快速开始
环境配置
Mem0 依赖向量数据库存储长期记忆，官方推荐使用 Qdrant 作为向量存储提供商，以下是完整的环境配置流程，包含 Qdrant 部署、密钥配置及 Mem0 核心参数设置，确保环境稳定运行。
1. Qdrant 部署（必选）
Qdrant 是一款高性能向量数据库，支持多种部署方式，可根据自身环境（开发/测试/生产）选择，以下是最常用的两种部署方式，补充详细操作步骤及注意事项：
方式1：Docker 容器部署（推荐用于开发/测试环境）
- 优势：部署快捷、环境隔离，无需复杂配置，适合快速上手。
- 前提：已安装 Docker（建议版本 20.10+），确保 Docker 服务正常运行。
- 操作命令：
# 拉取最新版 Qdrant 镜像（当前最新稳定版 v1.17.1）
docker pull qdrant/qdrant
# 启动容器，映射端口并挂载持久化存储（避免容器删除后数据丢失）
docker run -d \
-p 6333:6333 \ # HTTP API 端口，Mem0 连接核心端口
-p 6334:6334 \ # gRPC API 端口，可选，用于高并发场景
-v $(pwd)/qdrant_data:/qdrant/storage \ # 挂载本地目录到容器，持久化存储向量数据
--name qdrant \ # 容器命名，便于后续管理
qdrant/qdrant
验证部署：访问 http://localhost:6333，若出现 Qdrant 欢迎页面，说明部署成功。
注意事项：
- Windows 系统使用 Docker/WSL 挂载本地目录时，可能出现文件系统问题导致数据丢失，建议使用 WSL2 环境，并确保挂载目录权限正确。
- 若需自定义 Qdrant 配置（如修改日志级别、量化策略），可挂载自定义配置文件，具体参考 Qdrant 官方文档。
方式2：二进制文件部署
优势：可根据硬件架构定制编译，性能更优，适合生产环境长期运行。
2. 密钥与 Base_URL 配置
Mem0 依赖 LLM 进行记忆提取、总结归纳，需配置对应的 LLM 密钥（此处以阿里云 DashScope 为例，适配通义千问系列模型），同时配置 Qdrant 连接参数，确保 Mem0 能正常调用 LLM 和向量数据库。
完整配置代码：
# 配置 LLM 密钥与 Base_URL（此处使用 DashScope，可替换为 OpenAI、Anthropic 等）
# 建议将密钥放在环境变量中，避免硬编码泄露
os.environ["OPENAI_API_KEY"] = os.getenv("DASHSCOPE_API_KEY") # 实际使用 DashScope 密钥
os.environ["OPENAI_BASE_URL"] = os.getenv("DASH_SCOPE_BASE_URL") # DashScope 接口地址（如 https://dashscope.aliyuncs.com/v1）
# Mem0 核心配置（涵盖向量存储、LLM、嵌入模型）
config = {
"vector_store": {
"provider": "qdrant",
"config": {
"host": "localhost",
"port": 6333,
"embedding_model_dims": 1024, # 嵌入模型维度，需与 embedder.dimensions 完全一致
"collection_name": "user_diet_memory", # 向量集合名称，用于区分不同类型的记忆
# 可选配置：用于分布式部署、安全认证等
# "api_key": "your_qdrant_api_key", # 若 Qdrant 配置了 API 密钥，需填写
# "https": True # 若 Qdrant 启用了 HTTPS，需设为 True
},
},
"llm": {
"provider": "openai", # LLM 提供商，此处兼容 DashScope（需确保 Base_URL 正确）
"config": {
"model": "qwen-flash", # 选用的 LLM 模型，建议使用轻量模型提升速度
"temperature": 0.1, # 温度参数，必须设为最低（0.1 左右），确保记忆提取准确、无冗余
"max_tokens": 1024
},
},
"embedder": {
"provider": "openai",
"config": {"model": "text-embedding-v3"},
"dimensions": 1024 # 嵌入模型维度，需与 vector_store.config.embedding_model_dims 一致
},
# 可选：重排模型，用于优化检索结果排序（对检索精度要求高时启用）
# "reranker": {
# "provider": "openai",
# "config": {"model": "qwen3-rerank"},
# }
}
关键配置注意事项
- 维度一致性：
vector_store.config.embedding_model_dims和embedder.dimensions最好显式配置，并且维度完全一致，否则会导致向量存储失败。 - 温度参数：
