SSD Nodes Learn Hosting plans →
নির্দেশিকা Matt Connorদ্বারা Matt Connor · আপডেট করা হয়েছে 2026-11-20

VPS-এ agent memory-এর জন্য mem0 self-host করুন

নিজের VPS-এ mem0 memory server চালানোর বাস্তব RAM মাপ, localhost bind করা Compose file, API-র সামনে TLS এবং Ollama-সহ সম্পূর্ণ local setup দেখুন।

VPS-এ mem0 নিজে হোস্ট করলে RAM-এর প্রকৃত খরচ

mem0 নিজে হোস্ট করার অর্থ হলো 3টি container চালানো: FastAPI memory server, pgvector extension-সহ Postgres, এবং Next.js dashboard। mem0 হলো agent-গুলোর জন্য একটি memory layer। আপনি এতে একটি conversation পাঠান। একটি language model সেই conversation থেকে স্থায়ী তথ্য বের করে। এরপর সেই তথ্য vector হিসেবে সংরক্ষণ করা হয়, যাতে পরের কোনো query প্রাসঙ্গিক তথ্য ফিরিয়ে আনতে পারে।

2026-10-25 তারিখে এই পোস্টে দেওয়া sizing estimate ছিল 3টি container-এর জন্য প্রায় 1 GB memory এবং image build হওয়ার পর 3 থেকে 4 GB disk। Language model অন্য কোথাও চললে 2 GB VPS ব্যবহারের সুপারিশ করা হয়েছিল। একই box-এ Ollama-এর মাধ্যমে 4 bits-এ quantise করা 8B model চালালে শুধু model-এর জন্য প্রায় 6 GB এবং সম্পূর্ণ local build-এর জন্য 8 GB estimate করা হয়েছিল।

কোনো blog post-এর এই সংখ্যাগুলো—এই পোস্টসহ—অন্ধভাবে গ্রহণ করবেন না। আপনি যে stack তৈরি করেছেন, সেটিই মেপে দেখুন।

docker compose ps
docker stats --no-stream
docker system df -v

docker stats Linux-এ cache usage বাদ দিয়ে প্রতিটি container-এর memory usage দেখায়। docker system df -v প্রতিটি image এবং volume কত disk ধরে তা দেখায়।

Steady state কখনো peak নয়। docker compose up -d --build Next.js dashboard compile করে। পুরো installation-এর মধ্যে Node build-এর সময়ই সবচেয়ে বেশি memory লাগে। Build শেষে exit code 137 দেখা গেলে out-of-memory kill হয়েছে কি না পরীক্ষা করুন। Docker-এর bug খোঁজার আগে কারণটি নিশ্চিত করুন:

dmesg -T | grep -i "killed process"

আপনার প্রয়োজনের তুলনায় কোনো server অতিরিক্ত জটিল মনে হলে ছোট বিকল্পগুলোও কার্যকর। কোনো server ছাড়াই local agent memory store এবং Claude Code-এর ভেতরেই থাকা memory—দুটিই database ব্যবহার করে না। একাধিক agent বা একাধিক machine-এর একই memory পড়ার প্রয়োজন হলে এখানে ফিরে আসুন।

mem0-এর graph memory-এর জন্য কি Neo4j দরকার?

না। কোনো গাইডে যদি Neo4j container যোগ করতে বলা হয়, তাহলে সেটি বর্তমান code-এর তুলনায় পুরোনো।

mem0-এ graph memory আগে একটি external graph database বোঝাত। এটি graph_store key-এর অধীনে configure করা হতো এবং enable_graph-এর মান true সেট করতে হতো। April 2026-এ প্রকাশিত নতুন memory algorithm open source SDK থেকে উভয় key সরিয়ে দিয়েছে। Entity extraction এখন সাধারণ add path-এর মধ্যেই চলে, এবং entity-গুলো আপনার প্রধান collection-এর নামে _entities যুক্ত করে তৈরি করা দ্বিতীয় pgvector collection-এ লেখা হয়। কোনো setup ধাপ নেই। প্রথমবার ব্যবহার করার সময় collection-টি তৈরি হয়, তাই পরবর্তী add call থেকেই built-in entity linking কাজ শুরু করে।

Graph store বাদ দিলে একটি JVM container, তার heap এবং image-এর কয়েকশ MB সাশ্রয় হয়। 2 GB VPS-এ এটিই service সচল থাকা এবং swap ব্যবহারের মধ্যে পার্থক্য তৈরি করতে পারে।

এর বিনিময়ে কী বাদ পড়ে, তা সরাসরি বলা যাক। আগে search result-এ relations field থাকত, যেখানে entity-গুলোর মধ্যকার edge-এর তালিকা দেওয়া থাকত। এখন সেই field নেই। Entity match এখন combined score-এ memory-এর অবস্থান উন্নত করে, কিন্তু traverse করার মতো কোনো structure নেই। আপনার application যদি ওই relationship-গুলো নিয়ে কাজ করত, তাহলে mem0 আর সেগুলো সংরক্ষণ করবে না। আপনাকে mem0-এর বাইরে নিজের graph database রাখতে হবে এবং নিজের code দিয়ে তাতে data দিতে হবে।

