Mem0 与外部 Embedding：记忆来源、向量一致性与迁移验证

整理日期：2026-10-07。来源：10月4日Mem0与外部Embedding对话的可检索回答摘录；本次未取到完整原问答，也未操作你的记忆服务。以下机制与实践建议由官方资料补充。

记忆层不等于模型参数或全部聊天记录

Mem0可组织持久记忆供Agent检索；它不是对所有ChatGPT历史的自动访问授权，也不保证记下原始逐字稿。检索到的记忆/摘要要和原始来源分开，本次Notion整理也遵循这一边界。Mem0官方仓库

LLM参与提取/整理等语义处理，Embedding把内容转成向量，vector store保存并查询向量与元数据；reranker可进一步重排候选。它们可以使用不同服务商，必须分别配置和测试。官方配置

“自部署免费”只说明某部分软件/基础设施选择；外部API请求、运行资源和维护成本仍需单独记录。旧助手曾推荐免费bge-m3服务，本轮未核实该服务商2026-10-07价格/配额，因此不写当前永久免费或无需成本。

BGE-M3作者模型卡说明其dense向量维度为1024，并包含其他检索模式。服务商实际endpoint/返回维度、归一化和输入处理仍需探测，不能只靠模型名。BGE-M3作者模型卡

不同模型即使输出维度一样，坐标语义也不自动对齐。同一检索空间需要一致的模型revision、维度、处理与相似度设置；查询向量和库存向量跨模型混用，会使距离失去原有意义。

换Embedding通常需要重新编码原文本并重建索引。若只保存旧向量却丢失原文，就无法忠实重算，因此原文/来源与模型元数据应独立留存。

这是建议，尚未执行：先快照旧库与配置；新建独立collection；按新模型重编码同一文本；抽取固定查询比较召回、误召回、排序及延迟；确认user/tenant过滤；切换读路径并保留回滚窗口。

验证题包括事实查找、同义改写、否定约束、时间变化和相互冲突的事实；相似度高不等于事实真实。返回记忆附来源、记录时间、有效时间和证据类型，不能用新摘要抹掉历史限定。

删除、更正、过期和恢复要覆盖原文、向量、元数据及应用缓存；只删索引条目不足以证明所有副本已经一致。

旧回答称新版OSS移除图记忆、ADD-only及与云端时间推理等能力有差异；本次没有锁定对应发布版本并完成逐项核查，不将这些泛化表述纳入已确认事实。部署前以目标tag的源码/文档核对CRUD与迁移语义。

外部Embedding/API通过网关时，还要核对接口/认证/输出schema；相关协议排障见模型 API 网关与 Agent 集成：配置自动化、工具协议与故障验证。当前没有本人的召回评测、迁移日志或运行配置，未宣称已部署成功。