SSD Nodes Learn Hosting plans →
راهنماها Matt Connorتوسط Matt Connor · به‌روزرسانی شده 2026-10-26

میزبانی mem0 روی VPS؛ رم واقعی و اجرای محلی با Ollama

mem0 را روی VPS خود اجرا کنید: حداقل واقعی رم، فایل Compose با اتصال به localhost، TLS جلوی API و مسیر کاملاً محلی با Ollama را ببینید.

هزینه واقعی میزبانی mem0 روی یک VPS از نظر رم

میزبانی mem0 به معنای اجرای سه کانتینر است: سرور FastAPI برای حافظه، Postgres با افزونه pgvector، و داشبورد Next.js. سرویس mem0 یک لایه حافظه برای ایجنت‌ها است. شما یک گفتگو را به آن ارسال می‌کنید، یک مدل زبانی حقایق پایدار را از آن گفتگو استخراج می‌کند و این حقایق به صورت بردار ذخیره می‌شوند تا در پرس‌وجوهای بعدی، موارد مرتبط بازیابی شوند.

تقریباً 1 گیگابایت حافظه resident برای این سه کانتینر و 3 تا 4 گیگابایت فضای دیسک پس از ساخته شدن ایمیج‌ها در نظر بگیرید. یک VPS با 2 گیگابایت رم این مجموعه را به راحتی اجرا می‌کند، به شرطی که مدل زبانی در جای دیگری میزبانی شود. زمانی که مدل روی همان سرور و از طریق Ollama اجرا شود، مدل بر تمام منابع دیگر غلبه می‌کند: یک مدل 8B که به 4 بیت کوانتایز شده است، به تنهایی حدود 6 گیگابایت رم نیاز دارد، بنابراین اجرای کاملاً محلی از 8 گیگابایت رم شروع می‌شود.

به این ارقام در پست‌های وبلاگی، از جمله همین متن، اکتفا نکنید. پشته‌ای که واقعاً ساخته‌اید را اندازه‌گیری کنید.

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

دستور docker stats میزان حافظه resident هر کانتینر را چاپ می‌کند. دستور docker system df -v فضای دیسک اشغال‌شده توسط هر ایمیج و هر volume را نمایش می‌دهد.

وضعیت پایدار، اوج مصرف نیست. دستور docker compose up -d --build داشبورد Next.js را کامپایل می‌کند و آن فرآیند build در Node، پرمصرف‌ترین لحظه در کل نصب است. روی یک VPS با 1 گیگابایت رم، قابلیت out-of-memory killer در هسته سیستم‌عامل آن را متوقف می‌کند و فرآیند build با خطای exit code 137 پایان می‌یابد. پیش از آنکه به دنبال باگ در Docker بگردید، علت را تأیید کنید:

dmesg -T | grep -i "killed process"

اگر احساس می‌کنید یک سرور برای نیاز شما بیش از حد پیچیده است، گزینه‌های کوچک‌تر واقعی هستند. یک حافظه محلی برای ایجنت بدون نیاز به سرور و حافظه‌ای که درون خود Claude Code زندگی می‌کند هر دو از دیتابیس صرف‌نظر می‌کنند. زمانی که چندین ایجنت یا چندین ماشین نیاز داشتند به حافظه‌های یکسانی دسترسی داشته باشند، به اینجا بازگردید.

آیا برای حافظه گرافی mem0 به Neo4j نیاز دارم؟

خیر. اگر راهنمایی به شما می‌گوید که یک کانتینر Neo4j اضافه کنید، آن راهنما قدیمی‌تر از کد فعلی است.

حافظه گرافی در mem0 قبلاً به معنای استفاده از یک دیتابیس گرافی خارجی بود که تحت کلید graph_store و با تنظیم enable_graph روی true پیکربندی می‌شد. الگوریتم حافظه جدید که در آوریل 2026 عرضه شد، هر دو کلید را از SDK متن‌باز حذف کرده است. استخراج موجودیت‌ها (Entity extraction) اکنون در مسیر عادی add اجرا می‌شود و موجودیت‌ها در یک collection دوم از نوع pgvector نوشته می‌شوند که نام آن از نام collection اصلی شما گرفته شده و _entities به انتهای آن اضافه می‌شود. هیچ مرحله راه‌اندازی وجود ندارد: آن collection در اولین استفاده ایجاد می‌شود، بنابراین قابلیت پیوند موجودیت‌ها (entity linking) از همان فراخوانی add بعدی شروع به کار می‌کند.