রিপোজিটরির compose ফাইলটি development-এর জন্য ব্যবহৃত compose ফাইল

server/docker-compose.yaml-এ name: mem0-dev ঘোষণা করা হয়েছে, এবং সেটিই কার্যকর হয়। এটি চালানোর আগে পড়ে নিন, কারণ server-এর জন্য এতে পাঁচটি সমস্যা রয়েছে।

  • এটি server/dev.Dockerfile থেকে build করে এবং .:/app দিয়ে আপনার checkout image-এর ওপর mount করে। ফলে container-এ আপনি যা build করেছেন তা নয়, ওই directory-তে বর্তমানে যা আছে সেটিই চলে।
  • এর command হলো rm -rf /app/packages && pip install -q --force-reinstall --no-deps mem0ai && alembic upgrade head && uvicorn main:app --host 0.0.0.0 --port 8000 --reload। প্রতিবার start হলে এটি PyPI থেকে mem0ai আবার install করে। তাই upgrade করার কথা না থাকলেও restart-এর সময় server-এ চলা version পরিবর্তিত হতে পারে।
  • একই pip ধাপের কারণে outbound network ছাড়া restart ব্যর্থ হয়, uvicorn চালু হওয়ার আগেই। তখন PyPI-তে পৌঁছানো যায় না বলে আপনার memory server বন্ধ থাকে।
  • --reload uvicorn-এর file watcher চালু করে। Code edit করলে process restart করার জন্য এটি তৈরি, কিন্তু production-এ কোনো কার্যকর কাজ না করেই memory এবং একটি অতিরিক্ত process ব্যবহার করে। Production-এর Dockerfile-এর CMD-এর মধ্যেও --reload থাকে, তাই যেকোনো অবস্থায় command override করতে হবে।
  • Published port-গুলো হলো "8888:8000", "8432:5432" এবং "3000:3000"। কোনো address ছাড়া published port 0.0.0.0-এ bind হয়। তাই stack চালু হওয়ার সঙ্গে সঙ্গে Postgres 8432 port-এ public internet-এর অনুরোধ গ্রহণ করে।

শেষের বিষয়টির জন্য আলাদা সতর্কতা প্রয়োজন। Docker chain-এর আগে নিজস্ব rule লিখে port publish করে, আর ufw যে chain পরিচালনা করে তার আগে এই rule কার্যকর হয়। তাই ufw deny 8432 published container port বন্ধ করে না। Docker যেভাবে ufw নিয়ম অতিক্রম করে port publish করে সংশ্লিষ্ট নিয়মগুলো ব্যাখ্যা করে।

বাস্তব সার্ভারের জন্য একটি compose file

server/-এর ভেতরে কাজ করুন, init-db.sh যেখানে আছে সেখানেই রাখুন, এবং docker-compose.yaml-এর জায়গায় এটি বসান।

name: mem0

services:
  mem0:
    build:
      context: .
      dockerfile: Dockerfile
    restart: unless-stopped
    env_file: .env
    ports:
      - "127.0.0.1:8888:8000"
    networks: [mem0_network]
    volumes:
      - mem0_history:/app/history
    depends_on:
      postgres:
        condition: service_healthy
    command: >
      sh -c "alembic upgrade head &&
             uvicorn main:app --host 0.0.0.0 --port 8000"
    environment:
      - PYTHONUNBUFFERED=1
      - DASHBOARD_URL=https://mem0.example.com
      - APP_DB_NAME=mem0_app
      - AUTH_DISABLED=false
      - MEM0_TELEMETRY=false

  postgres:
    image: pgvector/pgvector:pg17
    restart: unless-stopped
    shm_size: "128mb"
    networks: [mem0_network]
    environment:
      - POSTGRES_USER=${POSTGRES_USER:-postgres}
      - POSTGRES_PASSWORD=${POSTGRES_PASSWORD:?set POSTGRES_PASSWORD in .env}
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -q -U ${POSTGRES_USER:-postgres}"]
      interval: 5s
      timeout: 5s
      retries: 5
    volumes:
      - postgres_db:/var/lib/postgresql/data
      - ./init-db.sh:/docker-entrypoint-initdb.d/init-db.sh

  mem0-dashboard:
    build: ./dashboard
    restart: unless-stopped
    ports:
      - "127.0.0.1:3000:3000"
    networks: [mem0_network]
    environment:
      - NEXT_PUBLIC_API_URL=https://mem0.example.com
      - API_INTERNAL_URL=http://mem0:8000
    depends_on:
      mem0:
        condition: service_started

volumes:
  postgres_db:
  mem0_history:

networks:
  mem0_network:
    driver: bridge

এখানে পাঁচটি পরিবর্তন গুরুত্বপূর্ণ। প্রতিটির একটি নির্দিষ্ট কারণ আছে।

প্রতিটি ports entry 127.0.0.1 দিয়ে শুরু হয়। তাই kernel ওই connection-গুলো শুধু একই host থেকে গ্রহণ করে। বাইরের সব request reverse proxy-এর মাধ্যমে আসে। Certificate শুধু reverse proxy-তেই থাকে।