llm.config.temperature必须调整到最低（0.1~0.2），避免 LLM 生成冗余、不准确的记忆总结，确保记忆内容与用户输入一致。 - 集合名称：
vector_store.config.collection_name在测试环境下可省略，默认使用mem0集合；生产环境建议按业务场景命名（如user_diet_memory、user_travel_memory），避免不同类型记忆混淆。
添加与搜索记忆
Mem0 提供简洁的 API 接口，用于添加、搜索记忆，支持单条/批量操作，以下是完整示例（含异常处理），并补充操作场景说明。
1. 添加记忆
添加记忆是 Mem0 的核心功能，支持传入对话消息、用户标识、元数据等，可根据需求选择是否让 LLM 提炼记忆（默认开启）。
示例代码：
try:
# 初始化 Mem0 客户端
client = Memory.from_config(config)
# 定义需要添加的记忆（对话形式，支持多轮消息）
messages = [
{"role": "user", "content": "I'm a vegetarian and allergic to nuts."}, # 用户输入：饮食偏好
{"role": "assistant", "content": "Got it! I'll remember your dietary preferences."} # 助手回复：确认记忆
]
# 添加记忆，指定用户标识（用于后续过滤检索）
# user_id：必填，用于区分不同用户的记忆，支持自定义（如用户ID、账户名）
client.add(messages, user_id="user_0")
print("记忆添加成功！")
except Exception as e:
print(f"记忆添加失败：{str(e)}")
# 常见失败原因：Qdrant 服务未启动、密钥配置错误、维度不一致
2. 搜索记忆
搜索记忆时，可通过关键词查询，并结合过滤器（如用户ID、时间范围）缩小检索范围，支持重排功能优化结果顺序。
示例代码：
try:
# 搜索记忆：查询用户的饮食限制
# query：检索关键词，支持自然语言（如中文、英文）
# filters：过滤器，用于精准定位记忆（此处按 user_id 过滤，确保只检索 user_0 的记忆）
results = client.search("What are my dietary restrictions?", filters={"user_id": "user_0"})
print("检索结果：")
pprint(results)
except Exception as e:
print(f"记忆检索失败：{str(e)}")
检索结果说明：
检索结果返回一个列表，每个元素包含记忆ID、记忆内容、元数据、时间戳等信息，示例如下：
[
{
"id": "memory_123456", # 记忆唯一ID（用于更新、删除操作）
"text": "The user is a vegetarian and allergic to nuts.", # LLM 提炼后的记忆内容
"metadata": {}, # 元数据（添加记忆时可自定义）
"timestamp": "2025-01-15T12:00:00Z", # 记忆添加时间戳
"user_id": "user_0", # 关联的用户标识
"score": 0.98 # 检索相似度（0~1，分数越高越相关）
}
]
核心功能
记忆类型
Mem0 采用分层记忆架构，将记忆分为4类，分别对应不同的使用场景和生命周期，确保记忆的高效存储、检索和管理，以下是详细说明（补充应用场景和特点）：
1. 感知记忆
- 定义：当前调用的原始输入信息，是记忆的“原始素材”，未经过 LLM 提炼和处理。
- 特点：瞬时性、原始性，仅在当前调用过程中临时存在，不持久化存储。
- 应用场景：用于 LLM 实时理解当前用户输入，为短期记忆、长期记忆的生成提供基础。
2. 短期记忆
-
定义：存储于 LLM 上下文窗口（context window）的 messages 列表，记录当前任务执行的全过程状态。
-
特点：
- 生命周期：任务存续期间持续存在，对话关闭、任务终止后自动清空。
- 访问特性：即时可访问，无需查询向量数据库，响应速度快。
- 限制：受 LLM 上下文窗口的 token 上限限制（如 qwen-flash 上下文窗口为 8192 token），超出上限后会自动丢弃最早的消息。
-
应用场景：记录当前对话的上下文（如用户连续提问、助手回复），确保对话的连贯性。
3. 长期记忆
定义：跨任务持久化存储于外部向量数据库（如 Qdrant）的记忆，可长期保存，支持跨对话、跨任务检索。
分类：
- 情节记忆（Episodic Memory） ：
- 定义：存储用户的具体事件经历、对话细节，是原始对话的提炼总结。
- 特点：具备时间关联性、场景化，记录“何时、何地、发生了什么”。
- 应用场景：新任务时检索相似案例（如用户之前提到的饮食偏好、旅行计划），规避重复提问，提升回复准确性。
- 语义记忆（Semantic Memory） ：
