Mem0 累计服务 9 万开发者，发布 LoCoMo/LongMemEval 基准测评成绩

Mem0 近期披露了多项数据：开发者规模达到 90,000+，并发布了针对 LoCoMo、LongMemEval 和 BEAM 三个记忆基准的评测报告，这是记忆层工具少见的公开技术数据，对选型判断有重要参考价值。

记忆层为什么是 Agent 的关键短板

主流 LLM 本质上是无状态的：每次对话都从零开始，上一轮的用户偏好、历史决策、任务进度全部消失。这对单轮 Q&A 问题不大，但对于需要持续交互的客服、销售助手、学习辅导类产品，这个"遗忘"问题会直接影响用户体验和业务效果。

Mem0 的产品逻辑是：在 Agent 与 LLM 之间插入一层持久化记忆，让每次对话都能"带着上下文"。

技术机制：记忆压缩 + 多信号检索

官网披露了两个核心技术点：

Memory Compression Engine：对话历史不是原样存储，而是经过压缩提炼为结构化记忆片段，这一步直接减少 token 消耗并降低检索噪声。

Multi-signal Retrieval：检索时不只依赖向量相似度，还结合时间权重、重要性评分等多维度信号，提升关键记忆的召回率。

基准测评成绩

官网公开了三项基准：

| 基准 | 说明 | |