حذف graph store باعث صرفه‌جویی در یک کانتینر JVM، حافظه heap آن و چند صد مگابایت حجم image می‌شود. روی یک VPS با 2 GB رم، این تفاوت بین اجرای روان و درگیر شدن swap است.

آنچه در این تغییر از دست می‌دهید به صراحت بیان می‌شود: نتایج جستجو قبلاً دارای فیلد relations بودند که یال‌های بین موجودیت‌ها را فهرست می‌کرد. آن فیلد حذف شده است. تطبیق موجودیت‌ها اکنون جایگاه یک حافظه را در امتیاز ترکیبی (combined score) ارتقا می‌دهد و دیگر ساختاری وجود ندارد که بتوانید در آن پیمایش کنید. اگر اپلیکیشن شما آن روابط را پیمایش می‌کرد، mem0 دیگر آن‌ها را نگهداری نمی‌کند و شما باید یک دیتابیس گرافی مستقل از mem0 داشته باشید که توسط کد خودتان تغذیه شود.

فایل compose موجود در مخزن، یک فایل compose برای محیط توسعه است

server/docker-compose.yaml متغیر name: mem0-dev را تعریف می‌کند و این موضوع اهمیت دارد. پیش از اجرا، آن را مطالعه کنید، زیرا 5 مورد در آن برای یک سرور اشتباه است.

  • این فایل از server/dev.Dockerfile بیلد می‌گیرد و دایرکتوری checkout شما را با .:/app روی ایمیج mount می‌کند؛ بنابراین کانتینر به جای آنچه بیلد کرده‌اید، هر فایلی که در آن دایرکتوری باشد را اجرا می‌کند.
  • دستور آن 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 است. این دستور در هر بار شروع، mem0ai را از PyPI دوباره نصب می‌کند؛ بنابراین نسخه‌ای که سرور شما اجرا می‌کند ممکن است در ری‌استارتی که فکر نمی‌کردید یک ارتقا باشد، تغییر کند.
  • همان مرحله pip به این معنی است که اگر شبکه خروجی در دسترس نباشد، ری‌استارت پیش از اجرای uvicorn با شکست مواجه می‌شود. در نتیجه سرور حافظه شما به دلیل عدم دسترسی به PyPI از دسترس خارج می‌شود.
  • --reload قابلیت file watcher مربوط به uvicorn را فعال می‌کند. این قابلیت برای ری‌استارت کردن پروسه هنگام ویرایش کد وجود دارد و در محیط عملیاتی (production) بدون هیچ فایده‌ای، حافظه مصرف کرده و یک پروسه اضافی ایجاد می‌کند. فایل Dockerfile در محیط عملیاتی نیز شامل --reload در بخش CMD خود است، بنابراین در هر صورت دستور را override می‌کنید.
  • پورت‌های منتشر شده (published) عبارتند از "8888:8000"، "8432:5432" و "3000:3000". پورت منتشر شده‌ای که آدرسی برای آن تعیین نشده باشد، روی 0.0.0.0 متصل (bind) می‌شود؛ بنابراین به محض شروع استک، Postgres از طریق پورت 8432 به اینترنت عمومی پاسخ می‌دهد.

مورد آخر نیازمند هشدار جداگانه‌ای است. Docker با نوشتن قوانین اختصاصی خود پیش از زنجیره‌ای که ufw مدیریت می‌کند، پورت را منتشر می‌کند؛ بنابراین ufw deny 8432 نمی‌تواند پورت کانتینر منتشر شده را ببندد. مقاله انتشار پورت‌های Docker بدون در نظر گرفتن ufw قوانین درگیر در این موضوع را بررسی می‌کند.

فایل compose برای یک سرور واقعی

درون server/ کار کنید، init-db.sh را در جای خود نگه دارید و docker-compose.yaml را با این جایگزین کنید.

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

در اینجا پنج تغییر اهمیت دارند و هر کدام دلیل خاص خود را دارند.

هر ورودی ports با 127.0.0.1 شروع می‌شود، بنابراین هسته سیستم فقط اتصالات را از داخل همان ماشین می‌پذیرد. تمام ترافیک از خارج از طریق reverse proxy وارد می‌شود که تنها بخشی است که گواهی TLS را نگهداری می‌کند.

