SSD Nodes Learn Hosting plans →
Panduan Matt ConnorOleh Matt Connor · Dikemas kini 2026-10-26

Cara Self-host Mem0 pada VPS: Panduan Pemasangan

Ketahui cara menjalankan pelayan memori Mem0 pada VPS anda sendiri. Panduan ini merangkumi penggunaan Docker Compose, konfigurasi TLS, serta keperluan RAM sebenar.

Kos sebenar RAM untuk self-hosting mem0 pada VPS

Self-hosting mem0 bermaksud menjalankan tiga kontena: pelayan memori FastAPI, Postgres dengan sambungan pgvector, dan papan pemuka Next.js. mem0 ialah lapisan memori untuk ejen. Anda menghantar perbualan kepadanya, model bahasa akan mengekstrak fakta kekal daripada perbualan tersebut, dan fakta itu disimpan sebagai vektor supaya pertanyaan seterusnya boleh mendapatkan semula maklumat yang relevan.

Peruntukkan kira-kira 1 GB memori residen untuk ketiga-tiga kontena tersebut, dan 3 hingga 4 GB ruang cakera setelah imej dibina. VPS 2 GB boleh menjalankan ini dengan selesa apabila model bahasa ditempatkan di tempat lain. Apabila model dijalankan pada mesin yang sama melalui Ollama, model tersebut akan menggunakan sumber yang paling banyak: model 8B yang dikuantisasi kepada 4 bit memerlukan sekitar 6 GB secara sendirian, jadi binaan yang sepenuhnya tempatan bermula pada 8 GB.

Jangan ambil angka tersebut daripada catatan blog, termasuk catatan ini. Ukur tindanan (stack) yang anda bina sendiri.

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

docker stats mencetak memori residen bagi setiap kontena. docker system df -v mencetak ruang cakera yang digunakan oleh setiap imej dan setiap volum.

Keadaan stabil bukanlah kemuncak penggunaan. docker compose up -d --build menyusun (compile) papan pemuka Next.js, dan binaan Node tersebut merupakan saat yang paling banyak menggunakan sumber sepanjang pemasangan. Pada VPS 1 GB, pembunuh kehabisan memori (OOM killer) kernel akan menghentikannya dan binaan berakhir dengan exit code 137. Sahkan puncanya sebelum anda mencari pepijat Docker:

dmesg -T | grep -i "killed process"

Jika pelayan dirasakan terlalu berat untuk keperluan anda, pilihan yang lebih kecil adalah realistik. storan memori ejen tempatan tanpa pelayan dan memori yang berada di dalam Claude Code itu sendiri kedua-duanya tidak memerlukan pangkalan data. Kembali ke sini apabila beberapa ejen, atau beberapa mesin, perlu membaca memori yang sama.

Adakah saya perlukan Neo4j untuk mem0 graph memory?

Tidak. Jika panduan meminta anda menambah kontena Neo4j, panduan tersebut lebih lama daripada kod semasa.

Graph memory dalam mem0 dahulu bermaksud pangkalan data graf luaran yang dikonfigurasikan di bawah kunci graph_store dengan enable_graph ditetapkan kepada true. Algoritma memori baharu yang dikeluarkan pada April 2026 telah membuang kedua-dua kunci tersebut daripada SDK sumber terbuka. Pengekstrakan entiti kini berjalan di dalam laluan add biasa, dan entiti tersebut ditulis ke dalam koleksi pgvector kedua yang dinamakan sempena koleksi utama anda dengan tambahan _entities. Tiada langkah penyediaan: koleksi tersebut dicipta semasa penggunaan pertama, jadi pemautan entiti terbina dalam akan mula berfungsi pada panggilan add seterusnya.

Membuang stor graf menjimatkan kontena JVM, heap-nya, dan beberapa ratus megabait imej. Pada VPS 2 GB, ini adalah perbezaan antara sistem berjalan lancar atau mengalami swapping.