Postgres-এর কোনো ports block নেই। mem0 container service name ব্যবহার করে mem0_network-এর মাধ্যমে এতে পৌঁছায়। তাই 8432 publish করলে কোনো সুবিধা নেই, বরং একটি open port তৈরি হয়। Shell প্রয়োজন হলে docker compose exec postgres psql -U postgres ব্যবহার করুন।

History এখন ./history bind mount-এর বদলে named volume-এ রাখা হচ্ছে। Bind mount data-কে এই host-এর একটি নির্দিষ্ট path এবং একটি নির্দিষ্ট uid-এর সঙ্গে যুক্ত করে। অন্যদিকে named volume হলো Docker-এর এমন একটি object, যেটির snapshot নেওয়া এবং সেটি সরানো যায়। কোন ক্ষেত্রে কোনটি উপযুক্ত, তা Named volume এবং bind mount-এর তুলনা-তে ব্যাখ্যা করা হয়েছে।

Command-টি --reload বাদ দিয়ে alembic upgrade head রাখে। এই migration step রাখুন। এটি না থাকলে app এমন database-এর বিরুদ্ধে চালু হবে, যেখানে কোনো table নেই। ফলে প্রথম query-তেই প্রতিটি request ব্যর্থ হবে।

NEXT_PUBLIC_API_URL হলো আপনার browser যে URL-এ request পাঠায়। তাই এটি public HTTPS address হতে হবে, http://mem0:8000 নয়। Next.js build time-এ NEXT_PUBLIC_ value code-এর মধ্যে বসিয়ে দেয়। কিন্তু এই dashboard-এর image-এর মধ্যে একটি placeholder থাকে। Container চালু হওয়ার সময় entrypoint সেটিকে container-এর প্রকৃত value দিয়ে প্রতিস্থাপন করে। তাই এটি পরিবর্তন করতে docker compose up -d mem0-dashboard প্রয়োজন, যা container পুনরায় তৈরি করে; rebuild প্রয়োজন হয় না। docker compose restart mem0-dashboard পুরোনো container-টি পুনরায় ব্যবহার করে। সেই container-এর file-গুলোতে পুরোনো value আগে থেকেই থাকে, তাই dashboard ভুল host-এ request পাঠাতে থাকে।

Secrets .env-এ থাকে, আর .env Internet থেকে দূরে থাকে

cd server
cp .env.example .env
openssl rand -hex 32    # paste into JWT_SECRET
openssl rand -hex 32    # paste into ADMIN_API_KEY
chmod 600 .env

POSTGRES_PASSWORD, JWT_SECRET এবং ADMIN_API_KEY সেট করুন। AUTH_DISABLED=false অপরিবর্তিত রাখুন। নামটিই এই flag-এর কাজ স্পষ্টভাবে জানায়: এটি চালু থাকলে, port-এ পৌঁছাতে পারে এমন যে কেউ server-এর ধারণ করা সব memory পেয়ে যায়। onboarding event upstream-এ পাঠাতে না চাইলে MEM0_TELEMETRY=false সেট করুন।

ADMIN_API_KEY-এর মান X-API-Key header-এর সঙ্গে secrets.compare_digest ব্যবহার করে তুলনা করা হয়। মিল পেলে database-এ প্রতি-key lookup পুরোপুরি এড়িয়ে যায়। Memory endpoint-গুলো user resolve না করেই এই credential গ্রহণ করে; যেসব endpoint-এর জন্য user প্রয়োজন, সেগুলো প্রথম account-এ fallback করে। প্রথম account তৈরি হওয়ার আগেও admin-only endpoint-গুলো এটি গ্রহণ করে। এটি পুরো API-এর জন্য root credential। তাই এটিকে root credential হিসেবেই সামলান: shell history-তে রাখবেন না, git-এ রাখবেন না, prompt-এ paste করবেন না। Compose env file এবং সেগুলো থেকে secret কীভাবে ফাঁস হয় এবং agent-এর context-এর বাইরে API key রাখা—দুটিই এখানে সরাসরি প্রযোজ্য, কারণ এই server-এর caller হলো agent।

env_file থেকে load করা value-গুলো container environment-এ থাকে, আর docker inspect সেগুলো সম্পূর্ণভাবে দেখায়। docker group-এর যে কেউ এগুলো পড়তে পারে, এবং docker group-এর যে কেউ host-এ কার্যত root অধিকার পায়।