سرویس Postgres هیچ بلوک ports ندارد. کانتینر mem0 از طریق mem0_network و با استفاده از نام سرویس به آن متصل می‌شود، بنابراین انتشار پورت 8432 هیچ سودی ندارد و فقط یک پورت باز اضافه ایجاد می‌کند. زمانی که به shell نیاز دارید از docker compose exec postgres psql -U postgres استفاده کنید.

تاریخچه از bind mount در ./history به یک named volume منتقل می‌شود. یک bind mount داده‌ها را به یک مسیر و یک uid خاص روی میزبان گره می‌زند، در حالی که یک named volume شیئی است که Docker می‌تواند از آن snapshot بگیرد و جابه‌جا کند. لینک تفاوت Named volumes و bind mounts توضیح می‌دهد که هر کدام در چه زمانی مناسب هستند.

دستور، --reload را حذف کرده و alembic upgrade head را حفظ می‌کند. این مرحله migration را نگه دارید. بدون آن، برنامه با پایگاه داده‌ای بدون جدول بالا می‌آید و هر درخواست در اولین پرس‌وجو (query) با خطا مواجه می‌شود.

NEXT_PUBLIC_API_URL همان URL است که مرورگر شما فراخوانی می‌کند، بنابراین باید آدرس عمومی HTTPS باشد و نه http://mem0:8000. فریم‌ورک Next.js مقادیر NEXT_PUBLIC_ را در زمان build در کد جای‌گذاری می‌کند، اما image این داشبورد یک placeholder را در خود جای داده است و entrypoint آن، مقدار واقعی را هنگام شروع کانتینر جایگزین می‌کند. بنابراین تغییر آن نیازمند docker compose up -d mem0-dashboard است که کانتینر را دوباره می‌سازد و نه rebuild. دستور docker compose restart mem0-dashboard کانتینر قدیمی را دوباره استفاده می‌کند که فایل‌هایش هنوز مقدار قدیمی را دارند و داشبورد همچنان به میزبان اشتباه متصل می‌شود.

اسرار در فایل .env قرار می‌گیرند و .env نباید در دسترس اینترنت باشد

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

مقادیر POSTGRES_PASSWORD، JWT_SECRET و ADMIN_API_KEY را تنظیم کنید. AUTH_DISABLED=false را به حال خود رها کنید. نام این پرچم به‌خوبی عملکرد آن را نشان می‌دهد: با فعال بودن آن، سرور تمام حافظه در دسترس خود را به هر کسی که به پورت متصل شود، ارائه می‌دهد. اگر نمی‌خواهید رویداد onboarding به سمت upstream ارسال شود، MEM0_TELEMETRY=false را تنظیم کنید.

مقدار ADMIN_API_KEY با هدر X-API-Key و با استفاده از secrets.compare_digest مقایسه می‌شود؛ در صورت تطابق، جستجوی کلید در پایگاه داده به‌طور کامل نادیده گرفته شده و درخواست با دسترسی اولین کاربری که روی سرور ایجاد شده است، اجرا می‌شود. این یک اعتبارنامه ریشه (root) برای کل API است. با آن مانند یک اعتبارنامه ریشه رفتار کنید: آن را در تاریخچه shell ذخیره نکنید، در git قرار ندهید و در هیچ پرامپت هوش مصنوعی paste نکنید. نحوه ترکیب فایل‌های env و محل نشت اسرار از آن‌ها و دور نگه داشتن کلیدهای API از context یک عامل (agent) هر دو مستقیماً در اینجا صدق می‌کنند، زیرا فراخوانندگان این سرور، عامل‌ها (agents) هستند.

مقادیر بارگذاری شده از env_file در محیط container قرار می‌گیرند و docker inspect آن‌ها را به‌طور کامل چاپ می‌کند. هر کسی در گروه docker می‌تواند آن‌ها را بخواند و هر کسی در گروه docker عملاً در میزبان (host) دسترسی ریشه (root) دارد.

قرار دادن TLS در مقابل API به‌جای باز کردن پورت 8888

سرویس API روی 127.0.0.1:8888 و داشبورد روی 127.0.0.1:3000 پاسخ می‌دهند. Nginx عملیات TLS (امنیت لایه انتقال) را روی پورت 443 خاتمه داده و درخواست‌ها را به هر دو سرویس هدایت می‌کند.