Berikut adalah perkara yang anda lepaskan, dinyatakan dengan jelas. Hasil carian dahulu membawa medan relations yang menyenaraikan hubungan (edges) antara entiti. Medan tersebut telah tiada. Padanan entiti kini meningkatkan kedudukan memori dalam skor gabungan, dan tiada struktur yang boleh anda teroka. Jika aplikasi anda sebelum ini menelusuri hubungan tersebut, mem0 tidak lagi menyimpannya, dan anda perlu mengekalkan pangkalan data graf anda sendiri di luar mem0, yang diisi oleh kod anda sendiri.

Fail compose dalam repo tersebut adalah untuk pembangunan

server/docker-compose.yaml mengisytiharkan name: mem0-dev, dan ia bermaksud sedemikian. Baca fail tersebut sebelum anda menjalankannya, kerana terdapat lima perkara di dalamnya yang tidak sesuai untuk pelayan.

  • Ia membina daripada server/dev.Dockerfile dan melakukan mount pada checkout anda ke atas imej dengan .:/app, jadi kontena menjalankan apa sahaja yang berada dalam direktori tersebut dan bukannya apa yang anda bina.
  • Perintahnya ialah 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. Ini memasang semula mem0ai daripada PyPI pada setiap permulaan, jadi versi yang dijalankan oleh pelayan anda boleh berubah semasa but semula yang anda tidak sangka sebagai naik taraf.
  • Langkah pip yang sama bermakna but semula tanpa rangkaian keluar akan gagal sebelum uvicorn sempat berjalan. Pelayan memori anda kemudiannya terhenti kerana PyPI tidak dapat dicapai.
  • --reload memulakan pemerhati fail uvicorn. Ia wujud untuk memulakan semula proses apabila anda mengedit kod, dan ia menggunakan memori serta proses kedua untuk melakukan perkara yang tidak berguna dalam pengeluaran. Dockerfile pengeluaran juga membawa --reload dalam CMD-nya, jadi anda mengatasi perintah tersebut walau apa pun caranya.
  • Port yang diterbitkan ialah "8888:8000", "8432:5432" dan "3000:3000". Port yang diterbitkan tanpa alamat di hadapannya akan mengikat 0.0.0.0, jadi Postgres akan menjawab internet awam pada 8432 sebaik sahaja stack bermula.

Perkara terakhir itu memerlukan amaran tersendiri. Docker menerbitkan port dengan menulis peraturannya sendiri mendahului rantaian yang diuruskan oleh ufw, jadi ufw deny 8432 tidak menutup port kontena yang diterbitkan. Docker menerbitkan port terus melepasi ufw membincangkan peraturan yang terlibat.

Fail compose untuk pelayan sebenar

Bekerja di dalam server/, kekalkan init-db.sh di tempatnya, dan gantikan docker-compose.yaml dengan ini.

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

Lima perubahan penting di sini, dan setiap satunya mempunyai sebab.

Setiap entri ports bermula dengan 127.0.0.1, supaya kernel hanya menerima sambungan tersebut daripada mesin itu sendiri. Segala trafik dari luar tiba melalui reverse proxy, yang merupakan satu-satunya komponen yang memegang sijil.

Postgres tidak mempunyai blok ports langsung. Kontena mem0 mencapainya melalui mem0_network menggunakan nama servis, jadi menerbitkan 8432 tidak memberikan sebarang faedah dan hanya membuka port yang tidak perlu. Gunakan docker compose exec postgres psql -U postgres apabila anda memerlukan shell.

Sejarah dipindahkan daripada bind mount ./history kepada named volume. Bind mount mengikat data kepada satu laluan dan satu uid pada hos ini, manakala named volume ialah objek yang boleh disnaphot dan dipindahkan oleh Docker. Named volumes berbanding bind mounts membincangkan bila setiap satunya sesuai digunakan.

Arahan tersebut menggugurkan --reload dan mengekalkan alembic upgrade head. Kekalkan langkah migrasi tersebut. Tanpanya, aplikasi akan bermula dengan pangkalan data yang tiada jadual, dan setiap permintaan akan gagal pada query pertama.