API-এর সামনে TLS ব্যবহার করুন; 8888 port সরাসরি খুলবেন না

API 127.0.0.1:8888-এ এবং dashboard 127.0.0.1:3000-এ উত্তর দেয়। nginx 443-এ TLS (transport layer security) termination করে এবং উভয় backend-এ অনুরোধ forward করে।

server {
    listen 443 ssl;
    server_name mem0.example.com;

    ssl_certificate     /etc/letsencrypt/live/mem0.example.com/fullchain.pem;
    ssl_certificate_key /etc/letsencrypt/live/mem0.example.com/privkey.pem;

    location ~ ^/(memories|search|configure|reset|generate-instructions|auth|api-keys|entities|requests|docs|openapi.json) {
        proxy_pass http://127.0.0.1:8888;
        proxy_set_header Host $host;
        proxy_set_header X-Forwarded-Proto $scheme;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_read_timeout 180s;
    }

    location / {
        proxy_pass http://127.0.0.1:3000;
        proxy_set_header Host $host;
        proxy_set_header X-Forwarded-Proto $scheme;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
    }
}

ড্যাশবোর্ডের browser code NEXT_PUBLIC_API_URL-এ ওই pattern-এর প্রতিটি API path call করে, যার মধ্যে /entities এবং /requests-ও রয়েছে। কোনো একটি বাদ পড়লে nginx সেই call Next.js-এ পাঠায়। ফলে যে dashboard page-টির এটি প্রয়োজন, সেটি data-এর বদলে 404 পায়।

proxy_read_timeout দেখতে যতটা সাধারণ মনে হয়, তার চেয়ে বেশি গুরুত্বপূর্ণ। একটি add call ব্লক থাকে, কারণ language model কথোপকথন পড়ে এবং তথ্যগুলো শনাক্ত করে। CPU-তে চলা একটি local 8B model-এর প্রায়ই nginx-এর 60 second default-এর চেয়ে বেশি সময় লাগে। ফলে model তখনও কাজ করার সময় caller 504 Gateway Time-out দেখতে পান, যদিও memory লেখা সম্পন্ন হয়। শেষ পর্যন্ত এমন একটি memory তৈরি হয়, যেটি ব্যর্থ হয়েছে বলে আপনাকে জানানো হয়েছিল।

বাকি সবকিছুর জন্য ডিফল্ট deny ufw policy প্রয়োগ করুন এবং 22, 80 ও 443 খোলা রাখুন। nginx-এর পেছনে Ubuntu 24.04-এ certbot ব্যবহার করে certificate ইস্যু করুন। Port 80 অবশ্যই reachable থাকতে হবে, কারণ এই workflow HTTP-01 challenge ব্যবহার করে। Let's Encrypt certificate ইস্যু করার সময় এবং প্রতিটি renewal-এর সময় শুধু port 80-তেই এই challenge চালায়। Port 80 বন্ধ রাখলে DNS-01 ব্যবহার করতে হবে, অথবা সামঞ্জস্যপূর্ণ ACME client দিয়ে port 443-এ TLS-ALPN-01 ব্যবহার করতে হবে। সার্ভারটি যদি ইতিমধ্যে বেশ কয়েকটি Compose app Traefik routing দিয়ে সামনে থেকে পরিবেশন করে, তাহলে দ্বিতীয় proxy ইনস্টল না করে সেই router-এ mem0 যোগ করুন।

একটি memory যোগ করে আবার পড়ে smoke test করুন

export MEM0_KEY='<the ADMIN_API_KEY from .env>'

curl -sS -X POST http://127.0.0.1:8888/memories \
  -H "Content-Type: application/json" \
  -H "X-API-Key: $MEM0_KEY" \
  -d '{"messages":[{"role":"user","content":"I deploy with Docker Compose and I run Postgres 17."}],"user_id":"smoke"}'

সঠিক response একটি JSON object হবে, যার মধ্যে results list থাকবে। প্রতিটি entry-তে থাকবে একটি id, extracted memory text এবং "event": "ADD"। বর্তমান algorithm শুধু ADD event ফেরত দেয়। UPDATE এবং DELETE event সরিয়ে দেওয়া হয়েছে, তাই এগুলো না থাকা কোনো bug নয়।

curl -sS -X POST http://127.0.0.1:8888/search \
  -H "Content-Type: application/json" \
  -H "X-API-Key: $MEM0_KEY" \
  -d '{"query":"which database do I run?","filters":{"user_id":"smoke"},"top_k":5}'

Postgres 17 সম্পর্কিত fact-টি score-সহ ফেরত আসা উচিত। দেখানো অনুযায়ী identifier-টি filters-এর মধ্যে পাঠান। Top-level user_id এখনও কাজ করে, এবং এটি ব্যবহার করলে server প্রতিবার Top-level user_id in /search is deprecated. Use filters={"user_id": "..."} instead. log করে।

Test data যাতে প্রকৃত search-কে প্রভাবিত না করে, কাজ শেষে তা পরিষ্কার করুন:

curl -sS -X DELETE "http://127.0.0.1:8888/memories?user_id=smoke" \
  -H "X-API-Key: $MEM0_KEY"

