Self-Host mem0 di VPS: RAM, Compose, TLS, Ollama
Pelajari kebutuhan nyata self-hosting mem0: sekitar 1 GB RAM untuk tiga container, minimal 8 GB dengan Ollama, Compose localhost, dan TLS.
Biaya sebenarnya menjalankan mem0 secara self-hosting pada VPS dalam hal RAM
Self-hosting mem0 berarti menjalankan tiga container: server memori FastAPI, Postgres dengan ekstensi pgvector, dan dashboard Next.js. mem0 adalah lapisan memori untuk agent. Anda mengirimkan percakapan ke mem0, model bahasa mengambil fakta yang bertahan lama dari percakapan tersebut, lalu fakta itu disimpan sebagai vektor agar kueri berikutnya dapat mengambil fakta yang relevan.
Perkiraan kebutuhan dalam tulisan ini pada 2026-10-25 adalah sekitar 1 GB memori untuk ketiga container dan 3 hingga 4 GB disk setelah image selesai dibuat. Rekomendasinya adalah VPS 2 GB jika model bahasa dijalankan di tempat lain. Untuk model 8B yang dikuantisasi menjadi 4 bit dan dijalankan pada server yang sama melalui Ollama, perkiraannya sekitar 6 GB hanya untuk model dan 8 GB untuk build yang sepenuhnya lokal.
Jangan menerima angka tersebut begitu saja dari tulisan blog, termasuk tulisan ini. Ukur stack yang benar-benar Anda buat.
docker compose ps
docker stats --no-stream
docker system df -vdocker stats mencetak penggunaan memori setiap container dengan mengurangi penggunaan cache pada Linux. docker system df -v mencetak kapasitas disk yang digunakan setiap image dan setiap volume.
Kondisi operasi normal bukan penggunaan puncak. docker compose up -d --build mengompilasi dashboard Next.js, dan proses build Node tersebut menggunakan memori paling banyak selama seluruh instalasi. Jika build berakhir dengan exit code 137, periksa apakah prosesnya dihentikan karena kehabisan memori. Pastikan penyebabnya sebelum Anda mencari bug Docker:
dmesg -T | grep -i "killed process"Jika server terasa terlalu kompleks untuk kebutuhan Anda, tersedia opsi yang lebih kecil. penyimpanan memori agent lokal tanpa server sama sekali dan memori yang berjalan di dalam Claude Code itu sendiri sama-sama tidak memerlukan database. Kembali ke sini jika beberapa agent atau beberapa mesin perlu membaca memori yang sama.
Apakah saya memerlukan Neo4j untuk memori graf mem0?
Tidak. Jika sebuah panduan meminta Anda menambahkan container Neo4j, berarti panduan tersebut lebih lama daripada kode yang digunakan saat ini.
Dahulu, memori graf di mem0 berarti database graf eksternal yang dikonfigurasi di bawah kunci graph_store dengan enable_graph disetel ke true. Algoritme memori baru, yang dirilis pada April 2026, menghapus kedua kunci tersebut dari SDK open source. Ekstraksi entitas kini berjalan di dalam alur add biasa, dan entitas ditulis ke koleksi pgvector kedua yang namanya sama dengan koleksi utama dan ditambahi _entities. Tidak ada langkah penyiapan. Koleksi tersebut dibuat saat pertama kali digunakan, sehingga entity linking bawaan mulai berfungsi pada pemanggilan add berikutnya.
Menghapus graph store menghemat satu container JVM, heap-nya, dan beberapa ratus megabyte image. Pada VPS 2 GB, penghematan ini menentukan apakah sistem tetap berjalan atau mulai menggunakan swap.
Berikut hal yang tidak lagi tersedia. Hasil pencarian dahulu memiliki field relations yang mencantumkan edge antare ntitas. Field tersebut sudah dihapus. Kecocokan entitas kini meningkatkan posisi suatu memori dalam skor gabungan, dan tidak ada struktur yang dapat Anda telusuri. Jika aplikasi Anda sebelumnya menelusuri relasi tersebut, mem0 tidak lagi menyimpannya. Anda harus menyimpan database graf sendiri di luar mem0 dan mengisinya melalui kode Anda sendiri.
