Mem0: como dar memória persistente a agentes de IA

Se você já construiu um agente que esquece o nome do usuário no meio da tarefa, o Mem0 resolve exatamente esse problema. Ele não substitui o modelo de linguagem, nem o framework de orquestração. Ele adiciona uma camada de memória que pode ser plugada em LangChain, CrewAI, AutoGen ou em código próprio.

O projeto está ativo e tem licença Apache 2.0. No GitHub, o repositório mem0ai/mem0 passou de 68 mil estrelas e recebeu atualização em 6 de novembro de 2026. Isso indica maturidade e comunidade, não apenas um experimento.

O que é o Mem0 e como funciona a memória de agentes

Um agente de IA sem memória trata cada requisição como independente. Ele pode ser excelente em raciocínio, mas não sabe que o usuário prefere respostas curtas, que o projeto usa PostgreSQL ou que a última decisão foi adiar o deploy. Memória persistente muda isso.

O Mem0 organiza a memória em três níveis. O primeiro é a memória do usuário, com fatos ligados a uma pessoa ou conta. O segundo é a memória da sessão, válida enquanto a conversa dura. O terceiro é a memória do agente, com conhecimento que o próprio agente acumula sobre o domínio.

Por baixo, o Mem0 usa um modelo de linguagem para extrair fatos relevantes de cada interação e um banco vetorial para recuperá-los depois. Você não precisa escrever regras de extração. Ele decide o que vale guardar e descarta o ruído.

Isso é diferente de guardar o histórico completo da conversa. Histórico cresce sem controle e enche a janela de contexto. Memória extraída é compacta e focada no que importa.

Como instalar o Mem0 e salvar o primeiro fato

A instalação é direta. O pacote principal é mem0ai.

$ pip install mem0ai

Depois, configure a chave do modelo que vai extrair e recuperar os fatos. O Mem0 suporta OpenAI, Anthropic, Groq e outros provedores compatíveis com a API da OpenAI.

from mem0 import Memory

m = Memory()

# Salva um fato ligado ao usuário
m.add("O usuário prefere respostas em português e usa PostgreSQL no projeto.", user_id="marcelo")

# Recupera contexto relevante para uma nova pergunta
memories = m.search("qual banco de dados o projeto usa?", user_id="marcelo")
print(memories)

O método add extrai os fatos da frase e os armazena. O método search busca os mais relevantes para a pergunta atual. Você pode chamar search antes de montar o prompt do agente e injetar o resultado como contexto.

Se preferir não depender de um provedor externo para a extração, o Mem0 permite configurar um modelo local compatível com a API da OpenAI, como um servidor rodando Ollama ou vLLM. A documentação oficial traz exemplos para cada provedor.

Quando usar Mem0 e quando a memória do modelo basta

Nem todo agente precisa de memória persistente. Se a tarefa dura poucos minutos e o contexto cabe na janela do modelo, guardar o histórico da conversa é suficiente e mais simples.

Mem0 faz sentido quando três condições aparecem. Primeiro, o agente atende o mesmo usuário em sessões diferentes. Segundo, o volume de fatos importantes é grande demais para caber no prompt. Terceiro, você quer que o agente aprenda com o tempo, não apenas dentro de uma conversa.

Um caso típico é um assistente de código que lembra as convenções do repositório do usuário. Outro é um agente de atendimento que sabe o histórico de pedidos sem precisar consultar o banco a cada pergunta.

Se o seu fluxo já usa um banco de dados para guardar estado, compare o custo de manter essa camada com o custo de chamar o Mem0. Em muitos casos, o Mem0 reduz código de boilerplate e centraliza a lógica de extração.

Limites conhecidos e boas práticas

Memória extraída pode errar. O modelo pode guardar um fato impreciso ou esquecer algo importante. Por isso, trate a memória como contexto, não como fonte de verdade. Para dados críticos, confirme no banco de dados ou no código.

Outro ponto é a privacidade. Memória persistente guarda dados do usuário. Se você opera em ambiente corporativo, configure retenção, exclusão e isolamento por tenant antes de ir para produção. O Mem0 oferece opções de configuração, mas a responsabilidade final é sua.

Boas práticas que valem para qualquer camada de memória:

• Defina um user_id estável e não reutilize identificadores ambíguos
• Limite o número de memórias recuperadas para não poluir o prompt
• Revise periodicamente o que foi guardado e remova ruído
• Teste com casos reais, não apenas com frases de exemplo

Se você coordena vários agentes em paralelo, memória compartilhada pode virar gargalo. Nesse caso, vale separar memória por agente e sincronizar apenas o que for comum. Veja também Como rodar agentes em paralelo no VS Code e Workflows multiagente no bridgecode para manter cada agente no seu espaço isolado.

Perguntas frequentes sobre o Mem0

O Mem0 é gratuito?

O Mem0 é open source com licença Apache 2.0. Você pode rodar localmente sem custo. Se usar um provedor pago para extração dos fatos, o custo vem desse provedor, não da biblioteca.

Preciso de um banco vetorial separado para usar o Mem0?

Não. O Mem0 traz uma configuração padrão para começar. Em produção, você pode apontar para um banco vetorial externo, como Qdrant, Pinecone ou Weaviate, conforme a documentação oficial.

Mem0 substitui LangChain ou CrewAI?

Não. Ele complementa. LangChain e CrewAI orquestram agentes e ferramentas. O Mem0 cuida da memória de longo prazo. Você pode usar os dois juntos.

Como o Mem0 decide o que guardar?

Ele usa um modelo de linguagem para extrair fatos relevantes de cada interação. Você não escreve regras manuais. Se quiser mais controle, a documentação mostra como customizar o prompt de extração.

Mem0 funciona com modelos locais?

Sim, desde que o modelo seja acessível por uma API compatível com a OpenAI. Servidores como Ollama e vLLM funcionam. Verifique a versão suportada na documentação antes de adotar em produção.