- 定义：从多次对话、事件中提炼的通用知识与规律，是抽象化的结论，而非具体细节。
- 特点：信息密度高、检索命中率高，不依赖具体场景，可迁移复用。
- 应用场景：回答用户的通用问题（如用户多次提到喜欢清淡饮食，可提炼为“用户偏好清淡、素食”，用于后续饮食推荐）。
- 程序记忆（Procedural Memory） ：
- 定义：存储具体的操作流程（SOP）、步骤规范，是可重复执行的“操作指南”。
- 特点：结构化、可复用，适配重复性任务，减少操作冗余。
- 应用场景：智能体自动执行重复性任务（如用户定期查询饮食禁忌，程序记忆可记录查询流程，自动完成检索并返回结果）。
4. 实体记忆
- 定义：相较于长期记忆更精炼，从对话中主动提取的关键实体与事实，以结构化字段存储，是对话信息的结论提炼，而非原始内容。
- 特点：信息密度高、查询高效、不受原始表述影响（如用户说“我不吃坚果”和“坚果会让我过敏”，会被提炼为同一实体记忆）。
- 存储内容：用户偏好、客户预算、项目截止日、联系人信息等结构化数据。
- 应用场景：快速查询用户核心信息（如客服快速获取用户的饮食禁忌、会员等级），提升服务效率。
记忆层级关系图
flowchart LR
A[Conversation turn] --> B[Session memory]
B --> C[User memory]
C --> D[Org memory]
C --> E[Mem0 retrieval layer]
自定义实体记忆范围（Entity-Scoped Memory）
Mem0 支持通过标识符划定记忆范围，实现多维度的记忆隔离与管理，适用于多用户、多智能体、多应用场景，支持的标识符如下：
- user_id：最常用，用于区分不同用户，实现用户级别的记忆隔离（如 user_0、user_1），记忆持久化关联用户账户。
- agent_id：用于区分不同智能体或工具（如 travel-assistant、customer-support），确保智能体仅检索自身相关的记忆。
- app_id：用于区分不同应用（如 diet-app、travel-app），实现应用级别的记忆隔离，避免不同应用的记忆混淆。
- run_id：用于区分短生命周期的流程、工单或对话线程（如 session-123、task-456），任务结束后可批量删除该 run_id 对应的记忆。
添加记忆
Mem0 的记忆添加功能支持单条/批量添加、自定义元数据、记忆提炼开关等，以下是详细的参数说明、添加时机及流程解析。
1. 常用参数详解
Mem0 客户端的 add 方法支持多种参数，可灵活适配不同场景，参数说明如下：
client.add(
messages, # 必选，对话消息列表，格式为 [{"role": "user/assistant", "content": "..."}]
user_id="", # 可选，用户标识，用于记忆隔离与检索过滤
metadata={}, # 可选，额外元数据，键值对格式，用于提升检索效率（如 {"category": "diet", "priority": "high"}）
infer=True, # 可选，默认 True，是否让 LLM 提炼记忆（True：提炼为简洁结论；False：直接存储原始消息）
timestamp=None # 可选，记忆的时间戳，默认使用当前时间（格式：YYYY-MM-DDTHH:MM:SSZ）
)
关键参数补充：
- messages：支持多轮对话消息，LLM 会综合所有消息提炼记忆，避免遗漏关键信息。
- metadata：可添加业务相关的标签（如分类、优先级），后续检索时可通过元数据过滤（如只检索“diet”分类的记忆）。
- infer：核心参数，建议默认开启（True），LLM会对消息进行提取压缩，并且处理和记忆库中的冲突。
2. 添加记忆的时机（最佳实践）
合理选择记忆添加时机，可避免冗余记忆、提升记忆质量，以下是推荐的添加时机：
- 用户有新的偏好或主动分享某件事（如“我不吃辣”“我喜欢爬山”）。
- 用户做出了一项决定或建议（如“我决定下周去北京旅行”“建议优先推荐素食餐厅”）。
- 目标或任务已完成（如“旅行计划已确认”“饮食禁忌已记录”），添加总结性记忆。
- 用户纠正之前的表述（如“我之前说的过敏是花生，不是所有坚果”），及时添加新记忆，覆盖旧记忆。
3. 记忆添加流程图
Mem0 添加记忆的完整流程分为3步，确保记忆的准确性、无冗余，流程如下：
- 提取信息：Mem0 向 LLM 发送请求，提取对话中的关键事实、决策和偏好（如用户的饮食禁忌、旅行计划）。默认开启
infer=True，LLM 会将原始对话提炼为简洁、准确的记忆内容；若设为infer=False，则直接存储原始消息，不进行提炼。 - 解决冲突：系统自动检查现有记忆中是否存在与新记忆重复或矛盾的内容，若存在冲突，以最新添加的记忆为准（如用户先说明“不吃坚果”，后纠正“只不吃花生”，系统会覆盖旧记忆）。 注意：若开启
infer=False，系统不会处理冲突，会直接存储新记忆，可能导致检索时出现重复或矛盾结果。 - 存储：提炼后的记忆（或原始消息）会存储到配置的向量数据库（Qdrant）中，同时生成唯一的记忆ID、时间戳等信息，便于后续检索、更新和删除；若开启了图存储配置，记忆也会同步存储到图数据库中，支持更复杂的关联检索。
