type
Post
status
Published
date
Apr 14, 2026
slug
mem0-source-code-analysis-3
summary
Mem0 的记忆管理——从事实提取、相似性判断，到增删改决策——每一个环节都是通过精心设计的提示词驱动 LLM 完成的。这些提示词不是简单的指令，而是包含了：
- 明确的任务定义
- 详细的分类指南
- 具体的示例演示
- 结构化的输出格式
- 严格的边界约束
tags
agent
Mem0
长期记忆
category
agent
icon
password
这是 Mem0 源码解析系列的第二篇文章。我们将深入探讨 Mem0 提示词系统的设计思路、实现细节和应用技巧，理解为什么”Mem0 增删改查记忆的本质是提示词工程”。
一、引言
在上一篇文章中，我们了解了 Mem0 的记忆添加流程，提到了一个关键观点：Mem0 的智能管理能力源于精心设计的提示词。这句话道出了 Mem0 的核心技术本质。
Mem0 的记忆管理——从事实提取、相似性判断，到增删改决策——每一个环节都是通过精心设计的提示词驱动 LLM 完成的。这些提示词不是简单的指令，而是包含了：
- 明确的任务定义
- 详细的分类指南
- 具体的示例演示
- 结构化的输出格式
- 严格的边界约束
本文将深入剖析 Mem0 的提示词系统，理解其设计哲学和技术实现。
重要说明：为了方便中文读者理解，本文展示的提示词内容均已翻译为中文。
二、Mem0 提示词体系概览
Mem0 的提示词定义在
mem0/configs/prompts.py 中，主要包含以下几类：
Mem0 提示词体系架构
提示词体系的树状结构清晰展示了四大类提示词及其分支。这些提示词构成了 Mem0 智能管理的完整框架：
三、事实提取提示词详解
事实提取是 Mem0 的第一步，也是最关键的一步。Mem0 提供了三个不同的事实提取提示词，覆盖不同的信息来源：
三个事实提取提示词对比
三列对比清晰展示了三种提示词的核心差异：FACT_RETRIEVAL_PROMPT（通用型，旧版本）从用户和助手消息中提取信息，USER_MEMORY_EXTRACTION_PROMPT（用户专用，当前版本）仅从用户消息提取，AGENT_MEMORY_EXTRACTION_PROMPT（Agent专用）仅从助手消息提取。
提示词选择逻辑：Mem0 根据调用参数自动选择提示词：
- 存在
agent_id + 有 assistant 消息 → 使用 AGENT_MEMORY_EXTRACTION_PROMPT
- 其他情况 → 使用 USER_MEMORY_EXTRACTION_PROMPT
- FACT_RETRIEVAL_PROMPT 作为旧版本保留，主要用于兼容性场景让我们深入分析每个提示词的设计。
3.1 核心提示词：FACT_RETRIEVAL_PROMPT
位于
mem0/configs/prompts.py:14，这是最基础的事实提取提示词。提示词内容（中文翻译版）
结构分析
优秀提示词的结构可以分解为7个关键要素：
提示词结构分解图
1. 明确的角色定位
这个角色定位明确了：
- 任务性质：信息组织者
- 专业领域：事实、记忆、偏好
- 核心能力：准确存储
2. 分类指南（7种信息类型）
每种类别都有明确的定义和范围：
这确保了 LLM 知道哪些信息值得记录：
- ✅ “我喜欢喝咖啡” → 值得记录（个人偏好）
- ❌ “天气很好” → 不值得记录（无关信息）
3. Few-shot 示例（5个场景）
这些示例教会 LLM：
- 什么情况下返回空列表（无价值信息）
- 如何提取有价值的信息（姓名、职业等）
- 如何格式化输出（JSON结构）
4. 结构化输出要求
结构化输出确保：
- 可程序化处理（JSON格式）
- 格式一致性（统一的键名）
- 易于解析（字符串列表）
5. 边界约束
这些约束防止了：
- 提示词泄露（prompt leakage）
- 无关信息混入（irrelevant information）
- 格式错误（format errors）
6. 动态信息注入
注入当前日期，让 LLM 能够：
- 理解时间上下文（temporal context）
- 准确处理时间相关信息（time-related information）
- 例如：“明天我要开会” → “明天有会议（2025-04-10）”