Search-এ প্রত্যাশার চেয়ে কম row ফিরলে retrieval-কে দোষ দেওয়ার আগে default value পরীক্ষা করুন। বর্তমান release-এ top_k-এর default 20, যা আগে 100 ছিল। threshold-এর default none নয়, 0.1। তাই দুর্বল match এখন স্বয়ংক্রিয়ভাবে বাদ পড়ে। curl-এর মাধ্যমে এটি কাজ করলে একই endpoint agent-এ যুক্ত করুন, সরাসরি বা একই VPS-এ চলা একটি MCP server-এর মাধ্যমে।

OpenAI key ছাড়াই mem0 চালান

প্রথমেই blocker-টি দেখুন, কারণ প্রথম পাঁচ মিনিটের মধ্যেই এটি সামনে আসবে। Server image-এ provider library-গুলোর একটি নির্দিষ্ট সেট দেওয়া থাকে, এবং /configure এই সেটের বাইরের কিছু গ্রহণ করে না:

LLM provider 'ollama' is not bundled in this image. Bundled providers: openai, anthropic, gemini. To use another provider, install its Python package, rebuild the container, and extend BUNDLED_LLM_PROVIDERS in server/main.py.

কিছুই rebuild করতে হবে না। Ollama /v1-এ OpenAI-compatible API দেয়, যা /v1/chat/completions এবং /v1/embeddings সমর্থন করে। mem0-এর openai provider একটি openai_base_url গ্রহণ করে। সেই key-টি Ollama-কে নির্দেশ করুন। তাহলে bundled check পাস করবে, কারণ provider সত্যিই openai। শুধু address পরিবর্তন হবে।

একই Compose project-এ Ollama যোগ করুন:

  ollama:
    image: ollama/ollama
    restart: unless-stopped
    networks: [mem0_network]
    ports:
      - "127.0.0.1:11434:11434"
    volumes:
      - ollama_models:/root/.ollama

top-level volumes: key-এর অধীনে ollama_models: যোগ করুন। এরপর একটি chat model এবং একটি embedding model pull করুন:

docker compose up -d ollama
docker compose exec ollama ollama pull llama3.1:8b
docker compose exec ollama ollama pull nomic-embed-text

Ollama যদি host-এ systemd unit হিসেবে আগে থেকেই চলে, যেমন VPS-এ সরাসরি Ollama চালানো, তাহলে container-কে 127.0.0.1:11434-এ নির্দেশ করবেন না। mem0 container-এর ভিতরে 127.0.0.1 হলো mem0 container নিজেই। mem0 service-কে extra_hosts: ["host.docker.internal:host-gateway"] দিন। systemd drop-in-এ Environment="OLLAMA_HOST=0.0.0.0:11434" সেট করুন, যাতে Ollama bridge যে address-এ পৌঁছাতে পারে সেখানে listen করে। Firewall-এ 11434 বন্ধ রাখুন।

কিছু configure করার আগে model-এর embedding dimension জেনে নিন

এই একটি ধাপেই retrieval আদৌ কাজ করবে কি না নির্ধারিত হয়।

mem0-এর pgvector store নির্দিষ্ট vector width, vector vector(1536), দিয়ে table তৈরি করে। কারণ embedding_model_dims-এর default হলো 1536, যা OpenAI-এর text-embedding-3-small-এর width। nomic-embed-text 768টি value ফেরত দেয়। mem0-এর ভেতরে এই দুটি সংখ্যার তুলনা করা হয় না। তাই প্রথম insert-এর সময় Postgres থেকে mismatch-এর error আসে:

expected 1536 dimensions, not 768

এই paragraph-এর সংখ্যাটিও যাচাই না করে বিশ্বাস করবেন না। Model-কে জিজ্ঞেস করুন:

curl -sS http://127.0.0.1:11434/v1/embeddings \
  -H "Content-Type: application/json" \
  -d '{"model":"nomic-embed-text","input":"dimension check"}' \
  | python3 -c "import json,sys; print(len(json.load(sys.stdin)['data'][0]['embedding']))"

এতে আপনার collection-এ ব্যবহার করতে হবে এমন width দেখাবে। Configuration একটি file-এ লিখুন। Shell quoting-এর মাধ্যমে Postgres password paste করলেই production-এ typo ঢোকে।