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;
    }
}

کد مرورگر داشبورد، تمام مسیرهای API را با الگوی موجود در NEXT_PUBLIC_API_URL فراخوانی می‌کند، که شامل /entities و /requests نیز می‌شود. اگر یکی از این مسیرها را جا بیندازید، Nginx آن فراخوانی را به Next.js می‌فرستد و در نتیجه، صفحه داشبورد که به آن داده نیاز دارد، به‌جای دریافت اطلاعات، با خطای 404 مواجه می‌شود.

تنظیم proxy_read_timeout اهمیت بیشتری از آنچه به نظر می‌رسد دارد. یک فراخوانی افزودن (add call) تا زمانی که مدل زبانی، گفتگو را خوانده و حقایق را استخراج کند، مسدود می‌ماند. یک مدل 8B محلی روی CPU معمولاً بیش از زمان پیش‌فرض 60 ثانیه‌ای Nginx طول می‌کشد و در این حالت، فراخواننده با خطای 504 Gateway Time-out مواجه می‌شود، در حالی که مدل همچنان در حال پردازش است و حافظه همچنان نوشته می‌شود. در نهایت، با حافظه‌ای مواجه می‌شوید که به شما گفته شده ثبت آن با شکست مواجه شده است.

باقی پورت‌ها را با سیاست پیش‌فرض deny در ufw ببندید و فقط پورت‌های 22، 80 و 443 را باز بگذارید. گواهی را با استفاده از certbot روی Ubuntu 24.04 پشت Nginx صادر کنید. پورت 80 باید باز بماند، زیرا آن گردش‌کار از چالش HTTP-01 استفاده می‌کند که Let's Encrypt آن را فقط روی پورت 80، هم در زمان صدور و هم در هر بار تمدید، اجرا می‌کند. بسته نگه داشتن پورت 80 به معنای تغییر روش به چالش DNS-01 است. اگر سرور در حال حاضر برنامه‌های دیگری را با مسیریابی Traefik برای چندین برنامه Compose میزبانی می‌کند، به‌جای نصب یک پروکسی دوم، mem0 را به همان مسیریاب اضافه کنید.

تست سلامت: افزودن یک حافظه و خواندن مجدد آن

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"}'

پاسخ سالم، یک شیء JSON شامل لیستی از results است که هر ورودی آن دارای یک id، متن استخراج‌شده memory و "event": "ADD" می‌باشد. الگوریتم فعلی فقط رویدادهای ADD را بازمی‌گرداند. رویدادهای UPDATE و DELETE حذف شده‌اند، بنابراین عدم حضور آن‌ها یک باگ محسوب نمی‌شود.

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}'

واقعیت مربوط به Postgres 17 باید همراه با یک امتیاز (score) بازگردانده شود. شناسه را مطابق نمایش داده شده، درون filters ارسال کنید. استفاده از یک user_id در سطح بالا همچنان کار می‌کند و سرور هر بار که از آن استفاده کنید، Top-level user_id in /search is deprecated. Use filters={...} instead. را در لاگ ثبت می‌کند.

پس از پایان کار، داده‌های خود را پاکسازی کنید تا داده‌های تست، جستجوهای واقعی را آلوده نکنند:

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

اگر جستجو ردیف‌های کمتری نسبت به انتظار شما بازگرداند، پیش از آنکه بازیابی (retrieval) را مقصر بدانید، مقادیر پیش‌فرض را بررسی کنید. در نسخه فعلی، top_k به‌طور پیش‌فرض روی 20 تنظیم شده است (که از 100 کاهش یافته) و threshold به‌جای مقدار none، به‌طور پیش‌فرض روی 0.1 تنظیم شده است؛ بنابراین تطابق‌های ضعیف اکنون برای شما فیلتر می‌شوند. هنگامی که این عملیات از طریق curl به‌درستی کار کرد، همین endpointها همان‌هایی هستند که باید به یک agent متصل کنید، چه به‌صورت مستقیم و چه از طریق یک MCP server که روی همان VPS اجرا می‌شود.

اجرای mem0 بدون هیچ‌گونه کلید OpenAI

با مانع اصلی شروع کنید، زیرا در همان 5 دقیقه اول با آن مواجه خواهید شد. ایمیج سرور مجموعه‌ای ثابت از کتابخانه‌های ارائه‌دهنده را در خود دارد و /configure هر چیزی خارج از آن‌ها را رد می‌کند:

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.