File compose di repo adalah compose untuk pengembangan
server/docker-compose.yaml mendeklarasikan name: mem0-dev, dan konfigurasi itu benar-benar diterapkan. Baca file tersebut sebelum menjalankannya karena terdapat lima hal yang tidak tepat untuk server.
- File tersebut melakukan build dari
server/dev.Dockerfiledan me-mount checkout Anda ke image dengan.:/app. Akibatnya, container menjalankan apa pun yang berada di direktori tersebut, bukan hasil build yang Anda buat. - Perintahnya adalah
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. Perintah ini menginstal ulangmem0aidari PyPI setiap kali start. Akibatnya, versi yang dijalankan server dapat berubah saat restart yang tidak Anda anggap sebagai upgrade. - Langkah pip yang sama menyebabkan restart tanpa jaringan keluar gagal sebelum uvicorn sempat berjalan. Memory server Anda kemudian down karena PyPI tidak dapat dijangkau.
--reloadmengaktifkan file watcher milik uvicorn. Fitur ini digunakan untuk me-restart proses saat Anda mengedit kode. Dalam produksi, fitur ini hanya menggunakan memori dan satu proses tambahan tanpa manfaat. File productionDockerfilejuga memuat--reloaddalamCMD-nya, sehingga Anda tetap harus mengganti perintah tersebut.- Port yang dipublikasikan adalah
"8888:8000","8432:5432", dan"3000:3000". Port yang dipublikasikan tanpa alamat di depannya akan terikat ke0.0.0.0. Akibatnya, Postgres dapat diakses dari Internet publik melalui port 8432 segera setelah stack berjalan.
Poin terakhir ini memerlukan peringatan tersendiri. Docker memublikasikan port dengan menempatkan aturannya sendiri sebelum chain yang dikelola ufw. Karena itu, ufw deny 8432 tidak menutup port container yang dipublikasikan. Publikasi port Docker melewati ufw secara langsung menjelaskan aturan yang terlibat.
File Compose untuk server produksi
Bekerjalah di dalam server/, pertahankan init-db.sh di tempatnya, lalu ganti docker-compose.yaml dengan isi berikut.
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: bridgeAda lima perubahan penting, dan masing-masing memiliki alasan.
Setiap entri ports diawali dengan 127.0.0.1, sehingga kernel hanya menerima koneksi tersebut dari server itu sendiri. Semua koneksi dari luar masuk melalui reverse proxy, yaitu satu-satunya komponen yang menyimpan sertifikat.
Postgres sama sekali tidak memiliki blok ports. Container mem0 mengaksesnya melalui mem0_network berdasarkan nama service, sehingga memublikasikan port 8432 tidak memberi manfaat dan hanya membuka port. Gunakan docker compose exec postgres psql -U postgres jika Anda memerlukan shell.
Riwayat konfigurasi beralih dari bind mount ./history ke volume bernama. Bind mount mengikat data ke satu path dan satu uid pada host ini, sedangkan volume bernama merupakan objek yang dapat dibuat snapshot-nya dan dipindahkan oleh Docker. Volume bernama dibandingkan bind mount membahas kapan masing-masing pilihan tepat digunakan.
Perintah tersebut menghapus --reload dan mempertahankan alembic upgrade head. Pertahankan langkah migrasi ini. Tanpanya, aplikasi berjalan menggunakan database tanpa tabel, dan setiap request gagal pada query pertama.
