Mem0 a servi un total de 90 000 développeurs et publié les résultats des tests de référence LoCoMo/LongMemEval.

Mem0 a récemment divulgué un certain nombre de données : le nombre de développeurs a atteint 90 000+, et des rapports d'évaluation pour trois tests de mémoire, LoCoMo, LongMemEval et BEAM, ont été publiés. Il s'agit de données techniques publiques rares pour les outils de couche mémoire et elles ont une valeur de référence importante pour le jugement de sélection.

Pourquoi la couche mémoire est-elle le principal défaut d'Agent ?

Le LLM grand public est essentiellement apatride : chaque conversation repart de zéro et les préférences de l'utilisateur, les décisions historiques et la progression des tâches du cycle précédent sont tous perdus. Ce n'est pas un gros problème pour une seule série de questions et réponses, mais pour le service client, les vendeurs et les produits d'apprentissage et de coaching qui nécessitent une interaction continue, ce problème « d'oubli » affectera directement l'expérience utilisateur et les résultats commerciaux.

La logique du produit Mem0 est d'insérer une couche de mémoire persistante entre l'agent et LLM afin que chaque conversation puisse être « contextuelle ».

Mécanisme technique : compression mémoire + récupération multi-signaux

Le site officiel a divulgué deux points techniques fondamentaux :

Moteur de compression de mémoire : l'historique des conversations n'est pas stocké tel quel, mais compressé et affiné en fragments de mémoire structurés. Cette étape réduit directement la consommation de jetons et réduit le bruit de récupération.

Récupération multi-signaux : la récupération repose non seulement sur la similarité vectorielle, mais combine également des signaux multidimensionnels tels que la pondération temporelle et le score d'importance pour améliorer le taux de rappel des mémoires clés.

Résultats des tests de référence

Le site officiel a divulgué trois critères :