نیازی به بازسازی (rebuild) هیچ‌چیزی نیست. Ollama یک API سازگار با OpenAI را در /v1 ارائه می‌دهد که /v1/chat/completions و /v1/embeddings را پوشش می‌دهد و ارائه‌دهنده openai در mem0 یک openai_base_url را می‌پذیرد. آن کلید را به سمت Ollama بگیرید تا بررسی بسته‌بندی‌شده (bundled check) با موفقیت انجام شود، زیرا ارائه‌دهنده در واقع همان openai است. فقط آدرس تغییر می‌کند.

Ollama را به همان پروژه Compose اضافه کنید:

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

ollama_models: را زیر کلید سطح بالای volumes: اضافه کنید، سپس یک مدل چت و یک مدل embedding را pull کنید:

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

اگر Ollama قبلاً روی میزبان به عنوان یک واحد systemd اجرا می‌شود، همان‌طور که در اجرای مستقیم Ollama روی یک VPS آمده است، کانتینر را به سمت 127.0.0.1:11434 هدایت نکنید. در داخل کانتینر mem0، 127.0.0.1 همان کانتینر mem0 است. به سرویس mem0 مقدار extra_hosts: ["host.docker.internal:host-gateway"] بدهید، Environment="OLLAMA_HOST=0.0.0.0:11434" را در یک فایل drop-in برای systemd تنظیم کنید تا Ollama روی آدرسی گوش دهد که bridge بتواند به آن دسترسی داشته باشد، و پورت 11434 را در فایروال بسته نگه دارید.

پیش از پیکربندی هر چیزی، ابعاد embedding مدل را از آن بپرسید

این یک مرحله تعیین می‌کند که آیا بازیابی (retrieval) اصلاً کار می‌کند یا خیر.

فروشگاه pgvector در mem0 جدول خود را با عرض بردار ثابت vector vector(1536) ایجاد می‌کند، زیرا embedding_model_dims به‌طور پیش‌فرض روی 1536 تنظیم شده است که عرض مدل text-embedding-3-small شرکت OpenAI است. nomic-embed-text مقدار 768 را برمی‌گرداند. هیچ‌چیزی در mem0 این دو عدد را با هم مقایسه نمی‌کند، بنابراین ناسازگاری در اولین درج (insert) از سمت Postgres نمایان می‌شود:

expected 1536 dimensions, not 768

به عدد موجود در این پاراگراف هم اعتماد نکنید. از مدل بپرسید:

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']))"

این دستور عرضی که مجموعه (collection) شما باید استفاده کند را چاپ می‌کند. پیکربندی را در یک فایل بنویسید، زیرا چسباندن رمز عبور Postgres از طریق shell quoting باعث ایجاد خطاهای تایپی در محیط عملیاتی (production) می‌شود.

{
  "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"

فراخوانی دوم پیکربندی را دوباره می‌خواند که بررسی می‌کند آیا عملیات نوشتن با موفقیت انجام شده است یا خیر. سپس تست سلامت (smoke test) بالا را تکرار کنید.

چهار جزئیات در آن JSON بدیهی نیستند و اگر هر کدام را اشتباه انجام دهید، چیزی خراب می‌شود.

api_key همان رشته ollama است و Ollama مقدار آن را نادیده می‌گیرد. این مقدار نمی‌تواند خالی باشد، زیرا کتابخانه کلاینت OpenAI وقتی هیچ کلیدی تنظیم نشده باشد، پیش از خروج هر درخواستی از پردازش، خطا می‌دهد. هر رشته غیرخالی کار می‌کند.

embedding_model_dims روی vector store قرار می‌گیرد و عمداً هیچ embedding_dims روی embedder وجود ندارد. mem0 پارامتر dimensions مربوط به OpenAI را فقط زمانی ارسال می‌کند که شما embedding_dims را تنظیم کرده باشید، و backendهایی که Matryoshka truncation را پیاده‌سازی نمی‌کنند، آن پارامتر را مستقیماً رد می‌کنند. عرض را در جایی که جدول ایجاد می‌شود تنظیم کنید و embedder را به حال خود بگذارید.

collection_name جدید است. mem0 جدول خود را با CREATE TABLE IF NOT EXISTS ایجاد می‌کند، بنابراین اشاره کردن به یک عرض متفاوت برای یک مجموعه موجود هیچ کاری انجام نمی‌دهد: ستون قدیمی vector(1536) باقی می‌ماند و هر درج (insert) با شکست مواجه می‌شود. تغییر عرض نیاز به یک نام مجموعه جدید دارد یا باید جدول قدیمی را به‌صورت دستی حذف (drop) کنید.