NEXT_PUBLIC_API_URL adalah URL yang dipanggil browser Anda, sehingga harus berupa alamat HTTPS publik, bukan http://mem0:8000. Next.js menyisipkan nilai NEXT_PUBLIC_ pada waktu build, tetapi image dashboard ini justru menyertakan placeholder, lalu entrypoint menggantinya dengan nilai sebenarnya di dalam container saat container dimulai. Karena itu, perubahan tersebut memerlukan docker compose up -d mem0-dashboard, yang membuat ulang container, bukan rebuild. docker compose restart mem0-dashboard menggunakan kembali container lama, yang file-nya masih menyimpan nilai lama, sehingga dashboard tetap memanggil host yang salah.
Rahasia disimpan dalam .env, dan .env tidak boleh terekspos ke Internet
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 .envAtur POSTGRES_PASSWORD, JWT_SECRET, dan ADMIN_API_KEY. Biarkan AUTH_DISABLED=false. Namanya menjelaskan fungsi flag tersebut: jika diaktifkan, server menyerahkan seluruh isi memori yang dimilikinya kepada siapa pun yang dapat menjangkau port tersebut. Atur MEM0_TELEMETRY=false jika Anda tidak ingin mengirimkan event onboarding ke upstream.
ADMIN_API_KEY dibandingkan dengan header X-API-Key menggunakan secrets.compare_digest, dan kecocokan akan sepenuhnya melewati pencarian per-key di database. Endpoint memori menerima kredensial tersebut tanpa me-resolve user; endpoint yang memerlukan user akan menggunakan akun pertama sebagai fallback. Endpoint khusus admin juga menerima kredensial tersebut sebelum akun pertama dibuat. Ini adalah kredensial root untuk seluruh API. Perlakukan kredensial ini demikian: jangan menyimpannya dalam shell history, git, atau menempelkannya ke prompt. File env Compose dan tempat rahasia dapat bocor darinya dan menjauhkan API key dari context agent sama-sama relevan secara langsung, karena pemanggil server ini adalah agent.
Nilai yang dimuat dari env_file berada di environment container, dan docker inspect menampilkannya secara lengkap. Siapa pun dalam grup docker dapat membacanya, dan siapa pun dalam grup docker pada praktiknya memiliki akses root pada host.
Tempatkan TLS di depan API, bukan membuka port 8888
API merespons pada 127.0.0.1:8888, sedangkan dashboard berjalan pada 127.0.0.1:3000. nginx melakukan terminasi TLS (transport layer security) pada port 443 dan meneruskan koneksi ke keduanya.
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;
}
}Kode browser pada dashboard memanggil setiap path API dengan pola tersebut pada NEXT_PUBLIC_API_URL, termasuk /entities dan /requests. Jika salah satunya tidak disertakan, nginx meneruskan panggilan itu ke Next.js. Akibatnya, halaman dashboard yang membutuhkannya menerima 404, bukan data.
proxy_read_timeout lebih penting daripada yang terlihat. Panggilan add akan tertahan saat language model membaca percakapan dan mengekstrak fakta. Model lokal 8B pada CPU secara rutin membutuhkan waktu lebih lama daripada batas default nginx, yaitu 60 detik. Pemanggil kemudian menerima 504 Gateway Time-out, meskipun model masih bekerja dan memori tetap ditulis. Akibatnya, Anda mendapatkan memori yang dilaporkan gagal.
Tutup port lainnya dengan kebijakan ufw default deny, dan biarkan port 22, 80, serta 443 tetap terbuka. Terbitkan sertifikat dengan certbot pada Ubuntu 24.04 di belakang nginx. Port 80 harus tetap dapat dijangkau karena alur kerja tersebut menggunakan tantangan HTTP-01. Let's Encrypt hanya menjalankan tantangan ini pada port 80, saat penerbitan dan setiap perpanjangan. Menutup port 80 berarti Anda harus beralih ke DNS-01, atau menggunakan TLS-ALPN-01 pada port 443 dengan ACME client yang kompatibel. Jika server tersebut sudah menjadi reverse proxy untuk aplikasi lain menggunakan Traefik untuk merutekan beberapa aplikasi Compose, tambahkan mem0 ke router tersebut, bukan memasang proxy kedua.
