配置

所有配置通过环境变量或 .env 文件管理。install.sh 脚本会自动生成该文件。

设置

cp .env.example .env
vim .env

环境变量

变量	默认值	说明
AWS_REGION	us-east-1	AWS 区域
VECTOR_STORE	opensearch	向量引擎：opensearch、s3vectors 或 pgvector
OPENSEARCH_HOST	localhost	OpenSearch 主机地址
OPENSEARCH_PORT	9200	OpenSearch 端口
OPENSEARCH_USER	admin	用户名
OPENSEARCH_PASSWORD	—	密码
OPENSEARCH_USE_SSL	false	启用 SSL
OPENSEARCH_VERIFY_CERTS	false	验证 SSL 证书
OPENSEARCH_COLLECTION	mem0_memories	索引名称
S3VECTORS_BUCKET_NAME	—	S3Vectors 存储桶（s3vectors 模式必填）
S3VECTORS_INDEX_NAME	mem0	S3Vectors 索引名称
PGVECTOR_HOST	mem0-postgres	PostgreSQL 主机（pgvector 模式）
PGVECTOR_PORT	5432	PostgreSQL 端口
PGVECTOR_DB	mem0	数据库名称
PGVECTOR_USER	mem0	数据库用户
PGVECTOR_PASSWORD	—	数据库密码
PGVECTOR_COLLECTION	mem0_memories	数据表名称
EMBEDDING_MODEL	cohere.embed-multilingual-v3	嵌入模型（参见嵌入模型选择）
EMBEDDING_DIMS	1024	向量维度
LLM_MODEL	us.anthropic.claude-3-5-haiku-20241022-v1:0	LLM 模型
LLM_TEMPERATURE	0.1	LLM 温度参数
LLM_MAX_TOKENS	2000	最大 token 数
SERVICE_HOST	0.0.0.0	服务绑定地址
SERVICE_PORT	8230	服务端口

.env 示例

AWS_REGION=us-east-1

VECTOR_STORE=opensearch
OPENSEARCH_HOST=your-opensearch-host.es.amazonaws.com
OPENSEARCH_PORT=443
OPENSEARCH_USER=admin
OPENSEARCH_PASSWORD=your-password
OPENSEARCH_USE_SSL=true
OPENSEARCH_VERIFY_CERTS=true
OPENSEARCH_COLLECTION=mem0_memories

EMBEDDING_MODEL=cohere.embed-multilingual-v3
EMBEDDING_DIMS=1024

LLM_MODEL=us.anthropic.claude-3-5-haiku-20241022-v1:0
LLM_TEMPERATURE=0.1
LLM_MAX_TOKENS=2000

SERVICE_HOST=0.0.0.0
SERVICE_PORT=8230

嵌入模型选择

模型	EMBEDDING_MODEL 值	维度	语言	说明
Cohere Multilingual v3 ✅	cohere.embed-multilingual-v3	1024	多语言（中英混合最佳）	默认。最适合中英混合内容
Amazon Titan v2	amazon.titan-embed-text-v2:0	1024	英文为主	旧版默认；跨语言语义检索效果较差

TIP

如果你的记忆内容主要是中文或中英混合，强烈推荐使用 Cohere Multilingual v3。Titan v2 以英文为主，非英文内容的语义搜索质量较低。

切换模型时，需运行迁移脚本重新生成所有 embedding：

python3 tools/migrate_embedding_model.py --dry-run   # 预演
python3 tools/migrate_embedding_model.py             # 正式迁移

数据隔离

使用 user_id + agent_id 进行二维隔离：

• user_id — 不同用户的记忆完全隔离
• agent_id — 同一用户的不同代理独立管理记忆
• 省略 agent_id 可实现跨代理检索