میزبان در openai_base_url همان نام سرویس Compose یعنی ollama است، نه localhost. کانتینرها یکدیگر را با نام سرویس در شبکه مشترکشان پیدا می‌کنند.

هزینه مسیر کاملاً محلی چیست

در مورد کیفیت با خودتان صادق باشید. امتیازات بنچمارک اصلی mem0 از پلتفرم مدیریت‌شده آن می‌آید که طبق فایل README شامل بهینه‌سازی‌های اختصاصی است که در SDK متن‌باز موجود نیست و روی پشته مدلی اجرا می‌شود که نام آن را ذکر نمی‌کند. مقاله پژوهشی پشت نتایج اصلی LOCOMO، تمام فراخوانی‌های مدل را روی GPT-4o-mini که یک مدل میزبانی‌شده است، اجرا کرد. در هر صورت، با آن امتیازات به عنوان یک سقف برخورد کنید، نه پیش‌بینی برای یک مدل 8B روی VPS خودتان. یک مدل کوچک، حقایق مبهم‌تری می‌نویسد و گاهی اوقات به‌جای JSON درخواست‌شده، متن عادی برمی‌گرداند که به صورت یک فراخوانی add که یک لیست results خالی بدون خطا برمی‌گرداند، ظاهر می‌شود.

سرعت هزینه دیگر است. استخراج فقط با CPU برای هر فراخوانی add چند ثانیه زمان می‌برد و هر پیامی که ذخیره می‌کنید این هزینه را می‌پردازد. مدلی که بیش از حدِ JSON درخواست‌شده پرگویی می‌کند، این وضعیت را بدتر می‌کند، بنابراین محدود کردن پاسخ با num_predict سقفی برای مدت زمان اجرای هر فراخوانی add تعیین می‌کند. اگر آن تأخیر (latency) اهمیت دارد، یک VPS با GPU متصل راه حل صادقانه است. اضافه کردن هسته‌های CPU بیشتر به یک مدل 8B بسیار کمتر از حد انتظار کمک می‌کند. تغییر مدل اهرم ارزان‌تری نسبت به تغییر ماشین است و Nemotron 3.5 Lightning روی یک VPS تگ لازم برای pull کردن، میزان RAM مورد نیاز و اینکه آیا اجرای فقط با CPU برای تحمل کردن سریع است یا خیر را به شما می‌دهد.

یک قانون فارغ از انتخاب شما پابرجاست: هرگز مدل‌های embedding را در یک مجموعه با هم ترکیب نکنید. دو مدل متفاوت که اتفاقاً عرض یکسانی دارند، بردارهایی تولید می‌کنند که قابل مقایسه نیستند. درج با موفقیت انجام می‌شود، جستجو ردیف‌ها را برمی‌گرداند، اما ردیف‌ها اشتباه هستند و هیچ‌جایی هم خطایی گزارش نمی‌شود.

پشتیبان‌گیری: دو پایگاه‌داده وجود دارد، نه یکی

رایج‌ترین اشتباه در پشتیبان‌گیری از mem0، dump گرفتن از فقط یک database است. init-db.sh، در کنار database پیش‌فرض postgres، mem0_app را ایجاد می‌کند و این دو داده‌های متفاوتی را نگه می‌دارند. database مربوط به postgres، مجموعه‌های pgvector را نگه می‌دارد که همان memoryها هستند. mem0_app نیز کاربران، sessionها، API keyها و logهای درخواست را نگه می‌دارد. هر app مبتنی بر self-hosting، state خود را به روش متفاوتی تفکیک می‌کند؛ به همین دلیل دو photo server که یک کار را انجام می‌دهند همچنان به commandهای متفاوتی برای backup نیاز دارند. بنابراین، پیش از آن‌که به یک dump اعتماد کنید، بررسی کنید app شما چه داده‌هایی را ذخیره می‌کند. در انتهای دیگر این طیف، نمونه‌ای مانند یک library در Jellyfin که مانند یک video store در دهه 90 بازسازی شده است قرار دارد؛ این سرویس کل catalogue خود را از service دیگری می‌خواند و در نتیجه معمولاً فقط به کپی‌کردن configuration خودش نیاز دارد. در مقابل، mem0 به backup هر دو database نیاز دارد؛ در غیر این صورت restore قابل استفاده نخواهد بود.