Uji asap: tambahkan satu memori dan baca kembali
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"}'Respons yang sehat adalah objek JSON dengan daftar results, dan setiap entri berisi id, teks memory yang diekstrak, serta "event": "ADD". Algoritme saat ini hanya mengembalikan event ADD. Event UPDATE dan DELETE telah dihapus, sehingga ketidakhadirannya bukan bug.
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}'Fakta tentang Postgres 17 seharusnya dikembalikan bersama skor. Teruskan pengidentifikasi di dalam filters, seperti ditunjukkan. user_id tingkat teratas tetap berfungsi, dan server mencatat Top-level user_id in /search is deprecated. Use filters={"user_id": "..."} instead. setiap kali Anda menggunakannya.
Bersihkan data setelah pengujian agar data uji tidak mencemari pencarian nyata:
curl -sS -X DELETE "http://127.0.0.1:8888/memories?user_id=smoke" \
-H "X-API-Key: $MEM0_KEY"Jika pencarian mengembalikan lebih sedikit baris daripada yang diharapkan, periksa nilai default sebelum menyalahkan proses retrieval. Pada rilis saat ini, top_k memiliki nilai default 20, turun dari 100, dan threshold memiliki nilai default 0.1, bukan none, sehingga hasil yang lemah otomatis difilter. Setelah ini berfungsi melalui curl, endpoint yang sama dapat dihubungkan ke agent, baik secara langsung maupun melalui server MCP yang berjalan pada VPS yang sama.
Menjalankan mem0 tanpa OpenAI key sama sekali
Mulai dari penghambatnya, karena masalah ini akan muncul dalam lima menit pertama. Image server menyediakan kumpulan library provider yang tetap, dan /configure menolak apa pun di luar kumpulan tersebut:
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.Anda tidak perlu melakukan build ulang. Ollama menyediakan API yang kompatibel dengan OpenAI pada /v1, termasuk /v1/chat/completions dan /v1/embeddings, dan provider openai milik mem0 menerima openai_base_url. Arahkan key tersebut ke Ollama agar pemeriksaan bawaan berhasil, karena provider tersebut memang openai. Hanya alamatnya yang berubah.
Tambahkan Ollama ke project Compose yang sama:
ollama:
image: ollama/ollama
restart: unless-stopped
networks: [mem0_network]
ports:
- "127.0.0.1:11434:11434"
volumes:
- ollama_models:/root/.ollamaTambahkan ollama_models: di bawah key tingkat teratas volumes:, lalu pull satu model chat dan satu model embedding:
docker compose up -d ollama
docker compose exec ollama ollama pull llama3.1:8b
docker compose exec ollama ollama pull nomic-embed-textJika Ollama sudah berjalan pada host sebagai unit systemd, seperti pada menjalankan Ollama langsung pada VPS, jangan arahkan container ke 127.0.0.1:11434. Di dalam container mem0, 127.0.0.1 adalah container mem0 itu sendiri. Berikan service mem0 extra_hosts: ["host.docker.internal:host-gateway"], atur Environment="OLLAMA_HOST=0.0.0.0:11434" dalam systemd drop-in agar Ollama mendengarkan pada alamat yang dapat dijangkau bridge, dan tetap tutup port 11434 pada firewall.
Tanyakan dimensi embedding model sebelum mengonfigurasi apa pun
Satu langkah ini menentukan apakah retrieval dapat berfungsi sama sekali.
Penyimpanan pgvector milik mem0 membuat tabel dengan lebar vektor tetap, vector vector(1536), karena embedding_model_dims secara default bernilai 1536, yaitu lebar text-embedding-3-small milik OpenAI. nomic-embed-text mengembalikan 768 nilai. Tidak ada bagian dalam mem0 yang membandingkan kedua angka tersebut, sehingga ketidaksesuaian muncul dari Postgres pada insert pertama:
expected 1536 dimensions, not 768Jangan memercayai angka dalam paragraf ini. Tanyakan langsung kepada model:
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']))"Perintah tersebut mencetak lebar yang harus digunakan collection Anda. Tulis konfigurasi ke dalam file, karena menempelkan password Postgres melalui shell quoting adalah cara typo masuk ke production.