检索记忆
Mem0 的检索功能支持关键词查询、多条件过滤、结果重排，确保快速、精准地获取所需记忆，以下是详细的检索流程、过滤器使用及代码示例。
1. 检索流程（核心逻辑）
Mem0 的记忆检索分为3个步骤，从粗筛到精排，确保检索结果的相关性和准确性：
- 查询重写：系统自动对用户的检索关键词进行重写和优化（如用户输入“我不能吃什么”，会重写为“用户的饮食禁忌”），提升检索的准确度，避免因关键词模糊导致检索失败。
- 向量搜索：通过嵌入模型将检索关键词转换为向量，在 Qdrant 中通过余弦相似度计算，定位与关键词最相关的记忆，返回初步候选结果。
- 过滤重排：使用用户指定的过滤器（如 user_id、时间范围）缩小候选范围，剔除无关记忆；若开启重排功能（reranker），会通过深度语义理解对候选结果进行重新排序，将最相关的记忆放在首位。
2. 检索代码示例（多场景）
以下是不同场景下的检索示例，涵盖基础查询、多条件过滤、重排等功能：
# 场景1：基础查询（无过滤器，检索所有相关记忆）
query = "What do you know about me?"
results = client.search(query)
pprint(results)
# 场景2：多条件过滤（结合 user_id、agent_id 过滤）
query = "What do you know about me?"
filters = {
"OR": [
{"user_id": "alice"}, # 检索 alice 的记忆
{"agent_id": {"in": ["travel-assistant", "customer-support"]}} # 检索指定智能体的记忆
]
}
results = client.search(query, filters=filters)
# 场景3：日期范围过滤（检索指定时间内的记忆）
query = "recent memories"
filters = {
"AND": [
{"user_id": "alice"}, # 限定用户
{"created_at": {"gte": "2024-07-01"}} # 检索 2024-07-01 及以后添加的记忆
]
}
results = client.search(query, filters=filters)
# 场景4：开启重排（优化检索结果顺序，适合对精度要求高的场景）
results = client.search(
query="What are my upcoming travel plans?",
rerank=True, # 开启重排
user_id="user123" # 同时限定用户
)
# 场景5：获取特定记忆（通过 memory_id 精准获取）
memory = client.history(memory_id="memory-id-here") # memory_id 从检索结果中获取
pprint(memory)
3. 过滤器详解
过滤器是 Mem0 检索的核心功能，支持多种逻辑组合（AND/OR）、比较操作（等于、包含、范围），可精准定位所需记忆，常用过滤器类型如下：
- 上下文过滤：通过 user_id、agent_id、app_id、run_id 等标识符过滤，实现多维度记忆隔离。
- 日期范围过滤：通过
created_at（记忆添加时间）过滤，支持gte（大于等于）、lte（小于等于）、eq（等于）等操作。 - 元数据过滤：通过添加记忆时设置的 metadata 过滤。
# 1. 上下文过滤（多维度记忆隔离）
filters={
"AND": [
{"user_id": "alice"}, # 必须满足 user_id 为 alice
{"agent_id": "chatbot"}, # 必须满足 agent_id 为 chatbot
{"run_id": "session-123"} # 必须满足 run_id 为 session-123
]
}
# 2. 日期范围过滤（基于创建时间）
filters={
"AND": [
{"user_id": "alice"},
{"created_at": {"gte": "2024-07-01", "lte": "2024-07-31"}} # 检索7月份的记忆
]
}
# 3. 元数据过滤（自定义metadata字段）
# 添加记忆时设置 metadata
client.add(messages, user_id="alice", metadata={"category": "travel", "priority": "high"})
# 检索时通过 metadata 过滤
filters={
"AND": [
{"user_id": "alice"},
{"metadata.category": "travel"}, # 检索分类为 travel 的记忆
{"metadata.priority": "high"} # 检索优先级为 high 的记忆
]
}
4. 重排功能说明
重排功能（rerank）通过深度语义理解对检索结果进行重新排序，解决向量搜索可能出现的“语义偏差”问题，将最相关的记忆放在首位，适用于对检索精度要求高的场景（如客服、医疗咨询）。