{
  "vector_store": {
    "provider": "pgvector",
    "config": {
      "host": "postgres",
      "port": 5432,
      "dbname": "postgres",
      "user": "postgres",
      "password": "<POSTGRES_PASSWORD from .env>",
      "collection_name": "memories_local_768",
      "embedding_model_dims": 768
    }
  },
  "llm": {
    "provider": "openai",
    "config": {
      "model": "llama3.1:8b",
      "api_key": "ollama",
      "openai_base_url": "http://ollama:11434/v1",
      "temperature": 0.2
    }
  },
  "embedder": {
    "provider": "openai",
    "config": {
      "model": "nomic-embed-text",
      "api_key": "ollama",
      "openai_base_url": "http://ollama:11434/v1"
    }
  }
}
curl -sS -X POST http://127.0.0.1:8888/configure \
  -H "Content-Type: application/json" \
  -H "X-API-Key: $MEM0_KEY" \
  -d @config.json

curl -sS http://127.0.0.1:8888/configure -H "X-API-Key: $MEM0_KEY"

দ্বিতীয় call-টি configuration পড়ে ফেরত দেখায়। এটাই নিশ্চিত করে যে write সফল হয়েছে। এরপর উপরের smoke test আবার চালান।

এই JSON-এর চারটি detail সরাসরি বোঝা যায় না। প্রতিটি ভুল হলে কিছু না কিছু কাজ করা বন্ধ হবে।

api_key হলো ollama string, এবং Ollama এর value উপেক্ষা করে। এটি empty হতে পারবে না। কোনো key সেট না থাকলে OpenAI client library process থেকে কোনো request বের হওয়ার আগেই error দেয়। যেকোনো non-empty string কাজ করবে।

embedding_model_dims vector store-এ দিতে হবে। Embedder-এ ইচ্ছাকৃতভাবে কোনো embedding_dims নেই। আপনি embedding_dims সেট করলেই mem0 OpenAI-এর dimensions parameter পাঠায়। Matryoshka truncation implement না করা backend-গুলো এই parameter সরাসরি reject করে। Table তৈরি করার সময় width সেট করুন এবং embedder অপরিবর্তিত রাখুন।

collection_name নতুন। mem0 CREATE TABLE IF NOT EXISTS দিয়ে table তৈরি করে। তাই কোনো existing collection-এ ভিন্ন width নির্দেশ করলে কিছুই পরিবর্তন হবে না। পুরোনো vector(1536) column থেকে যাবে এবং প্রতিটি insert ব্যর্থ হবে। Width পরিবর্তন করতে নতুন collection name ব্যবহার করুন, অথবা হাতে পুরোনো table drop করুন।

openai_base_url-এর host হলো Compose service name ollama, localhost নয়। Shared network-এ container-গুলো service name ব্যবহার করে একে অপরকে resolve করে।

সম্পূর্ণ local path-এর খরচ

Quality সম্পর্কে নিজের কাছে সৎ থাকুন। mem0-এর headline benchmark score তার managed platform থেকে আসে। README অনুযায়ী সেখানে open source SDK-তে না থাকা proprietary optimization অন্তর্ভুক্ত থাকে। সেটি এমন একটি model stack-এ চলে, যার নাম mem0 জানায় না। অন্যদিকে, মূল LOCOMO result-এর গবেষণাপত্রে প্রতিটি model call GPT-4o-mini-তে চালানো হয়েছিল, যা একটি hosted model। যেকোনো ক্ষেত্রে, এই score-গুলোকে VPS-এ 8B model-এর ফলাফলের পূর্বাভাস নয়, বরং সর্বোচ্চ সীমা হিসেবে ধরুন। ছোট model আরও অস্পষ্ট fact লেখে। কখনও JSON চাওয়া হলেও prose ফেরত দেয়। এর ফল হিসেবে কোনো error ছাড়াই add call একটি empty results list ফেরত দিতে পারে।

Speed হলো অন্য খরচ। CPU-only extraction-এ প্রতিটি add call-এ কয়েক সেকেন্ড লাগে, এবং আপনি store করা প্রতিটি message-এর জন্য এই খরচ দিতে হয়। যে model-কে দেওয়া JSON-এর বাইরে দীর্ঘ উত্তর লিখতে থাকে, সে সমস্যা আরও বাড়ায়। তাই num_predict দিয়ে reply-এর সীমা নির্ধারণ করলে একটি add call কতক্ষণ চলতে পারবে তার সর্বোচ্চ সীমা থাকে। এই latency গুরুত্বপূর্ণ হলে সংযুক্ত GPU-সহ VPS হলো বাস্তবসম্মত সমাধান। 8B model-এ আরও CPU core যোগ করলে প্রত্যাশার তুলনায় অনেক কম উন্নতি হয়। Machine পরিবর্তনের চেয়ে model পরিবর্তন সস্তা সমাধান। VPS-এ Nemotron 3.5 Lightning কোন tag pull করতে হবে, কত RAM লাগবে এবং CPU-only mode সহনীয়ভাবে দ্রুত কি না—এসব জানায়।

আপনি যা-ই বেছে নিন, একটি নিয়ম সবসময় মানুন: একই collection-এর মধ্যে কখনও embedding model মেশাবেন না। একই width আছে এমন দুটি ভিন্ন model এমন vector তৈরি করে যেগুলো তুলনাযোগ্য নয়। Insert সফল হয়, search row ফেরত দেয়, কিন্তু row-গুলো ভুল হয়। কোথাও কোনো error দেখায় না।

