Mem0 2026 新算法拆解：92.5 分背后的五个改动

来源：Mem0 官方仓库 README（https://github.com/mem0ai/mem0），2026 年 4 月发布的记忆算法更新。

Mem0 在 2026 年 4 月发布了新一代记忆算法。官方仓库给出了分项改动与基准数字，本文按「改了什么 → 为什么有效 → 口径如何」拆开来看。

要点速览：五个改动一条主线——把复杂度从写入路径搬到检索路径：单遍 ADD-only 让写入变便宜，实体链接、多信号融合、时间推理三件事在检索端把质量找回来。LoCoMo 71.4 → 92.5 是自身纵向对比，不等于横向排名。

一、基准数字：先看清口径

口径说明：LoCoMo / LongMemEval 的对比基线为 Mem0 自身旧版本，属同一套评测脚本下的纵向对比，不等于与其他引擎的横向排名。BEAM 为 Mem0 自建的百万级 token 长上下文基准，分数由厂商自报、尚未见第三方复现，跨产品引用时需注明来源。另需注意，不同发布渠道的 README 版本存在数值差异——首发版本标注 LoCoMo 92.5 / LongMemEval 94.4，PyPI 分发包（mem0ai 2.0.3）随附文档标注 91.6 / 94.8。引用前请确认所依据的具体版本号。

二、五个核心改动

1. 单遍 ADD-only 提取

旧流程在写入阶段执行 ADD / UPDATE / DELETE 三类判断，每条新信息都要先与既有记忆比对。新算法只保留 ADD：一次 LLM 调用产出候选事实并直接写入，不再做在线冲突消解。

收益是写入路径的调用次数与延迟显著下降，代价是重复与陈旧记忆不再被实时清理——这部分压力被转移到了检索侧的排序与时间推理上。这解释了为什么后面几项改动都集中在检索环节。

2. Agent 生成事实升为一等公民

过去的提取管线以「用户说了什么」为对象，Agent 的回复只作为上下文参考。新算法允许 Agent 生成的有价值信息（推断、结论、计划）作为独立记忆条目落库。

这解决了多轮协作场景里的一个长期痛点：用户问「帮我把上周的结论整理一下」，而结论本身由 Agent 产出、从未被用户复述，旧管线里它根本不存在于记忆库中。

3. 实体链接实现跨记忆关联

把同一实体在不同记忆条目中的出现打通，检索时可以从一条记忆跳到它的关联条目。这是多跳问题的关键——「我同事推荐的那家餐厅叫什么」需要先定位「同事」这条记忆，再顺着实体链接找到餐厅名。

4. 多信号融合检索

语义向量检索 + BM25 关键词检索 + 实体匹配三路并行打分，再融合排序。

三路信号覆盖的是不同的失败模式：向量擅长语义近似但对罕见专名不敏感，BM25 抓住精确术语却没有语义泛化，实体匹配则保证「张三」不会被「李四」的相似表述挤掉。融合后的排序对专名类查询的鲁棒性提升最明显。

5. 时间感知检索

记忆带时间属性参与排序，与当前查询时间接近、或与查询中时间线索一致的记忆获得更高权重。

这与第 1 点的 ADD-only 是配套设计：既然写入阶段不做删除，那么「用户换了工作」这类事实更新就必须靠检索阶段的时间排序，让新事实压过旧事实。

三、效率指标

官方给出的开销口径：

• 单次评测约消耗 7K token 上下文
• p50 检索延迟约 1 秒
• 评测框架已随算法一并开源

口径说明：7K token 指评测时提供给模型的记忆上下文规模，不含模型自身推理开销；延迟为服务端 p50，与部署地域、向量库选型、并发水平强相关，不宜作为绝对值横向比较。

四、怎么看这次更新

这次更新的技术主线很清晰：把复杂度从写入路径搬到检索路径。ADD-only 让写入变便宜，代价是记忆库会积累冗余与矛盾，于是用实体链接、多信号融合、时间推理三件事在检索端把质量找回来。

对使用者的实际影响：

• 适合：写入吞吐高、对话轮次密集、延迟敏感的场景——写便宜了收益直接可见
• 需注意：依赖实时记忆去重的场景（如必须保证「一个用户只有一个当前地址」），需自行在应用层补一致性校验
• 验证建议：基准分数请结合自身数据复跑。记忆系统的效果强烈依赖数据分布，公开榜单只能作为上限参考

参考来源

• Mem0 官方仓库与 README：https://github.com/mem0ai/mem0
• Mem0 官方文档：https://docs.mem0.ai
• LoCoMo 基准论文：https://arxiv.org/abs/2402.17753
• LongMemEval 基准论文：https://arxiv.org/abs/2410.10813