{
"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"Pemanggilan kedua membaca kembali konfigurasi tersebut. Ini menjadi pemeriksaan bahwa penulisan berhasil. Setelah itu, ulangi smoke test di atas.
Ada empat detail dalam JSON tersebut yang tidak langsung terlihat. Kesalahan pada salah satunya akan menyebabkan masalah.
api_key adalah string ollama, dan Ollama mengabaikan nilainya. Nilai tersebut tidak boleh kosong, karena library OpenAI client akan menimbulkan error sebelum request apa pun meninggalkan proses jika key tidak ditetapkan. String apa pun yang tidak kosong dapat digunakan.
embedding_model_dims ditempatkan pada vector store, dan memang tidak ada embedding_dims pada embedder. mem0 hanya mengirim parameter OpenAI dimensions jika Anda menetapkan embedding_dims, sedangkan backend yang tidak menerapkan truncation Matryoshka akan langsung menolak parameter tersebut. Tetapkan lebar saat tabel dibuat, dan biarkan embedder tanpa pengaturan tersebut.
collection_name masih baru. mem0 membuat tabel dengan CREATE TABLE IF NOT EXISTS, sehingga mengarahkan lebar berbeda ke collection yang sudah ada tidak mengubah apa pun: kolom vector(1536) lama tetap ada, dan setiap insert gagal. Perubahan lebar memerlukan nama collection baru, atau Anda harus menghapus tabel lama secara manual.
Host dalam openai_base_url adalah nama service Compose ollama, bukan localhost. Container saling menemukan berdasarkan nama service pada network bersama.
Biaya jalur yang sepenuhnya lokal
Bersikaplah realistis terhadap kualitas. Skor benchmark utama mem0 berasal dari platform terkelolanya. README menyatakan bahwa platform tersebut mencakup optimasi proprietary yang tidak tersedia dalam SDK open source, dan dijalankan pada model stack yang tidak disebutkan. Research paper di balik hasil LOCOMO awal menjalankan setiap pemanggilan model pada GPT-4o-mini, yaitu model hosted. Apa pun kondisinya, anggap skor tersebut sebagai batas atas, bukan perkiraan untuk model 8B pada VPS Anda. Model kecil menulis fakta yang lebih samar dan terkadang mengembalikan prosa ketika JSON diminta. Hal ini terlihat ketika pemanggilan add mengembalikan list results kosong tanpa error.
Kecepatan adalah biaya lainnya. Ekstraksi yang hanya menggunakan CPU memerlukan beberapa detik untuk setiap pemanggilan add, dan setiap pesan yang Anda simpan menanggung biaya tersebut. Model yang terus menghasilkan teks melebihi JSON yang diminta akan memperburuk kondisi ini. Karena itu, membatasi balasan dengan num_predict menetapkan batas durasi setiap pemanggilan add. Jika latensi tersebut penting, VPS dengan GPU terpasang adalah solusi yang tepat. Menambahkan core CPU ke model 8B membantu jauh lebih sedikit daripada yang diperkirakan banyak orang. Mengganti model lebih murah daripada mengganti mesin, dan Nemotron 3.5 Lightning pada VPS memberi Anda tag yang harus di-pull, kebutuhan RAM-nya, serta informasi apakah penggunaan CPU saja cukup cepat untuk digunakan.
Apa pun pilihan Anda, satu aturan tetap berlaku: jangan pernah mencampur model embedding dalam satu collection. Dua model berbeda yang kebetulan memiliki lebar sama akan menghasilkan vektor yang tidak dapat dibandingkan. Insert berhasil, pencarian mengembalikan baris, dan baris tersebut salah, tanpa ada bagian yang melaporkan error.