Backup: একটি নয়, দুটি database

সবচেয়ে সাধারণ mem0 backup ভুল হলো শুধু একটি database dump করা। init-db.sh ডিফল্ট postgres database-এর পাশাপাশি mem0_app তৈরি করে, এবং দুটিতে ভিন্ন ধরনের তথ্য থাকে। postgres database-এ pgvector collection থাকে, যেগুলোই memories। mem0_app-এ users, sessions, API keys এবং request logs থাকে। প্রতিটি self-hosted app নিজস্ব পদ্ধতিতে state ভাগ করে রাখে। তাই একই কাজ করা দুটি photo server-এরও আলাদা backup command প্রয়োজন হয়। কোনো dump-এর ওপর নির্ভর করার আগে আপনার app কী সংরক্ষণ করে তা পড়ে নিন। এই পরিসরের অন্য প্রান্তে রয়েছে 90s-এর video store হিসেবে পুনর্নির্মিত একটি Jellyfin library। এটি অন্য একটি service থেকে সম্পূর্ণ catalogue পড়ে। তাই সাধারণত শুধু নিজের configuration কপি করলেই চলে। কিন্তু mem0-এর ক্ষেত্রে উভয় database প্রয়োজন। তা না হলে restore কার্যকর হবে না।

শুধু postgres restore করলে memory ফিরে আসবে, কিন্তু সব account এবং API key হারিয়ে যাবে। ফলে কোনো কিছুই authenticate করে সেগুলো পড়তে পারবে না। এক command-এ উভয় database এবং role dump করুন:

docker compose exec -T postgres pg_dumpall -U postgres --clean \
  | gzip > "mem0-$(date +%F).sql.gz"

history volume Postgres থেকে আলাদা এবং এর নিজস্ব copy প্রয়োজন:

docker run --rm -v mem0_mem0_history:/data -v "$PWD:/backup" \
  alpine tar czf /backup/mem0-history.tgz -C /data .

Docker project name দিয়ে volume name-এর শুরুতে prefix যোগ করে। তাই mem0_mem0_history ধরে নেওয়ার আগে docker volume ls দিয়ে আপনার volume name নিশ্চিত করুন।

কোনো backup-কে নির্ভরযোগ্য মনে করার আগে সেটি একটি অস্থায়ী container-এ restore করে row count পরীক্ষা করুন:

gunzip -c mem0-2026-08-03.sql.gz \
  | docker compose exec -T postgres psql -U postgres -d postgres

যে backup কখনো restore করে পরীক্ষা করা হয়নি, সেটি কেবল অনুমান। dump সঠিক হলে off-site storage-এ restic snapshot পাঠান। যে server-কে সুরক্ষিত করার কথা, সেই server-এ থাকা backup কোনো সুরক্ষা দেয় না।

ব্যর্থতার ধরন এবং আপনি যে সঠিক স্ট্রিংগুলো দেখবেন

{"detail":"Authentication required. Provide a Bearer token or X-API-Key header."} এর অর্থ হলো header অনুপস্থিত বা ভুলভাবে লেখা হয়েছে। নামটি হলো X-API-Key, এবং curl header-এর নাম হুবহু পাঠায়।

কোনো add operation-এ {"detail":"At least one identifier (user_id, agent_id, run_id) is required."} দেখালে বোঝায় যে request-এ ওই field-গুলোর একটিও ছিল না। একটি memory-কে কোনো কিছুর scope-এর মধ্যে রাখতে হয়, কারণ search ঠিক ওই field-গুলোর ওপর filter প্রয়োগ করে।

HTTP 400-সহ LLM provider 'ollama' is not bundled in this image দেখালে বোঝায় আপনি "provider": "ollama" পাঠিয়েছেন। Ollama-কে নির্দেশ করে "provider": "openai" ব্যবহার করুন, যেখানে openai_base_url সেট করা থাকবে।

Postgres থেকে expected 1536 dimensions, not 768 দেখালে বোঝায় collection একটি width-এ তৈরি হয়েছিল, কিন্তু embedder অন্য width-এর ফল দিচ্ছে। vector store-এ embedding_model_dims সেট করুন এবং একটি নতুন collection_name ব্যবহার করুন।

কোনো error না দেখিয়ে model পরিবর্তনের পরে Search returns rows that make no sense হলে width এখনও মিলে যাচ্ছে। তাই database কোনো সমস্যা দেখছে না। কিন্তু দুটি model একই sentence-কে ভিন্ন অবস্থানে রাখে। একটি নতুন collection তৈরি করে memory আবার যোগ করুন।

Ollama-তে সংযোগের সময় mem0 logs-এ Connection refused সাধারণত openai_base_url-এ 127.0.0.1 বোঝায়। container-এর ভেতরে ওই address-টি container-কেই নির্দেশ করে। service name ব্যবহার করুন, অথবা Ollama host machine-এ চললে host gateway ব্যবহার করুন।