NEXT_PUBLIC_API_URL ialah URL yang dipanggil oleh pelayar anda, jadi ia mestilah alamat HTTPS awam dan bukan http://mem0:8000. Next.js memasukkan nilai NEXT_PUBLIC_ semasa fasa binaan (build time), tetapi imej papan pemuka ini menggunakan placeholder, dan entrypoint-nya menukar nilai tersebut kepada nilai sebenar kontena apabila kontena bermula. Oleh itu, menukarnya memerlukan docker compose up -d mem0-dashboard, yang mencipta semula kontena, dan bukan sekadar binaan semula. docker compose restart mem0-dashboard menggunakan semula kontena lama, yang failnya masih menyimpan nilai lama, dan papan pemuka akan terus memanggil hos yang salah.

Rahsia disimpan dalam .env, dan .env tidak didedahkan kepada 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 .env

Tetapkan POSTGRES_PASSWORD, JWT_SECRET dan ADMIN_API_KEY. Biarkan AUTH_DISABLED=false. Nama flag itu menerangkan fungsinya dengan tepat: apabila diaktifkan, pelayan menyerahkan semua memori yang dipegangnya kepada sesiapa sahaja yang boleh mencapai port tersebut. Tetapkan MEM0_TELEMETRY=false jika anda tidak mahu acara onboarding dihantar ke upstream.

ADMIN_API_KEY dibandingkan dengan header X-API-Key menggunakan secrets.compare_digest. Jika sepadan, carian setiap kunci dalam pangkalan data dilangkau sepenuhnya. Permintaan itu kemudian dijalankan sebagai pengguna pertama yang pernah dicipta pada pelayan. Ini ialah bukti kelayakan root untuk keseluruhan API. Kendalikan rahsia ini seperti itu: jangan simpannya dalam sejarah shell, git atau tampalkannya pada prompt. Fail persekitaran Compose dan tempat rahsia bocor daripadanya serta mengelakkan kunci API daripada konteks ejen kedua-duanya terpakai secara langsung kerana pemanggil pelayan ini ialah ejen.

Nilai yang dimuatkan daripada env_file berada dalam persekitaran container, dan docker inspect mencetaknya sepenuhnya. Sesiapa sahaja dalam kumpulan docker boleh membacanya, manakala sesiapa sahaja dalam kumpulan docker pada asasnya mempunyai akses root pada hos.

Letakkan TLS di hadapan API dan bukannya membuka port 8888

API menjawab pada 127.0.0.1:8888 manakala papan pemuka pada 127.0.0.1:3000. nginx menamatkan TLS (keselamatan lapisan pengangkutan) pada 443 dan memajukan permintaan kepada kedua-duanya.

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;
    }
}

Kod pelayar papan pemuka memanggil setiap path API mengikut corak itu pada NEXT_PUBLIC_API_URL, termasuk /entities dan /requests. Jika salah satu daripadanya ditinggalkan, nginx menyerahkan panggilan itu kepada Next.js. Akibatnya, halaman papan pemuka yang memerlukannya menerima 404 dan bukannya data.

proxy_read_timeout lebih penting daripada yang disangka. Panggilan add disekat sementara model bahasa membaca perbualan dan mengekstrak fakta. Model 8B setempat pada CPU kerap mengambil masa lebih lama daripada nilai lalai nginx, iaitu 60 saat. Pemanggil kemudian menerima 504 Gateway Time-out walaupun model masih berjalan dan memori tetap ditulis. Akhirnya, anda mempunyai memori yang dilaporkan sebagai gagal.

Tutup port yang lain dengan dasar ufw default deny, dan biarkan 22, 80 serta 443 terbuka. Keluarkan sijil menggunakan certbot pada Ubuntu 24.04 di belakang nginx. Port 80 mesti kekal boleh dicapai kerana aliran kerja itu menggunakan cabaran HTTP-01. Let's Encrypt hanya menjalankan cabaran ini pada port 80, semasa pengeluaran sijil dan setiap pembaharuan. Jika port 80 ditutup, anda perlu beralih kepada cabaran DNS-01. Jika pelayan tersebut sudah menjadi reverse proxy untuk aplikasi lain menggunakan Traefik untuk menghala beberapa aplikasi Compose, tambahkan mem0 pada router itu dan bukannya memasang proxy kedua.