注意：开启重排功能需先配置 reranker 相关参数（参考环境配置部分的注释代码），且会增加少量检索延迟，非必要场景可关闭。
更新记忆
当记忆内容需要修改（如用户纠正偏好、信息更新）时，可通过 Mem0 提供的 update 方法更新记忆，支持单条更新和批量更新，以下是详细流程和代码示例。
1. 更新流程
- 通过
search方法检索需要修改的记忆，获取其唯一memory_id（记忆ID是更新的唯一标识）。 - 调用
update（单条更新）或batch_update（批量更新）方法，传入memory_id、新的记忆内容及可选的元数据、时间戳。 - 系统会覆盖原有的记忆内容，并更新向量数据库中的索引，确保后续检索能获取到更新后的记忆。
- 验证：重新调用
search方法，确认修改后的记忆已正确更新。
注意：对于 Immutable（不可变）的记忆（如系统自动生成的日志类记忆），无法直接更新，必须先删除该记忆，再重新添加新的记忆内容。
2. 更新代码示例
# 场景1：单条记忆更新
try:
# 1. 检索需要更新的记忆
results = client.search("What are my dietary restrictions?", filters={"user_id": "user_0"})
if not results:
print("未找到需要更新的记忆")
else:
memory_id = results[0].id # 获取第一条记忆的 ID
# 2. 调用 update 方法更新记忆
client.update(
memory_id=memory_id,
text="I'm a vegetarian and allergic to peanuts (not all nuts).", # 新的记忆内容
metadata={"category": "profile-update"}, # 可选，更新元数据
timestamp="2025-01-15T12:00:00Z" # 可选，更新时间戳
)
print("记忆更新成功！")
# 3. 验证更新结果
updated_memory = client.history(memory_id=memory_id)
pprint(updated_memory)
except Exception as e:
print(f"记忆更新失败：{str(e)}")
# 场景2：批量更新记忆
try:
# 定义需要更新的记忆列表（包含 memory_id 和新内容）
update_memories = [
{"memory_id": "id1", "text": "Watches football every weekend"},
{"memory_id": "id2", "text": "Likes to travel to coastal cities"}
]
# 调用批量更新方法
response = client.batch_update(update_memories)
print("批量更新成功！")
pprint(response)
except Exception as e:
print(f"批量更新失败：{str(e)}")
删除记忆
Mem0 支持单条删除、批量删除、全部删除三种方式，可根据需求灵活选择，删除后记忆无法恢复，建议操作前做好备份，以下是详细代码示例和注意事项。
1. 删除代码示例
try:
# 场景1：删除单个记忆（通过 memory_id）
memory_id = "your_memory_id" # 从检索结果中获取
client.delete(memory_id=memory_id)
print("单个记忆删除成功！")
# 场景2：批量删除记忆（通过 memory_id 列表）
delete_memories = [
{"memory_id": "id1"},
{"memory_id": "id2"}
]
response = client.batch_delete(delete_memories)
print("批量删除成功！")
pprint(response)
# 场景3：删除指定用户的所有记忆（通过 user_id 过滤）
client.delete_all(user_id="alice")
print("alice 的所有记忆已删除！")
except Exception as e:
print(f"记忆删除失败：{str(e)}")
2. 注意事项
- 删除操作不可逆，建议删除前通过
search或history方法确认记忆内容，避免误删。 delete_all方法若不指定user_id，会删除所有用户的记忆（慎用，适合测试环境清理数据）。- 批量删除时，若部分记忆ID不存在，系统会跳过该ID，继续删除其他存在的记忆，不会终止整个操作。
异步客户端
对于高并发场景（如多用户同时添加、检索记忆），Mem0 提供 AsyncMemoryClient 异步客户端，支持非阻塞操作，避免阻塞主线程，提升系统吞吐量，以下是详细使用示例。
import asyncio
from mem0 import AsyncMemoryClient
# 初始化异步客户端（配置与同步客户端一致）
async def main():