Cadangan: ada dua database, bukan satu
Kesalahan pencadangan mem0 yang paling umum adalah mencadangkan satu database saja. init-db.sh membuat mem0_app di samping database default postgres, dan keduanya menyimpan data yang berbeda. Database postgres menyimpan collection pgvector, yaitu memory. mem0_app menyimpan pengguna, session, API key, dan log request. Setiap aplikasi self-hosted membagi state dengan caranya sendiri. Karena itu, dua server foto yang menjalankan fungsi yang sama tetap memerlukan perintah pencadangan yang berbeda. Baca data yang disimpan aplikasi sebelum mengandalkan hasil dump. Pada ujung lain dari rentang ini ada sesuatu seperti library Jellyfin yang dibangun ulang sebagai toko video era 90-an. Library tersebut membaca seluruh katalognya dari service lain, sehingga cukup menyalin konfigurasinya sendiri. Sebaliknya, mem0 memerlukan kedua database. Jika tidak, hasil restore tidak berguna.
Jika hanya postgres yang dipulihkan, memory akan kembali, tetapi semua akun dan API key hilang. Tidak ada yang dapat melakukan autentikasi untuk membacanya. Dump keduanya, beserta role, dalam satu perintah:
docker compose exec -T postgres pg_dumpall -U postgres --clean \
| gzip > "mem0-$(date +%F).sql.gz"Volume history terpisah dari Postgres dan memerlukan salinannya sendiri:
docker run --rm -v mem0_mem0_history:/data -v "$PWD:/backup" \
alpine tar czf /backup/mem0-history.tgz -C /data .Docker menambahkan nama project sebagai awalan pada nama volume. Karena itu, pastikan nama volume Anda dengan docker volume ls sebelum menganggap mem0_mem0_history sebagai nama yang benar.
Pulihkan ke container sementara, lalu periksa jumlah baris sebelum mempercayai hasilnya:
gunzip -c mem0-2026-08-03.sql.gz \
| docker compose exec -T postgres psql -U postgres -d postgresCadangan yang belum pernah dipulihkan hanyalah perkiraan. Setelah dump dipastikan benar, kirim ke luar server dengan snapshot restic ke penyimpanan off-site. Cadangan yang disimpan di server yang dilindunginya tidak melindungi apa pun.
Mode kegagalan dan string persis yang akan Anda lihat
{"detail":"Authentication required. Provide a Bearer token or X-API-Key header."} berarti header tidak ada atau salah eja. Namanya adalah X-API-Key, dan curl mengirim nama header secara literal.
{"detail":"At least one identifier (user_id, agent_id, run_id) is required."} saat menambahkan berarti request tidak menyertakan satu pun field tersebut. Memory harus dikaitkan dengan sesuatu karena filter pencarian hanya menggunakan field tersebut.
LLM provider 'ollama' is not bundled in this image dengan HTTP 400 berarti Anda mengirim "provider": "ollama". Gunakan "provider": "openai" dengan openai_base_url yang diarahkan ke Ollama.
expected 1536 dimensions, not 768 dari Postgres berarti collection dibuat dengan dimensi tertentu, tetapi embedder mengembalikan dimensi yang berbeda. Tetapkan embedding_model_dims pada vector store dan gunakan collection_name yang baru.
Pencarian mengembalikan baris yang tidak masuk akal setelah pergantian model, tanpa error apa pun. Dimensinya masih cocok sehingga database tidak bermasalah, tetapi dua model menempatkan kalimat yang sama pada posisi yang berbeda. Buat collection baru dan tambahkan data kembali.
Connection refused dalam log mem0 saat mengakses Ollama biasanya berarti 127.0.0.1 dalam openai_base_url. Di dalam container, alamat tersebut menunjuk ke container itu sendiri. Gunakan nama service, atau host gateway jika Ollama berjalan pada host.