Ujian asap: tambah satu memori dan baca semula

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 sihat ialah objek JSON dengan senarai results, dan setiap entri mengandungi id, teks memory yang diekstrak, dan "event": "ADD". Algoritma semasa hanya mengembalikan peristiwa ADD. Peristiwa UPDATE dan DELETE telah dibuang, jadi ketiadaannya bukanlah satu pepijat.

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 sepatutnya kembali dengan skor. Hantar pengecam di dalam filters, seperti yang ditunjukkan. user_id peringkat atas masih berfungsi, dan pelayan mencatat Top-level user_id in /search is deprecated. Use filters={...} instead. setiap kali anda menggunakannya.

Bersihkan data anda supaya data ujian tidak mencemarkan carian sebenar:

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

Jika carian mengembalikan baris yang lebih sedikit daripada yang anda jangkakan, semak tetapan lalai sebelum menyalahkan proses perolehan data. Dalam keluaran semasa, top_k ditetapkan secara lalai kepada 20, turun daripada 100, dan threshold ditetapkan secara lalai kepada 0.1 dan bukannya tiada, jadi padanan yang lemah kini ditapis untuk anda. Sebaik sahaja ini berfungsi melalui curl, titik akhir yang sama adalah apa yang anda sambungkan ke ejen, sama ada secara terus atau melalui pelayan MCP yang berjalan pada VPS yang sama.

Jalankan mem0 tanpa sebarang kunci OpenAI

Mulakan dengan halangan utama kerana anda akan menemuinya dalam lima minit pertama. Imej pelayan disertakan dengan set pustaka penyedia yang tetap, dan /configure menolak apa-apa yang berada di luarnya:

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 membina semula apa-apa. Ollama menyediakan API yang serasi dengan OpenAI di /v1, yang meliputi /v1/chat/completions dan /v1/embeddings, manakala penyedia openai mem0 menerima openai_base_url. Halakan kunci itu ke Ollama dan semakan yang disertakan akan lulus kerana penyedia itu sememangnya openai. Hanya alamatnya berubah.

Tambahkan Ollama pada projek Compose yang sama:

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

Tambahkan ollama_models: di bawah kunci peringkat teratas volumes:, kemudian tarik 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-text

Jika Ollama sudah berjalan pada host sebagai unit systemd, seperti dalam menjalankan Ollama terus pada VPS, jangan halakan container ke 127.0.0.1:11434. Dari dalam container mem0, 127.0.0.1 ialah container mem0 itu sendiri. Berikan perkhidmatan mem0 extra_hosts: ["host.docker.internal:host-gateway"], tetapkan Environment="OLLAMA_HOST=0.0.0.0:11434" dalam drop-in systemd supaya Ollama mendengar pada alamat yang boleh dicapai oleh bridge, dan pastikan port 11434 ditutup pada firewall.

Tanya model tentang dimensi embedding sebelum anda mengkonfigurasi apa-apa

Satu langkah ini menentukan sama ada retrieval berfungsi sama sekali.

Kedai pgvector mem0 mencipta jadual dengan lebar vektor tetap, vector vector(1536), kerana embedding_model_dims lalai kepada 1536, iaitu lebar text-embedding-3-small OpenAI. nomic-embed-text mengembalikan 768 nilai. Tiada apa-apa dalam mem0 membandingkan kedua-dua nombor ini, jadi ketidakpadanan itu muncul daripada Postgres semasa insert pertama:

expected 1536 dimensions, not 768

Jangan percayakan nombor dalam perenggan ini juga. Tanya 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']))"

Arahan itu mencetak lebar yang perlu digunakan oleh koleksi anda. Tulis konfigurasi ke dalam fail kerana menampal kata laluan Postgres melalui shell quoting ialah cara kesilapan taip 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"

Panggilan kedua membaca semula konfigurasi dan mengesahkan bahawa penulisan berjaya dilakukan. Kemudian ulangi ujian smoke di atas.