اگر فقط postgres را بازیابی کنید، حافظه‌ها بازمی‌گردند اما تمام حساب‌های کاربری و کلیدهای API از بین می‌روند؛ در نتیجه هیچ‌چیز نمی‌تواند برای خواندن آن‌ها احراز هویت شود. از هر دو، به علاوه نقش‌ها (roles)، در یک دستور دامپ بگیرید:

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

Volume تاریخچه (history) از Postgres جدا است و نیاز به کپی مخصوص خود دارد:

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

Docker نام volumeها را با نام پروژه پیشوندگذاری می‌کند، بنابراین پیش از فرض کردن mem0_mem0_history، نام دقیق خود را با docker volume ls تایید کنید.

پشتیبان را در یک container موقت بازیابی کنید و پیش از اطمینان از صحت آن، تعداد ردیف‌ها را بررسی کنید:

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

پشتیبانی که هرگز بازیابی نکرده‌اید، صرفاً یک حدس است. هنگامی که دامپ‌ها صحیح بودند، آن‌ها را با استفاده از اسنپ‌شات‌های restic به فضای ذخیره‌سازی خارج از سایت از سرور خارج کنید؛ زیرا پشتیبانی که روی همان سرورِ تحت حفاظت باقی می‌ماند، عملاً از چیزی محافظت نمی‌کند.

حالت‌های شکست و رشته‌های دقیقی که مشاهده خواهید کرد

{"detail":"Authentication required. Provide a Bearer token or X-API-Key header."} به این معنی است که هدر وجود ندارد یا غلط املایی دارد. نام آن X-API-Key است و curl نام هدرها را دقیقاً همان‌طور که هستند ارسال می‌کند.

{"detail":"At least one identifier (user_id, agent_id, run_id) is required."} در هنگام افزودن (add) به این معنی است که درخواست هیچ‌کدام از آن‌ها را نداشته است. حافظه باید به چیزی محدود (scope) شود، زیرا فیلترهای جستجو دقیقاً روی همان فیلدها عمل می‌کنند.

LLM provider 'ollama' is not bundled in this image همراه با HTTP 400 به این معنی است که شما "provider": "ollama" را ارسال کرده‌اید. از "provider": "openai" با openai_base_url که به سمت Ollama اشاره دارد، استفاده کنید.

expected 1536 dimensions, not 768 از سمت Postgres به این معنی است که مجموعه (collection) با یک عرض (width) خاص ایجاد شده، اما مدل تعبیه‌ساز (embedder) عرض دیگری را برمی‌گرداند. مقدار embedding_model_dims را در vector store تنظیم کنید و از یک collection_name جدید استفاده کنید.

جستجو ردیف‌هایی را برمی‌گرداند که بی‌معنی هستند؛ این اتفاق پس از تغییر مدل رخ می‌دهد و هیچ خطایی هم گزارش نمی‌شود. عرض (width) همچنان مطابقت دارد، بنابراین دیتابیس مشکلی ندارد، اما دو مدل مختلف، یک جملهٔ مشابه را در موقعیت‌های متفاوتی قرار می‌دهند. یک مجموعه جدید بسازید و داده‌ها را دوباره اضافه کنید.

Connection refused در لاگ‌های mem0 هنگام برقراری ارتباط با Ollama معمولاً به معنی 127.0.0.1 در openai_base_url است. در داخل کانتینر، آن آدرس به خود کانتینر اشاره دارد. از نام سرویس (service name) یا host gateway زمانی که Ollama روی میزبان (host) اجرا می‌شود، استفاده کنید.

504 Gateway Time-out از سمت nginx در هنگام افزودن به این معنی است که مدل بیش از proxy_read_timeout زمان برده است. آن را افزایش دهید و پیش از تلاش مجدد برای ارسال درخواست، بررسی کنید که آیا حافظه (memory) با این وجود نوشته شده است یا خیر.

exit code 137 در طول docker compose up --build به این معنی است که یک پردازش با SIGKILL کشته شده است، زیرا یک سیگنال مهلک N به صورت 128 + N گزارش می‌شود و SIGKILL سیگنال 9 است. در حالی که داشبورد روی یک VPS کوچک ساخته می‌شود، محتمل‌ترین عامل، قاتل خارج از حافظه (OOM killer) است؛ بنابراین پیش از هر اقدامی، بررسی dmesg را از بخش اول اجرا کنید. اگر این بررسی یک پردازش کشته‌شده را نشان داد، swap اضافه کنید یا image را روی یک ماشین بزرگ‌تر بسازید و آن را به یک registry ارسال کنید.

error: port 3000 is already in use از هدف make up در مخزن (repo) ناشی می‌شود که وقتی پورت‌های 3000 یا 8888 اشغال باشند، از شروع کار خودداری می‌کند. مالک پردازش را با lsof -iTCP:3000 -sTCP:LISTEN پیدا کنید.

