量/图候选一起过 rerank 并豁免阈值；时间意图下全部候选按 w × 时间衰减分 + (1−w) × rerank 分 融合排序——近期记忆系统性靠前，普通查询零变化
观测：trace 新增 temporal 阶段与 temporal_triggered 标记，落 evolve_queries 表可在 Analytics「召回漏斗」查看触发情况
开关与参数：MEM0_TEMPORAL_VOICE / MEM0_TEMPORAL_WINDOW_DAYS / MEM0_TEMPORAL_HALFLIFE_HOURS / MEM0_TEMPORAL_TOP_K / MEM0_TEMPORAL_FORCE_FULL

记忆质量

记忆衰减

score' = score × 0.5 ** (age_days / (half_life × lane_multiplier))

档位	半衰期	触发
永不衰减	∞	LLM 判 importance=5
慢衰减	~100 天	lane=slow / 关键词含「踩坑/报错/步骤/流程/配置」
正常衰减	~30 天	兜底
快衰减	~20 天	lane=fast / 关键词含「开心/心情/今天/临时」

记忆热度体系

记忆写入时即注册 salience（access_count=0），搜索命中时递增 access_count / last_access_at——从未被召回的记忆也会进入未召回清单
热度分参与排序：在向量/BM25/实体综合分（归一化）基础上叠加热度乘数 (1 + 权重 × heat_effective)
- heat_effective = min(access_count/100, 1) + (salience_score − 1)
- 权重由 MEM0_EVOLVE_RANK_WEIGHT 控制，默认 0 时不改变现有排序
时间衰减管「时间」，热度管「使用频率」，互不叠加

显式反馈闭环

对话层捕获用户纠正信号（或人工在接口/面板标记），通过 POST /evolve/feedback 调整记忆热度分：

反馈	热度变化
useful（有用）	+0.1
useless（无用）	−0.15
correction（内容错误）	−0.05

只改热度分、不改记忆内容；每条反馈落审计表（evolve_feedback / evolve_salience_adjustments），可追溯、误报可逆。

语义去重

三层判定合并近重复记忆：

向量粗筛：cosine 相似度 > 阈值（无 LLM）
字符 Jaccard 预筛：明显不同措辞直接跳过（无 LLM）
LLM 二元判定：剩余候选对「同事实？YES/NO」

只合并近重复、不压缩内容，安全性优先。cron 每日 05:00 执行。

矛盾检测

开启后 LLM 在每次写入时自动对比新消息与已有记忆，发现矛盾自动清理旧记忆，写入即检测。开关：MEM0_ENABLE_CONTRADICTION=true。

时间推理

每条记忆自动标注 temporal（PAST/PRESENT/FUTURE/TIMELESS），搜索可用 filters: {"temporal": "FUTURE"} 过滤；零额外 LLM 调用。

记忆类型（memory_type）

每条记忆写入时自动打上 5 类类型标签——LLM 提取时顺带输出（零额外调用），缺失或非法时按文本关键词规则兜底：

类型	中文	判断关键词（兜底）
`FACTS`	客观事实（默认）	无法判断时输出
`PREFERENCES`	偏好	喜欢 / 偏好 / 讨厌 / 想要 / 希望 / 爱用
`EXPERIENCES`	经历（含踩坑）	踩坑 / 报错 / 步骤 / 流程 / 配置 / 修复
`OBSERVATIONS`	观察	观察到 / 发现 / 看到 / 注意到
`DECISIONS`	决策	决定 / 拍板 / 定了 / 选型 / 采用

写入分类：提取时 LLM 输出 metadata.memory_type；缺失/非法值走关键词兜底（Phase 2.7，sync/async 双路径），都未命中 → FACTS
存量回填：server/scripts/backfill_memory_types.py（规则优先、--use-llm 可选、PRUNE_DRY_RUN 支持、幂等，重跑天然断点续跑）
检索过滤：search filters 支持 {"type": "PREFERENCES"}（别名，自动映射为 memory_type）或 {"memory_type": "EXPERIENCES"} 直接过滤；带类型过滤的搜索会跳过图召回合成条目（无 memory_type 的「src 关系 dst」碎片不混入结果），普通搜索图召回照常
类型权重：排序时对综合分乘类型权重，默认 1.0 = 零行为变化；环境变量 MEM0_TYPE_WEIGHT_FACTS / MEM0_TYPE_WEIGHT_PREFERENCES / MEM0_TYPE_WEIGHT_EXPERIENCES / MEM0_TYPE_WEIGHT_OBSERVATIONS / MEM0_TYPE_WEIGHT_DECISIONS（非法值回退 1.0）
Dashboard：记忆页「全部类型」筛选下拉；分析面板「记忆构成」类型分布（端点 GET /memories/types-distribution）