Empat butiran dalam JSON itu tidak jelas, dan setiap satunya akan menyebabkan sesuatu gagal jika tersalah tetapkan.

api_key ialah rentetan ollama, dan Ollama mengabaikan nilainya. Nilai itu tidak boleh kosong kerana pustaka klien OpenAI akan menimbulkan ralat sebelum sebarang permintaan meninggalkan proses apabila tiada kunci ditetapkan. Sebarang rentetan yang tidak kosong boleh digunakan.

embedding_model_dims diletakkan pada vector store, dan memang tiada embedding_dims pada embedder. mem0 hanya menghantar parameter dimensions OpenAI apabila anda menetapkan embedding_dims, manakala backend yang tidak melaksanakan pemangkasan Matryoshka akan menolak parameter itu terus. Tetapkan lebar semasa jadual dicipta dan biarkan embedder tanpa perubahan.

collection_name ialah perkara baharu. mem0 mencipta jadualnya dengan CREATE TABLE IF NOT EXISTS, jadi menetapkan lebar yang berbeza pada koleksi sedia ada langsung tidak mengubah apa-apa: lajur vector(1536) lama kekal, dan setiap insert gagal. Perubahan lebar memerlukan nama koleksi baharu, atau anda perlu menggugurkan jadual lama secara manual.

Host dalam openai_base_url ialah nama perkhidmatan Compose ollama, bukannya localhost. Container menyelesaikan alamat satu sama lain melalui nama perkhidmatan pada rangkaian yang dikongsi.

Kos laluan yang sepenuhnya setempat

Bersikap jujur tentang kualiti. Skor penanda aras utama mem0 datang daripada platform terurusnya, yang menurut README merangkumi pengoptimuman proprietari yang tidak tersedia dalam SDK sumber terbuka dan berjalan pada tindanan model yang tidak dinyatakan. Kertas penyelidikan di sebalik hasil LOCOMO asal menjalankan setiap panggilan model pada GPT-4o-mini, iaitu model terhos. Dalam kedua-dua keadaan, anggap skor itu sebagai had atas, bukan ramalan untuk model 8B pada VPS anda. Model kecil menghasilkan fakta yang lebih kabur dan kadangkala mengembalikan prosa apabila JSON diminta. Keadaan ini muncul sebagai panggilan add yang mengembalikan senarai results kosong tanpa ralat.

Kelajuan ialah kos yang lain. Pengekstrakan pada CPU sahaja mengambil masa beberapa saat bagi setiap panggilan add, dan setiap mesej yang anda simpan menanggung kos itu. Model yang terus menghasilkan teks melebihi JSON yang diminta akan memburukkan keadaan, jadi mengehadkan balasan dengan num_predict menetapkan had kepada tempoh mana-mana satu panggilan add boleh berjalan. Jika kependaman itu penting, VPS dengan GPU yang dipasang ialah penyelesaian yang tepat. Menambah lebih banyak teras CPU pada model 8B membantu jauh lebih sedikit daripada jangkaan ramai orang. Menukar model lebih murah berbanding menukar mesin, dan Nemotron 3.5 Lightning pada VPS memberikan tag untuk ditarik, jumlah RAM yang diperlukan, serta sama ada mod CPU sahaja cukup pantas untuk digunakan.

Satu peraturan tetap terpakai bagi apa-apa pilihan anda: jangan campurkan model embedding dalam satu koleksi. Dua model berbeza yang kebetulan mempunyai lebar yang sama menghasilkan vektor yang tidak boleh dibandingkan. Insert berjaya, carian mengembalikan baris, dan baris itu salah tanpa sebarang komponen melaporkan ralat.

