用 Easysearch 给 AI Agent 装上长期记忆：Mem0 集成实战

极限实验室
0 阅读5分钟

你有没有遇到过这样的场景：昨天花了半小时跟 AI 把一个 Bug 的根因讲清楚了，今天新开一个对话，对方又一脸懵地从零问起。每次都要重新交代背景，像是在跟一个永远刚入职的实习生打交道。

根本原因很简单：现在大多数 AI Agent 的"记忆"只存在于当前 context window 里。窗口结束，记忆清零。

这篇文章介绍怎么用 Mem0 + Easysearch 给 Agent 装上一块真正的长期记忆——跨会话、可语义检索、在本地跑，数据完全自己掌控。

整体架构

用户 ↔ AI Agent（Trae / Cursor / VS Code 等）
              ↓  MCP 协议
    Mem0 OpenMemory MCP Server
              ↓  HTTPS
         Easysearch 集群
         ┌──────────────────┐
         │  记忆向量索引      │
         │  kNN 语义检索     │
         └──────────────────┘

写记忆：Agent 发现有价值的信息（Bug 根因、架构决策、约定命名……）时，调用 add_memories，MCP Server 用 Embedding 模型将文本向量化后写入 Easysearch。

读记忆：Agent 开始新任务前，调用 search_memory，MCP Server 把问题向量化后在 Easysearch 做 kNN 检索，把语义最相关的历史记忆注入到 Prompt 里。

整条链路在本地跑，LLM 和 Embedding 模型可以接任意 OpenAI 兼容的 API，包括阿里云百炼、DeepSeek、本地 Ollama 等。

部署：4 步搞定

第一步：准备 Easysearch 集群

如果你已有 Easysearch 集群，直接跳到第二步。

没有的话，用 Docker 30 秒拉起一个单节点：

# 生成随机 admin 密码
echo "EASYSEARCH_INITIAL_ADMIN_PASSWORD=$(openssl rand -hex 10)" | tee .env

# 启动容器
docker run -d --name easysearch \
   --ulimit memlock=-1:-1 \
   --env-file ./.env -p 9200:9200 \
   -v easysearch-data:/app/easysearch/data \
   -v easysearch-config:/app/easysearch/config \
   -v easysearch-logs:/app/easysearch/logs \
   infinilabs/easysearch:latest

验证一下：

curl -ku 'admin:<你的密码>' https://127.0.0.1:9200
# 看到 "You Know, For Easy Search!" 就好了

第二步：拉取 Mem0 的 Easysearch 分支

官方 Mem0 仓库还没有合并 Easysearch 支持，需要用 INFINI Labs 维护的 fork：

git clone https://github.com/infinilabs/mem0.git && cd mem0
git checkout feat/easysearch

第三步：配置 MCP Server

编辑 openmemory/api/.env，这是整个配置的核心：

USER=steve   # 你的名字，用于隔离不同用户的记忆

# 语言模型——写入时用来整理、去重记忆
LLM_PROVIDER=openai
LLM_MODEL=deepseek-r1
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

# Embedding 模型——把文本变成向量
EMBEDDER_PROVIDER=openai
EMBEDDER_MODEL=text-embedding-v4
EMBEDDER_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
EASYSEARCH_EMBEDDING_DIMS=1024   # 必须与模型实际输出维度一致！

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxx

# Easysearch 连接信息
EASYSEARCH_URL=https://127.0.0.1:9200
EASYSEARCH_USER=admin
EASYSEARCH_PASSWORD=xxxxxxxxxxxxxxxx

几个容易踩坑的地方：

  • EASYSEARCH_EMBEDDING_DIMS 必须和你选的 Embedding 模型输出维度完全一致。text-embedding-v4 默认是 1024，text-embedding-3-small 是 1536。填错了写入会报错。
  • EASYSEARCH_URL 用 https://，Easysearch 默认启用 TLS。
  • 本地开发时 MCP Server 会跳过证书验证（等价于 curl -k）。生产环境建议换成受信 CA 颁发的证书，或者把 Easysearch 的自签名 CA 导出后加到 REQUESTS_CA_BUNDLE。

第四步：启动 MCP Server

cd openmemory/api

python3 -m venv .venv && source .venv/bin/activate

pip install -r requirements.txt \
  && pip uninstall -y mem0ai \
  && pip install -e "../../[extras]"

uvicorn main:app --host 0.0.0.0 --port 8765

看到这个就说明服务起来了：

INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8765 (Press CTRL+C to quit)

接入 Agent 工具

配置 MCP Server 地址

在你的 Agent 工具（Cursor、VS Code Copilot 等）的 MCP 配置添加 URL 为 http://localhost:8765/mcp/<客户端ID>/http/<用户名>的 server。

  • <客户端ID> 随便起，用来区分不同工具（trae、cursor、vscode……）
  • <用户名> 要和 .env 里的 USER 保持一致

给 Agent 配一个强制 SOP 的 Skill

光有 MCP 工具还不够——Agent 不会主动去用。需要通过一个全局 Skill 把"任务前检索记忆、任务后保存发现"变成强制流程：

name: memory
description: "MANDATORY MEMORY PROTOCOL. You MUST call `search_memory` before any action and `add_memories` after any significant discovery."

### STEP 1: 任务开始前，必须先检索记忆

调用 `search_memory`，关键词：当前任务涉及的实体、技术栈、具体问题。
不要假设你了解这个项目，先查记忆。

### STEP 2: 执行任务

留意"知识点"——那些不在代码库里但对后续工作极有价值的信息。

### STEP 3: 任务结束前，评估是否有新知识需要保存

满足以下任一条件，调用 `add_memories`：

- 做了架构/方案选型决策
- 找到了某个诡异 Bug 的根因
- 发现了特定的环境变量或命令才能让东西跑起来
- 约定了命名规范
- 挖出了隐含的业务逻辑

判断标准：如果明天来一个全新的 Agent 做这个任务，这条信息能帮它省 5 分钟以上吗？能的话就存。

把这个 Skill 设置为全局生效，之后每个项目都会自动走这套流程。

实际效果

开启记忆后，Agent 的表现会有几个明显变化：

能跨会话积累经验，不再重复询问。调试过的 Bug、踩过的坑、确定下来的方案，都会沉淀下来。项目越做越久，Agent 越来越"懂"这个项目。

记忆可检索、可审计。所有记忆都存在 Easysearch 里，可以直接查索引看有哪些条目，不满意的可以删掉重写，完全透明可控。

演示视频

下面的视频展示了接入记忆后的实际效果 —— Agent 在新会话中自动检索历史记忆，并将相关上下文融入回答，不再需要重复交代背景。

让 AI 记得你是谁 —— 基于 Easysearch 的企业级 AI 记忆

代码和文档

avatar
文章
阅读
粉丝