递归精炼（记忆压缩）

把 N 条碎片化记忆经 LLM 压缩合并为 1-3 条高层抽象，与未召回清单互补（未召回 = 发现，精炼 = 处理）。铁律：LLM 只产出「建议稿」，必须人工确认后才写入记忆库；原记忆 soft-superseded（打 superseded_by 标记）不物理删除；可随时回滚。

候选发现：按未召回清单（14 天未召回）取记忆文本，embedding cosine ≥ 0.75 贪婪聚类（组代表取均值向量），组内 ≥ 3 条才成为候选组
API：
- POST /memory/refine/candidates?user_id=xxx — 生成候选（注意 user_id 是 query 参数）
- GET /memory/refine/candidates?user_id=xxx — 候选列表（含主题/组内条数/建议稿）
- POST /memory/refine/apply {"candidate_id": N} — 人工确认应用（写记忆库 + 原记忆 soft-superseded；非 proposed 返回 409）
- POST /memory/refine/rollback {"candidate_id": N} — 回滚（删除新记忆 + 还原原记忆；非 applied 返回 409）
- GET /memory/refine/history?user_id=xxx — 已应用/已回滚记录
- Admin 语义：admin 不传 user_id 时，候选/历史返回全部用户的记录（响应每项带 user_id），POST 生成候选对全部用户执行；非 admin 只作用自身
cron 脚本：server/scripts/refine_candidates.py — 只生成候选，永不自动 apply（REFINE_DRY_RUN 支持）
Dashboard：分析面板「记忆精炼」（候选建议稿预览 / 确认应用 / 历史回滚）

可观测与进化

每次搜索自动落观测日志（查询词/召回数/平均分/耗时/是否零命中，数据存 evolve_queries 表），支撑下方进化循环与面板展示。

进化循环（cron 每日 06:00）

高频提权：access_count ≥ 5 的记忆自动加分（+min(0.05, (acc−4)×0.01)，上限 1.5），当日幂等
零命中统计：24h 内零命中查询聚合清单
未召回清单：14 天未被召回的观察清单（只提示不自动降权，由人决策）；记忆已删除的 salience 残留不再显示（孤儿过滤）

RECALL 召回漏斗

搜索链路每个阶段采集命中数与耗时：候选池 → 阈值过滤 → 时间衰减 → 图召回 → 时间声部 → 重排序 → 最终。用于定位「搜不到」的病灶（哪一阶段丢的）与性能瓶颈（哪一阶段慢）。结果在 Analytics 面板的「召回漏斗」可视化。

管理后台（Dashboard）

随 Server 自带 Web 管理后台（http://<host>:3002，登录后默认进入仪表盘）。界面为 Sentry 风格（紫午夜画布 + 电光青柠 accent，深色/浅色双主题，可在设置中切换），全中文界面。

页面	能力
仪表盘（默认首页）	记忆/实体/请求统计卡 + 成功率/平均延迟 + 最近请求与记忆
全局搜索	顶栏搜索框即时检索全部记忆（SQL 层，不受条数限制），回车直达记忆页搜索结果
记忆	列表/详情/历史演化查看、按用户/类型/时间筛选、单选与批量删除、语义结果页
请求	API 请求日志：方法/状态段/时间筛选、统计卡、详情抽屉
实体	实体统计卡（用户/代理/运行分布）、类型筛选、详情抽屉
分析	七个中文数据面板（记忆构成/搜索质量/反馈回路/热度健康/记忆精炼/操作/召回漏斗）
API 密钥	创建/吊销/列表管理
配置	LLM / 嵌入 / 重排序 / 图数据存储独立配置（provider、model、API Key、Base URL）+ 检索参数（深度检索、车道、重排阈值）+ 提取指令编辑，保存即热生效
设置	深色/浅色主题切换、修改密码、实例信息（当前模型与存储后端）、深度路由词汇管理（minimal/standard/full 三级词汇增删，命中即路由，无需重启）

界面预览

管理后台界面预览（记忆内容已脱敏模糊）：

仪表盘（默认首页）：记忆/实体/请求统计卡 + 成功率/平均延迟 + 最近请求与记忆

仪表盘总览

记忆页：列表/详情/历史演化查看、按用户/类型/时间筛选、单选与批量删除、语义结果页

记忆管理

请求页：API 请求日志（方法/状态段/时间筛选）、统计卡、详情抽屉

请求日志

实体页：实体统计卡（用户/代理/运行分布）、类型筛选、详情抽屉

实体管理

Analytics 分析面板

七个中文数据面板：

面板	内容
记忆构成	memory_type 类型分布（客观事实/偏好/经历/观察/决策 + 未分类）
搜索质量	查询量/零命中率/平均分/延迟（7/30 天）+ 每日趋势 + 零命中 Top 查询
反馈回路	useful/useless/correction 分布 + 被纠正最多记忆
热度健康	热度分布 + 高频记忆 + 未召回清单（可点「清理/保留」决策 /「生成精炼候选」）+ 提权记录
记忆精炼	精炼候选建议稿预览 / 确认应用 / 历史回滚
操作	请求量/延迟/成功率
召回漏斗	搜索各阶段命中数与耗时（RECALL trace）