504 Gateway Time-out dari nginx saat menambahkan berarti model memerlukan waktu lebih lama daripada proxy_read_timeout. Naikkan nilainya, lalu periksa apakah memory sudah ditulis sebelum Anda mencoba ulang request.
exit code 137 selama docker compose up --build berarti sebuah proses dihentikan dengan SIGKILL, karena sinyal fatal N dilaporkan sebagai 128 + N dan SIGKILL adalah signal 9. Saat dashboard dibuat pada VPS kecil, kemungkinan terbesar pengirimnya adalah out-of-memory killer. Karena itu, jalankan pemeriksaan dmesg dari bagian pertama sebelum mengambil tindakan. Jika pemeriksaan tersebut menunjukkan proses yang dihentikan, tambahkan swap, atau buat image pada mesin yang lebih besar lalu push image tersebut ke registry.
error: port 3000 is already in use berasal dari target make up di repo, yang menolak start jika port 3000 atau 8888 sedang digunakan. Cari proses yang memilikinya dengan lsof -iTCP:3000 -sTCP:LISTEN.
FAQ
Apakah saya masih memerlukan Neo4j untuk menjalankan mem0 dengan memori graf?
Tidak. Algoritma memori baru yang dirilis pada April 2026 menghapus kunci konfigurasi graph_store dan enable_graph dari SDK open source. Ekstraksi entitas kini berjalan selama operasi add biasa dan menulis ke koleksi pgvector kedua bernama <collection_name>_entities. Dengan demikian, tidak ada database graf eksternal, container tambahan, atau langkah penyiapan. Konsekuensinya, kolom relations tidak lagi tersedia pada hasil pencarian. Entitas kini meningkatkan peringkat memori, bukan menyediakan edge untuk ditelusuri. Jadi, aplikasi yang menelusuri hubungan tersebut memerlukan penyimpanan graf sendiri di luar mem0.
Apa VPS terkecil yang dapat menjalankan server mem0 yang di-host sendiri?
Perkiraan kapasitas pada 2026-10-25 adalah 2 GB RAM dan sekitar 4 GB ruang disk kosong untuk container API, Postgres, dan dashboard, dengan language model di-host di tempat lain. Kondisi paling berat terjadi saat build pertama karena kompilasi dashboard Next.js menggunakan lebih banyak memori daripada saat menjalankannya. Jika build berakhir dengan exit code 137, periksa apakah proses dihentikan karena kehabisan memori. Jika Ollama dijalankan pada server yang sama, perkiraan tersebut mengalokasikan sekitar 6 GB untuk model 8B dengan kuantisasi 4-bit dan 8 GB untuk seluruh stack. Ukur kebutuhan build dan model Anda sebelum menganggap perkiraan tersebut sebagai batas minimum.
Apakah saya dapat menjalankan mem0 tanpa API key OpenAI?
Ya, melalui endpoint yang kompatibel dengan OpenAI milik Ollama. Pengaturan "provider": "ollama" gagal karena image server hanya menyertakan library openai, anthropic, dan gemini, lalu mengembalikan HTTP 400. Sebagai gantinya, pertahankan "provider": "openai" dan atur "openai_base_url": "http://ollama:11434/v1" dengan nilai api_key yang tidak kosong, baik untuk llm maupun embedder. Ollama mengabaikan key tersebut, dan pemeriksaan provider yang disertakan berhasil karena provider yang digunakan memang openai.
Mengapa mem0 tidak mengembalikan hasil setelah saya beralih ke model embedding lokal?
Karena tabel pgvector dibuat dengan lebar tetap. embedding_model_dims memiliki nilai default 1536, sedangkan nomic-embed-text mengembalikan 768. Postgres kemudian menolak insert dengan expected 1536 dimensions, not 768. mem0 membuat tabel menggunakan CREATE TABLE IF NOT EXISTS, sehingga mengubah angkanya saja tidak berpengaruh pada koleksi yang sudah ada. Atur embedding_model_dims ke lebar sebenarnya dari model Anda, konfirmasikan lebar tersebut dengan memanggil /v1/embeddings dan menghitung nilai yang dikembalikannya, lalu berikan collection_name baru kepada vector store pada saat yang sama.