FAQ

آیا برای اجرای mem0 با حافظه گراف (graph memory) همچنان به Neo4j نیاز دارم؟

خیر. الگوریتم جدید حافظه که در آوریل 2026 عرضه شد، کلیدهای پیکربندی graph_store و enable_graph را از SDK متن‌باز حذف کرده است. استخراج موجودیت‌ها (Entity extraction) اکنون در حین یک عملیات افزودن عادی انجام می‌شود و در یک collection دوم در pgvector به نام <collection_name>_entities نوشته می‌شود؛ بنابراین دیگر نیازی به دیتابیس گراف خارجی، کانتینر اضافی یا مرحله راه‌اندازی نیست. در عوض، فیلد relations در نتایج جستجو دیگر وجود ندارد. موجودیت‌ها اکنون به‌جای ارائه یال‌هایی برای پیمایش، رتبه حافظه را افزایش می‌دهند؛ بنابراین برنامه‌ای که از آن روابط استفاده می‌کرد، اکنون به یک ذخیره‌ساز گراف مستقل در خارج از mem0 نیاز دارد.

کوچک‌ترین VPS برای اجرای یک سرور mem0 خودمیزبان (self-hosted) چقدر است؟

اگر مدل زبانی در جای دیگری میزبانی شود، 2 گیگابایت رم و حدود 4 گیگابایت فضای دیسک خالی برای کانتینر API، Postgres و داشبورد کافی است. لحظه حساس، اولین build است، زیرا کامپایل کردن داشبورد Next.js حافظه بیشتری نسبت به اجرای آن مصرف می‌کند و در یک سرور 1 گیگابایتی، فرآیند build با خطای exit code 137 متوقف می‌شود. اگر Ollama روی همان سرور اجرا می‌شود، باید فضای مدل را هم در نظر بگیرید: یک مدل 8B با کوانتیزاسیون 4-bit به‌تنهایی حدود 6 گیگابایت رم نیاز دارد، بنابراین برای 8 گیگابایت برنامه‌ریزی کنید.

آیا می‌توانم mem0 را بدون کلید API OpenAI اجرا کنم؟

بله، از طریق endpoint سازگار با OpenAI در Ollama. تنظیم "provider": "ollama" با شکست مواجه می‌شود، زیرا ایمیج سرور فقط کتابخانه‌های openai، anthropic و gemini را شامل می‌شود و خطای HTTP 400 برمی‌گرداند. در عوض، "provider": "openai" را حفظ کنید و "openai_base_url": "http://ollama:11434/v1" را با یک مقدار غیرخالی در api_key برای هر دو بخش llm و embedder تنظیم کنید. Ollama این کلید را نادیده می‌گیرد و بررسی ارائه‌دهنده (provider) در بسته نرم‌افزاری با موفقیت انجام می‌شود، زیرا ارائه‌دهنده در واقع همان openai است.

چرا mem0 پس از تغییر به یک مدل embedding محلی، هیچ نتیجه‌ای برنمی‌گرداند؟

زیرا جدول pgvector با عرض ثابت ایجاد شده است. مقدار پیش‌فرض embedding_model_dims برابر با 1536 است، در حالی که nomic-embed-text مقدار 768 را برمی‌گرداند و Postgres عملیات درج را با خطای expected 1536 dimensions, not 768 رد می‌کند. mem0 جدول را با CREATE TABLE IF NOT EXISTS ایجاد می‌کند، بنابراین تغییر دادن عدد به‌تنهایی تأثیری بر collection موجود ندارد. مقدار embedding_model_dims را روی عرض واقعی مدل خود تنظیم کنید، آن عرض را با فراخوانی /v1/embeddings و شمارش مقادیر بازگشتی تأیید کنید و همزمان یک collection_name جدید به ذخیره‌ساز برداری (vector store) اختصاص دهید.

آیا این مقاله مفید بود؟