Analytics 分析面板

DSH 插件（DeepSeek Harness 记忆集成）

仓库附带一个面向 DeepSeek Harness（dsh）的 bundle 插件 plugins/dsh-mem0-plugins/，让 dsh 直接消费本 server 作为持久记忆层——「自动记忆」开箱即用，无需在 prompt 里手写记忆逻辑：

能力	说明
工具驱动召回	每轮第一步注入「记忆提醒」注记（『必须先调 mem0_search』，UI 消息区「上下文注入」行直接可见、琐碎轮跳过），模型先搜索再作答——工具卡在 UI 可见召回动作；usage 节与工具描述内置同一词表的琐碎豁免（整串仅为应答/问候/推进的短消息明确跳过搜索，携带实义内容即恢复强制）；长查询先经本地小模型蒸馏成检索意图（防打爆服务端），超时/双飞/漂移防护/失败回退原文全套
自动写入	每轮对话交给服务端 LLM 抽取事实；潮浪并忆把同会话短对话合并成批量写入摊薄调用（每次合并冲刷在 dsh 宿主日志打一条 totals，见下方「可观测」）；纯 JSON 工具输出剥除防污染，中断轮次不入记忆
四个工具	`mem0_search` / `mem0_add` / `mem0_update` / `mem0_delete`；改错与遗忘自动上报 `/evolve/feedback` 参与 salience 进化
可靠性	420s HTTP 总闸、熔断器（5 连败 120s 冷却）、有界队列丢最旧、连接级重试、失败一律回退原文

安装（web profile）：

dsh plugin --profile web add ./plugins/dsh-mem0-plugins
# 卸载：dsh plugin --profile web remove dsh-mem0-plugins

装好后在 dsh「设置 → 插件配置 → Mem0 记忆」填写 server 地址与 API Key 即可（enabled 默认开启）；蒸馏/强制提醒/合并/熔断等全部参数可在设置页热调（即时生效，无需重启）。完整配置项与排障见插件 README。

可观测（潮浪收益在哪里看）：收益计数不打在浏览器，落在 dsh 宿主进程日志 （systemd：journalctl -u dsh.service -f；非 systemd：dsh 进程 stdout）。每次潮浪合并冲刷打一条 info，含累计 totals：

[dsh-mem0] mem0 coalesced 3 turn(s) into 1 write (session=<id>, saved 2 call(s), chars=512, trigger=idle; totals: batches=12 savedCalls=34 dropped=0 jsonSanitized=3)

savedCalls = 累计省下的服务端抽取调用次数；dropped = 队列满丢最旧次数（另有 warn）； jsonSanitized = 剥除的纯 JSON 消息条数。全部计数语义与示例见插件 README。

config.json（模型与图存储）

配置架构（优先级从低到高）：

层	角色	生效方式
`.env`	默认配置项	修改后需重构容器（`docker compose up -d --force-recreate`）
`config.json`	权威配置源	改它 + 重启容器生效
DB `settings.config_overrides`	调试兜底	平时不用；直接改 DB 值则以它为准（重启后仍优先）

dashboard 配置页是可视化编辑入口：保存 = 原子写 config.json（进程内热生效 + 重启后持久），不写 DB。

Dashboard 配置/设置页

块	说明
`llm`	事实提取大模型（OpenAI 兼容任意服务），支持 `fallbacks` 多层兜底
`embedder`	向量模型（OpenAI / VoyageAI / 本地 bge 等），VoyageAI base64 自动适配、pgvector 维度自动检测
`reranker`	可选，SiliconFlow 原生支持，配置后搜索自动重排序（分数阈值过滤可调）
`graph_store`	`provider: "falkordb"`，见 docs/falkordb-integration.md

推理模型适配：若 LLM 把回复放在 reasoning_content 而 content 为空（典型：自部署 Qwen3.5 / DeepSeek-R1），记忆提取会全部为空（日志 results=0）。在 llm.config 加：

"reasoning_effort": "none"

多层兜底：llm.fallbacks 按顺序提供兜底模型（最多 2 个），主模型异常/超时（120s）自动切换下一层；快速失败（连接/5xx/401）层内重试 3 次，超时直接切层。每层超时可通过环境变量 MEM0_LLM_FALLBACK_TIMEOUT 配置（默认 120s）。示例：