Sandaran: terdapat dua pangkalan data, bukan satu

Kesilapan sandaran mem0 yang paling biasa ialah melakukan dump pada satu pangkalan data sahaja. init-db.sh mencipta mem0_app di samping pangkalan data lalai postgres, dan kedua-duanya menyimpan maklumat yang berbeza. Pangkalan data postgres menyimpan koleksi pgvector, iaitu memori. mem0_app pula menyimpan pengguna, sesi, kunci API dan log permintaan. Setiap aplikasi yang dihoskan sendiri membahagikan keadaan (state) mengikut caranya tersendiri, itulah sebabnya dua pelayan foto yang melakukan tugas sama masih memerlukan arahan sandaran yang berbeza. Oleh itu, baca dahulu apa yang disimpan oleh aplikasi anda sebelum mempercayai fail dump. Pada hujung spektrum yang lain terdapat contoh seperti pustaka Jellyfin yang dibina semula seperti kedai video 90-an, yang membaca keseluruhan katalognya daripada perkhidmatan lain dan hanya memerlukan konfigurasi sendiri untuk disalin, manakala mem0 memerlukan kedua-dua pangkalan data atau proses pemulihan akan menjadi sia-sia.

Jika anda memulihkan postgres sahaja, memori akan kembali tetapi semua akaun dan kunci API akan hilang, menyebabkan tiada apa-apa yang boleh disahkan untuk membacanya. Lakukan dump kedua-duanya, berserta peranan (roles), dalam satu arahan:

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

Volum sejarah adalah berasingan daripada 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 meletakkan awalan nama projek pada nama volum, jadi sahkan nama volum anda dengan docker volume ls sebelum menganggap ia adalah mem0_mem0_history.

Pulihkan ke dalam bekas (container) kosong dan semak kiraan baris sebelum anda mempercayai data tersebut:

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

Sandaran yang tidak pernah anda pulihkan hanyalah satu andaian. Apabila fail dump sudah betul, pindahkannya keluar dari pelayan dengan snapshot restic ke storan luar tapak, kerana sandaran yang disimpan pada pelayan yang sama tidak memberikan sebarang perlindungan.

Mod kegagalan dan rentetan tepat yang akan anda lihat

{"detail":"Authentication required. Provide a Bearer token or X-API-Key header."} bermaksud pengepala hilang atau tersalah eja. Namanya ialah X-API-Key, dan curl menghantar nama pengepala secara literal.

{"detail":"At least one identifier (user_id, agent_id, run_id) is required."} pada penambahan bermaksud permintaan tersebut tidak mempunyai sebarang pengecam (user_id, agent_id, run_id). Memori perlu diletakkan dalam skop sesuatu, kerana carian menapis tepat pada medan tersebut.

LLM provider 'ollama' is not bundled in this image dengan HTTP 400 bermaksud anda menghantar "provider": "ollama". Gunakan "provider": "openai" dengan openai_base_url dihalakan ke Ollama.

expected 1536 dimensions, not 768 daripada Postgres bermaksud koleksi dicipta pada satu lebar dan penyemat (embedder) mengembalikan lebar yang lain. Tetapkan embedding_model_dims pada stor vektor dan gunakan collection_name yang baharu.

Carian mengembalikan baris yang tidak masuk akal selepas perubahan model, tanpa sebarang ralat. Lebarnya masih sepadan, jadi pangkalan data berfungsi dengan baik, tetapi dua model meletakkan ayat yang sama pada kedudukan yang berbeza. Mulakan koleksi baharu dan tambah semula.

Connection refused dalam log mem0 semasa mencapai Ollama biasanya bermaksud 127.0.0.1 dalam openai_base_url. Di dalam kontena, alamat tersebut ialah kontena itu sendiri. Gunakan nama servis, atau host gateway apabila Ollama berjalan pada hos.