config = {
# 此处配置与同步客户端相同，省略重复代码
"vector_store": {"provider": "qdrant", "config": {"host": "localhost", "port": 6333, "embedding_model_dims": 1024}},
"llm": {"provider": "openai", "config": {"model": "qwen-flash", "temperature": 0.1}},
"embedder": {"provider": "openai", "config": {"model": "text-embedding-v3"}, "dimensions": 1024}
}
client = AsyncMemoryClient.from_config(config)
# 异步添加记忆
messages = [{"role": "user", "content": "I like drinking coffee."}]
await client.add(messages, user_id="user_0")
# 异步检索记忆
results = await client.search("What do I like to drink?", filters={"user_id": "user_0"})
print("异步检索结果：")
for res in results:
print(res.text)
# 运行异步函数
asyncio.run(main())
特点：
- API 方法与同步客户端一致，仅需在方法前添加
await关键字。 - 支持并发操作，可同时处理多个添加、检索请求，适合高并发场景（如 Web 应用、智能体集群）。
- 需运行在异步环境中（如使用 asyncio 框架），不可与同步客户端混合使用。
多模态
Mem0 支持图片、文档等多模态输入，可自动处理多模态内容，提取关键信息并添加到记忆中，提升系统对多模态输入的理解和调用能力，以下是详细使用示例（支持图片链接和 Base64 编码）。
1. 图片记忆添加（两种方式）
# 方式1：使用图片链接（需确保链接可访问）
messages = [
{
"role": "user",
"content": {
"type": "image_url",
"image_url": {
"url": "https://gitee.com/avengekiller/images/raw/master/Mem0%E8%AE%B0%E5%BF%86%E6%A3%80%E7%B4%A2"
# 注：该链接因文件乱码无法解析，实际使用时需替换为可访问的图片链接
}
}
},
]
client.add(messages, user_id="user_0")
# 方式2：使用 Base64 图像编码（适合本地图片）
image_path = "local_image.jpg" # 本地图片路径
with open(image_path, "rb") as image_file:
base64_image = base64.b64encode(image_file.read()).decode("utf-8") # 编码为 Base64 字符串
image_message = {
"role": "user",
"content": {
"type": "image_url",
"image_url": {
"url": f"data:image/jpeg;base64,{base64_image}" # 拼接 Base64 编码字符串
}
}
}
client.add([image_message], user_id="user_0")
2. 多模态处理说明
- Mem0 会自动调用 LLM 的多模态能力（如 qwen-vl、gpt-4-vision），提取图片中的文本信息、物体、场景等关键内容，提炼为记忆。
- 支持的图片格式：JPG、PNG、GIF 等常见格式，Base64 编码建议控制文件大小（避免超过 LLM 输入限制）。
- 文档处理（如 PDF、TXT）：类似图片处理，需将文档转换为可识别的文本格式（或 Base64 编码），Mem0 会提取文档中的关键信息添加到记忆中。
自定义分类
该功能仅在 Mem0 托管平台（Managed Service）上生效，本地部署版本暂不支持。
Mem0 会自动为每一条记忆添加标签（如旅行、运动、饮食），但默认标签可能与业务场景不匹配，自定义分类功能可替换标签列表，让标签与业务表述保持一致。
默认标签列表（可自定义替换）
- personal_details（个人详情）
- family（家庭）
- professional_details（职业详情）
- sports（运动）
- travel（旅行）
- food（饮食）
- music（音乐）
- health（健康）
- technology（技术）
- hobbies（爱好）
- fashion（时尚）
- entertainment（娱乐）
- milestones（里程碑）
- user_preferences（用户偏好）
- misc（其他）