"llm": {
  "provider": "openai",
  "config": { "model": "主模型", "openai_base_url": "...", "api_key": "..." },
  "fallbacks": [
    { "provider": "openai", "config": { "model": "兜底1", "openai_base_url": "...", "api_key": "..." } },
    { "provider": "openai", "config": { "model": "兜底2", "openai_base_url": "...", "api_key": "...", "reasoning_effort": "none" } }
  ]
}

该兜底机制同样覆盖图实体/关系提取链路（graph write），数量自适应：配置 N 个兜底模型即 N 层保障，未配置时仅走主模型、行为不变，无需额外配置。

.env（基础设施）

变量	默认	说明
`POSTGRES_PASSWORD`	—	必填
`JWT_SECRET`	—	必填，≥32 位
`DASHBOARD_URL`	http://localhost:3002	必须 http
`API_EXTERNAL_URL`	http://localhost:8888	对外 API 地址
`MEM0_CONFIG_PATH`	/app/config.json	配置文件路径

常用功能开关

MEM0_ENABLE_DECAY=true              # 记忆衰减（默认关）
MEM0_DECAY_HALF_LIFE_DAYS=30        # 衰减半衰期（天）
MEM0_ENABLE_CONTRADICTION=true      # 矛盾检测（默认关）
MEM0_SEARCH_DEPTH_AUTO=true         # 深度路由自动判定
MEM0_SEARCH_DEPTH_DEFAULT=full      # 默认深度（full = 含图+rerank）
MEM0_EVOLVE_RANK_WEIGHT=0.2         # 热度排序加成权重（0 = 不生效）
MEM0_RERANK_SCORE_THRESHOLD=0.4     # rerank 后保留最低分
MEM0_RERANK_QUERY_MAX_CHARS=4000    # rerank query 截断
MEM0_RERANK_DOCS_MAX_CHARS=6000     # rerank 候选文档分批阈值
MEM0_TEMPORAL_VOICE=true              # 时间声部检索（默认开）
MEM0_TEMPORAL_WINDOW_DAYS=7           # 时间意图「最近」默认窗口（天）
MEM0_TEMPORAL_HALFLIFE_HOURS=168      # 时间衰减半衰期（小时，7 天）
MEM0_TEMPORAL_TOP_K=20                # 时间召回条数上限
MEM0_TEMPORAL_FORCE_FULL=true         # 时间意图查询强制 full 档（默认开）
MEM0_TYPE_WEIGHT_PREFERENCES=1.0      # 类型排序权重（默认 1.0 = 零行为变化）
MEM0_TYPE_WEIGHT_FACTS=1.0            # FACTS 类型排序权重
MEM0_TYPE_WEIGHT_EXPERIENCES=1.0      # EXPERIENCES 类型排序权重
MEM0_TYPE_WEIGHT_OBSERVATIONS=1.0     # OBSERVATIONS 类型排序权重
MEM0_TYPE_WEIGHT_DECISIONS=1.0        # DECISIONS 类型排序权重

全部 80+ 个变量的完整清单与性能调优说明见 server/README.md。

运维

cron 任务（Hermes cronjob 调度）

任务	时间	内容
mem0-prune-request-logs	每日 03:00	API 请求日志清理
mem0-prune-refresh-tokens	03:30	刷新令牌清理
mem0-prune-history-db	03:45	history.db 清理 + VACUUM
mem0-prune-expired-memories	04:00	过期记忆 + FalkorDB 孤立节点清理
mem0-dedup-memories	05:00	语义去重
mem0-evolve-cycle	06:00	进化循环（高频提权/零命中/未召回清单）
mem0-prune-evolve-orphans	06:20	evolve 孤儿清理（记忆本体已删的 salience/feedback/adjustments 残留）
mem0-refine-candidates	06:40	递归精炼候选生成（只发现，不自动应用）

所有脚本支持 dry-run 环境变量（PRUNE_DRY_RUN=true / CONSOLIDATION_DRY_RUN=true / EVOLVE_DRY_RUN=true），watchdog 模式：无动作静默，有动作才输出。

常用管理命令

docker compose logs mem0            # 查看日志
docker compose restart mem0         # 重启（config.json 变更生效）
docker compose up -d --force-recreate mem0   # 重建（.env 变更需重建）

重置管理员密码：容器内执行 python3 scripts/reset_admin_password.py。

环境要求

Python 3.10-3.12
Docker（FalkorDB + PostgreSQL）
FalkorDB ≥ 1.6.0
PostgreSQL（pgvector/pgvector:pg17 镜像，已预装向量扩展）

许可证

Apache 2.0 —— 与上游 mem0ai/mem0 一致。

目录