504 Gateway Time-out daripada nginx pada penambahan bermaksud model mengambil masa lebih lama daripada proxy_read_timeout. Tingkatkan nilainya, dan periksa sama ada memori telah ditulis sebelum anda mencuba semula permintaan tersebut.

exit code 137 semasa docker compose up --build bermaksud proses telah ditamatkan dengan SIGKILL, kerana isyarat maut N dilaporkan sebagai 128 + N dan SIGKILL ialah isyarat 9. Walaupun papan pemuka dibina pada VPS kecil, punca yang paling mungkin ialah pembunuh kehabisan memori (out-of-memory killer), jadi jalankan semakan dmesg daripada bahagian pertama sebelum anda mengambil tindakan. Jika ia menunjukkan proses yang ditamatkan, tambah swap, atau bina imej pada mesin yang lebih besar dan tolak (push) ke registri.

error: port 3000 is already in use datang daripada sasaran make up dalam repo, yang enggan bermula apabila port 3000 atau 8888 sedang digunakan. Cari pemiliknya dengan lsof -iTCP:3000 -sTCP:LISTEN.

FAQ

Adakah saya masih memerlukan Neo4j untuk menjalankan mem0 dengan memori graf?

Tidak. Algoritma memori baharu yang dikeluarkan pada April 2026 telah membuang kunci konfigurasi graph_store dan enable_graph daripada SDK sumber terbuka. Pengekstrakan entiti kini berjalan semasa penambahan biasa dan menulis ke koleksi pgvector kedua yang dinamakan <collection_name>_entities, jadi tiada pangkalan data graf luaran, tiada kontena tambahan dan tiada langkah penyediaan diperlukan. Kesannya, medan relations pada hasil carian tidak lagi wujud. Entiti kini meningkatkan kedudukan memori dan bukannya memberikan anda hubungan (edges) untuk dilalui, jadi aplikasi yang sebelum ini melayari hubungan tersebut memerlukan storan grafnya sendiri di luar mem0.

Apakah saiz VPS terkecil yang boleh menjalankan pelayan mem0 yang dihoskan sendiri?

Dengan model bahasa dihoskan di tempat lain, 2 GB RAM dan kira-kira 4 GB ruang cakera kosong sudah memadai untuk kontena API, Postgres dan papan pemuka. Saat yang kritikal ialah binaan pertama, kerana proses kompilasi papan pemuka Next.js menggunakan lebih banyak memori berbanding menjalankannya, dan pelayan 1 GB akan menyebabkan proses binaan ditamatkan dengan exit code 137. Jika Ollama dijalankan pada pelayan yang sama, ambil kira saiz model tersebut: model 8B pada kuantisasi 4-bit memerlukan kira-kira 6 GB secara sendirian, jadi rancang untuk menggunakan 8 GB.

Bolehkah saya menjalankan mem0 tanpa kunci API OpenAI?

Boleh, melalui endpoint Ollama yang serasi dengan OpenAI. Menetapkan "provider": "ollama" akan gagal, kerana imej pelayan hanya menyertakan pustaka openai, anthropic dan gemini, lalu mengembalikan HTTP 400. Sebaliknya, kekalkan "provider": "openai" dan tetapkan "openai_base_url": "http://ollama:11434/v1" dengan sebarang api_key yang tidak kosong, untuk kedua-dua llm dan embedder. Ollama akan mengabaikan kunci tersebut, dan semakan penyedia yang disertakan akan lulus kerana penyedianya sememangnya openai.

Mengapa mem0 tidak mengembalikan sebarang hasil selepas saya bertukar kepada model embedding tempatan?

Ini kerana jadual pgvector dicipta dengan lebar tetap. embedding_model_dims secara lalai ialah 1536, nomic-embed-text mengembalikan 768, dan Postgres menolak sisipan tersebut dengan expected 1536 dimensions, not 768. mem0 mencipta jadual dengan CREATE TABLE IF NOT EXISTS, jadi menukar nombor tersebut sahaja tidak memberi kesan kepada koleksi sedia ada. Tetapkan embedding_model_dims kepada lebar sebenar model anda, sahkan lebar tersebut dengan memanggil /v1/embeddings dan mengira nilai yang dikembalikannya, serta berikan collection_name baharu kepada storan vektor pada masa yang sama.

Adakah artikel ini berguna?