3.2 增强版提示词：USER_MEMORY_EXTRACTION_PROMPT
位于
mem0/configs/prompts.py:62，这是增强版的用户记忆提取提示词。提示词内容（中文翻译版）
关键改进
1. 更严格的边界约束
使用
[重要] 标记和惩罚威胁，确保：
- 只提取用户信息
- 避免混入 Assistant 的信息
- 避免混入 System 信息2. 完整的对话示例
完整对话示例让 LLM 理解：
- 如何区分 User 和 Assistant 信息
- 如何忽略 Assistant 的自我介绍
- 如何只提取用户相关的事实
3. 语言检测
确保：
- 中文输入 → 中文事实
- 英文输入 → 英文事实
- 保持语言一致性
3.3 Agent记忆提取：AGENT_MEMORY_EXTRACTION_PROMPT
位于
mem0/configs/prompts.py:123，这是专门提取 Agent（AI助手）记忆的提示词。提示词内容（中文翻译版）
设计差异
关键区别：
提示词类型 | 提取目标 | 信息类型 |
USER_MEMORY | 用户信息 | 偏好、个人详情、计划 |
AGENT_MEMORY | Agent信息 | 能力、性格、偏好 |
示例对比：
四、记忆管理提示词详解
记忆管理提示词是 Mem0 智能的核心，它决定了如何处理新提取的事实。
4.1 DEFAULT_UPDATE_MEMORY_PROMPT
位于
mem0/configs/prompts.py:175，这是记忆增删改决策的核心提示词。提示词内容（中文翻译版）
四种操作详解
记忆管理的核心是四种操作类型，每种操作都有明确的触发条件：
四种操作类型决策图
颜色编码清晰展示了四种操作：绿色（ADD）、黄色（UPDATE）、红色（DELETE）、灰色（NONE），每种操作都配有实际示例。
1. ADD（添加）
决策逻辑：新信息，记忆库不存在 → 创建新记录
2. UPDATE（更新）
决策逻辑：
- 信息变化 → UPDATE
- 信息相同但表述不同 → NONE（保留原有）
- 新信息更丰富 → UPDATE（合并信息）
3. DELETE（删除）
决策逻辑：矛盾信息 → DELETE
4. NONE（无操作）
决策逻辑：信息已存在 → 无需操作
输出格式
结构化输出确保：
- 程序可解析
- 操作类型明确
- 可追溯旧内容（UPDATE时）
边界约束
这些约束确保：
- 格式正确
- ID管理正确
- 操作逻辑一致
4.2 动态提示词生成：get_update_memory_messages()
位于
mem0/configs/prompts.py:405，这是一个函数，动态生成记忆管理提示词。动态注入信息：
- 当前记忆内容（
retrieved_old_memory_dict）
- 新提取的事实（response_content）智能处理：
- 记忆为空 → 提示”Current memory is empty”
- 记忆存在 → 显示具体内容
示例生成的完整提示词：
[“Dislikes cats”, “Loves dogs”]
五、总结
通过深入分析 Mem0 的提示词系统，我们理解了为什么”Mem0 增删改查记忆的本质是提示词工程”。
核心发现
1. 提示词是 Mem0 的核心
Mem0 的智能能力不是来自复杂的算法，而是来自精心设计的提示词：
- 事实提取：7 种信息类型 + Few-shot 示例
- 记忆管理：4 种操作类型 + 详细决策逻辑
- 其他任务：各有专门的提示词
2. 结构化设计是关键
优秀的提示词包含：
- 明确的角色定位
- 清晰的任务分类
- 充分的 Few-shot 示例
- 严格的输出格式
- 明确的边界约束
3. 动态信息注入增强灵活性
通过函数动态生成提示词：
- 注入当前记忆内容
- 注入新提取的事实
- 注入时间等上下文信息
4. 自定义提示词扩展应用
用户可以自定义提示词：
- 调整提取规则
- 修改决策逻辑
- 适应特定领域
技术价值
Mem0 的提示词设计不仅展示了如何管理记忆，更重要的是展示了：
- 如何用提示词驱动复杂系统
- 如何设计结构化提示词
- 如何平衡灵活性和可控性
- 如何通过 Few-shot 教会 LLM 判断标准
这些设计思路对构建其他 LLM 应用系统也有重要借鉴价值。
下一步
在本系列的下一篇文章中，我们将探讨：
- 第三篇：记忆是如何被检索的？深入理解向量相似性搜索