mem0-vercel-ai-sdk

Mem0 Vercel AI SDK Provider

适用于 Vercel AI SDK 的记忆增强型 AI 提供方。在大模型调用期间自动检索和存储记忆。

步骤 1：安装

npm install @mem0/vercel-ai-provider ai@^6

ai 和 @ai-sdk/* 提供方包都是 @mem0/vercel-ai-provider 的常规依赖，因此无需安装其他内容。唯一的对等依赖是 zod（可选，^3.0.0）。

步骤 2：设置环境变量

export MEM0_API_KEY="m0-xxx"
export OPENAI_API_KEY="sk-xxx"   # or ANTHROPIC_API_KEY, GOOGLE_API_KEY, etc.

在此获取 Mem0 API 密钥：https://app.mem0.ai/dashboard/api-keys?utm_source=oss&utm_medium=skill-mem0-vercel-ai-sdk

模式 1：封装模型

封装模型的方式最简单。createMem0 会返回一个提供方，用于封装任何受支持的大模型，并自动检索和存储记忆。

import { generateText } from "ai";
import { createMem0 } from "@mem0/vercel-ai-provider";

const mem0 = createMem0();
const { text } = await generateText({
  model: mem0("gpt-5-mini", { user_id: "alice" }),
  prompt: "Recommend a restaurant",
});

其内部工作流程如下：

1. 将提示词存储到 Mem0（POST /v3/memories/add/），并在大模型调用前等待完成（写入失败时会记录日志并忽略）
2. 将提示词发送到 Mem0 搜索接口（POST /v3/memories/search/），以检索相关记忆
3. 如果找到记忆，则将其作为系统消息注入提示词开头
4. 底层大模型（例如 OpenAI gpt-5-mini）使用增强后的提示词生成回复

对于 generateText，检索到的记忆还会作为来源附加到结果中：

const { text, sources } = await generateText({
  model: mem0("gpt-5-mini", { user_id: "alice" }),
  prompt: "Recommend a restaurant",
});

console.log(sources.find((s) => s.title === "Mem0 Memories")?.providerMetadata?.mem0);

该来源的 title: "Mem0 Memories"，且 providerMetadata.mem0 包含 memories（记忆对象数组）和 memoriesText。仅当检索到至少一条记忆时才会包含该来源。

模式 2：独立工具函数

如果你想完全控制记忆的检索和存储流程，或者想使用已单独配置的提供方，请使用独立工具函数。

import { openai } from "@ai-sdk/openai";
import { generateText } from "ai";
import { retrieveMemories, addMemories } from "@mem0/vercel-ai-provider";

const prompt = "Recommend a restaurant";

// Retrieve memories -- returns a formatted system prompt string
const memories = await retrieveMemories(prompt, {
  user_id: "alice",
  mem0ApiKey: "m0-xxx",
});

// Generate using any provider with injected memories
const { text } = await generateText({
  model: openai("gpt-5-mini"),
  prompt,
  system: memories,
});

// Optionally store the conversation back
await addMemories(
  [
    { role: "user", content: [{ type: "text", text: prompt }] },
    { role: "assistant", content: [{ type: "text", text }] },
  ],
  { user_id: "alice", mem0ApiKey: "m0-xxx" }
);

模式 3：流式输出

使用 streamText 生成经记忆增强的流式回复：

import { streamText } from "ai";
import { createMem0 } from "@mem0/vercel-ai-provider";

const mem0 = createMem0();
const result = streamText({
  model: mem0("gpt-5-mini", { user_id: "alice" }),
  prompt: "What should I cook for dinner?",
});

for await (const chunk of result.textStream) {
  process.stdout.write(chunk);
}

封装模型会在流式输出开始前存储对话并检索记忆。

支持的提供方

提供方	配置值	必需的环境变量
OpenAI（默认）	"openai"	OPENAI_API_KEY
Anthropic	"anthropic"	ANTHROPIC_API_KEY
Google	"google"（别名为 "gemini"）	GOOGLE_GENERATIVE_AI_API_KEY
Groq	"groq"	GROQ_API_KEY
Cohere	"cohere"	COHERE_API_KEY

创建 Mem0 实例时选择提供方：

const mem0 = createMem0({ provider: "anthropic" });
const { text } = await generateText({
  model: mem0("claude-sonnet-4-20250514", { user_id: "alice" }),
  prompt: "Hello!",
});

内部工作原理

封装模型流程

User prompt
  --> processMemories: addMemories (POST /v3/memories/add/, awaited)
  --> processMemories: getMemories (POST /v3/memories/search/)
  --> memories (if any) injected as system message at start of prompt
  --> underlying LLM generates response (doGenerate or doStream)
  --> response returned to caller (doGenerate also attaches a "Mem0 Memories" source)

独立流程

User controls each step:
  1. retrieveMemories / getMemories / searchMemories -> fetch memories
  2. inject into system prompt manually
  3. call generateText / streamText with any provider
  4. addMemories -> store new conversation to Mem0

4 个工具函数的主要区别

函数	返回值	适用场景
retrieveMemories	格式化的系统提示词字符串	直接注入 system 参数
getMemories	原始记忆数组	以编程方式处理记忆
searchMemories	原始搜索响应（与 API 返回内容相同）	需要分数和完整元数据
addMemories	API 响应	向 Mem0 存储新消息

retrieveMemories、getMemories 和 searchMemories 将 LanguageModelV3Prompt | string 作为第一个参数；addMemories 的类型为 LanguageModelV3Prompt（运行时也支持字符串）。这 4 个函数都将可选的 Mem0ConfigSettings 作为第二个参数。

常见边缘情况和提示

• 始终提供 user_id（或 agent_id/app_id/run_id），以确保一致地检索记忆。搜索端点要求在 filters 中至少包含一个实体 ID；提供方会为你将这些 ID 放入其中。
• 独立工具需要显式提供 API 密钥：在配置对象中传入 mem0ApiKey，或设置 MEM0_API_KEY 环境变量。
• 此工具使用 Vercel AI SDK v6（LanguageModelV3 / ProviderV3 接口，@mem0/vercel-ai-provider 3.x）。Provider 2.x 面向 AI SDK v5。它与 AI SDK v4 或更早版本不兼容。
• processMemories 会先等待 addMemories 完成，然后再搜索并调用大模型，因此每次封装后的调用都包含一次记忆写入和一次记忆搜索。如果其中任一请求失败，系统会记录错误，并在不使用记忆的情况下继续调用大模型。
• "google" 和 "gemini" 均可接受，且都会映射到 @ai-sdk/google。
• 在 3.0.0 中移除：org_id、project_id、org_name、project_name、output_format、filter_memories、async_mode、enable_graph、version、api_version。图记忆现在是 Mem0 Platform 的项目设置，而非提供方选项。
• 默认 top_k 为 10。 仅在设置 threshold 和 rerank 时才会发送它们（API 中 rerank 的默认值为 false；threshold 是服务端截断阈值，并非返回分数的下限）。
• 自定义主机：在配置中设置 host，以指向其他 Mem0 API 端点（默认值：https://api.mem0.ai）。

参考资料

主题	文件
提供方 API（createMem0、Mem0Provider、类型）	本地 / GitHub
记忆工具（addMemories、retrieveMemories 等）	本地 / GitHub
用法模式和示例	本地 / GitHub

相关 Mem0 技能

技能	适用场景	链接
mem0	Python/TypeScript SDK、REST API、框架集成	本地 / GitHub
mem0-cli	终端命令、脚本、CI/CD、Agent 工具循环	本地 / GitHub