কোনো add operation-এ nginx থেকে 504 Gateway Time-out দেখালে বোঝায় model-এর proxy_read_timeout-এর বেশি সময় লেগেছে। timeout বাড়ান এবং request আবার পাঠানোর আগে memory লেখা হয়েছিল কি না পরীক্ষা করুন।

exit code 137-এর সময় docker compose up --build দেখালে বোঝায় একটি process-কে SIGKILL দিয়ে বন্ধ করা হয়েছে। কারণ fatal signal N-কে 128 + N হিসেবে report করা হয়, আর SIGKILL হলো signal 9। ছোট VPS-এ dashboard build করার সময় সবচেয়ে সম্ভাব্য প্রেরক হলো out-of-memory killer। তাই কোনো পদক্ষেপ নেওয়ার আগে প্রথম section-এর dmesg check চালান। সেখানে process killed দেখালে swap যোগ করুন, অথবা বড় machine-এ image build করে registry-তে push করুন।

error: port 3000 is already in use repo-র make up target থেকে আসে। 3000 বা 8888 port ব্যবহৃত হলে এই target চালু হতে অস্বীকার করে। owner খুঁজতে lsof -iTCP:3000 -sTCP:LISTEN ব্যবহার করুন।

FAQ

graph memory ব্যবহার করে mem0 চালাতে কি এখনও Neo4j প্রয়োজন?

না। April 2026-এ প্রকাশিত নতুন memory algorithm open source SDK থেকে graph_store এবং enable_graph configuration key সরিয়ে দিয়েছে। এখন সাধারণ add operation-এর সময় entity extraction চলে এবং <collection_name>_entities নামের দ্বিতীয় pgvector collection-এ ডেটা লেখা হয়। তাই external graph database, অতিরিক্ত container বা setup step-এর প্রয়োজন নেই। এর বিনিময়ে search result-এ relations field আর থাকে না। এখন entity memory-র ranking বাড়ায়, traverse করার জন্য edge দেয় না। তাই কোনো application যদি ওই relationship ধরে এগোয়, তাহলে mem0-এর বাইরে নিজস্ব graph store ব্যবহার করতে হবে।

self-hosted mem0 server চালানোর জন্য সবচেয়ে ছোট VPS কোনটি?

2026-10-25-এর sizing estimate অনুযায়ী API container, Postgres এবং dashboard-এর জন্য 2 GB RAM এবং প্রায় 4 GB free disk দরকার, যদি language model অন্য কোথাও host করা থাকে। প্রথম build-এর সময় resource-এর চাপ সবচেয়ে বেশি হয়, কারণ Next.js dashboard compile করতে এটি চালানোর চেয়ে বেশি memory ব্যবহার করে। build শেষে exit code 137 দেখা গেলে out-of-memory kill হয়েছে কি না পরীক্ষা করুন। একই server-এ Ollama চালালে, ওই estimate অনুযায়ী 4-bit quantisation-এ 8B model-এর জন্য প্রায় 6 GB এবং পুরো stack-এর জন্য 8 GB দরকার। এই estimate-কে minimum ধরে নেওয়ার আগে আপনার build এবং model-এর resource usage মাপুন।

OpenAI API key ছাড়া কি mem0 চালানো যায়?

হ্যাঁ, Ollama-এর OpenAI compatible endpoint ব্যবহার করে চালানো যায়। "provider": "ollama" সেট করলে তা ব্যর্থ হবে, কারণ server image-এ শুধু openai, anthropic এবং gemini library bundled আছে এবং এটি HTTP 400 ফেরত দেয়। এর পরিবর্তে "provider": "openai" অপরিবর্তিত রাখুন এবং llm ও embedder উভয়ের জন্য যেকোনো non empty api_key দিয়ে "openai_base_url": "http://ollama:11434/v1" সেট করুন। Ollama key উপেক্ষা করে। bundled provider check-ও পাস করে, কারণ provider সত্যিই openai।

local embedding model-এ switch করার পরে mem0 কোনো result দেয় না কেন?

কারণ pgvector table-টি নির্দিষ্ট width দিয়ে তৈরি হয়েছিল। embedding_model_dims-এর default মান 1536, আর nomic-embed-text 768 ফেরত দেয়। ফলে Postgres expected 1536 dimensions, not 768 দিয়ে insert প্রত্যাখ্যান করে। mem0 CREATE TABLE IF NOT EXISTS ব্যবহার করে table তৈরি করে। তাই শুধু number পরিবর্তন করলে existing collection-এ কোনো প্রভাব পড়ে না। embedding_model_dims-এ আপনার model-এর প্রকৃত width সেট করুন। /v1/embeddings call করে এবং সেটি ফেরত দেওয়া value গুনে width নিশ্চিত করুন। একই সময়ে vector store-কে নতুন collection_name দিন।

এই লেখাটি কি কাজে লেগেছে?