Jak samodzielnie hostować mem0 na VPS: poradnik
Dowiedz się jak uruchomić mem0 na własnym VPS. Artykuł zawiera gotowy plik Compose, konfigurację TLS dla API, wymogi RAM dla kontenerów oraz integrację z lokalnym modelem Ollama.
Rzeczywiste koszty pamięci RAM przy self-hostingu mem0 na VPS
Self-hosting mem0 oznacza uruchomienie trzech kontenerów: serwera pamięci FastAPI, bazy danych Postgres z rozszerzeniem pgvector oraz panelu sterowania Next.js. mem0 stanowi warstwę pamięci dla agentów. Przesyła się do niej konwersację, model językowy wyodrębnia z niej trwałe fakty, a te są zapisywane jako wektory, aby późniejsze zapytanie mogło pobrać odpowiednie informacje.
Należy zarezerwować około 1 GB pamięci rezydentnej dla trzech kontenerów oraz od 3 do 4 GB miejsca na dysku po zbudowaniu obrazów. Serwer VPS z 2 GB RAM obsłuży to bez problemów, o ile model językowy działa na innej maszynie. Gdy model uruchamiany jest na tym samym serwerze przez Ollama, dominuje on nad wszystkimi innymi procesami: model 8B skwantyzowany do 4 bitów wymaga około 6 GB pamięci, więc w pełni lokalna instalacja wymaga 8 GB RAM.
Nie należy polegać wyłącznie na tych liczbach z wpisów na blogach, w tym niniejszego. Należy zmierzyć stos technologiczny, który faktycznie został wdrożony.
docker compose ps
docker stats --no-stream
docker system df -vdocker stats wyświetla pamięć rezydentną dla każdego kontenera. docker system df -v wyświetla zajętość dysku przez każdy obraz i wolumen.
Stan ustalony nie jest stanem szczytowym. docker compose up -d --build kompiluje panel Next.js, a proces budowania Node jest najbardziej zasobożernym momentem całej instalacji. Na serwerze VPS z 1 GB RAM mechanizm OOM (out-of-memory) killera jądra systemu przerywa ten proces, a budowanie kończy się błędem exit code 137. Przed szukaniem błędu w Docker należy potwierdzić przyczynę:
dmesg -T | grep -i "killed process"Jeśli serwer wydaje się zbyt rozbudowanym rozwiązaniem dla bieżących potrzeb, istnieją mniejsze alternatywy. lokalny magazyn pamięci agenta bez serwera oraz pamięć działająca wewnątrz Claude Code pozwalają pominąć bazę danych. Warto wrócić do tego rozwiązania, gdy kilku agentów lub kilka maszyn musi korzystać z tych samych zasobów pamięci.
Czy do obsługi pamięci grafowej mem0 wymagany jest Neo4j?
Nie. Jeśli poradnik zaleca dodanie kontenera Neo4j, oznacza to, że instrukcja jest starsza niż obecna wersja kodu.
Pamięć grafowa w mem0 wymagała wcześniej zewnętrznej bazy danych grafowych, konfigurowanej za pomocą klucza graph_store z ustawioną wartością enable_graph na true. Nowy algorytm pamięci, wydany w kwietniu 2026 roku, usunął oba te klucze z otwartoźródłowego SDK. Ekstrakcja encji odbywa się teraz w ramach standardowej ścieżki add, a encje są zapisywane w drugiej kolekcji pgvector, której nazwa pochodzi od nazwy głównej kolekcji z dodanym przyrostkiem _entities. Nie jest wymagana żadna konfiguracja: kolekcja ta tworzona jest przy pierwszym użyciu, więc wbudowane łączenie encji zaczyna działać przy kolejnym wywołaniu add.
Rezygnacja z magazynu grafowego pozwala zaoszczędzić kontener JVM, jego stertę (heap) oraz kilkaset megabajtów obrazu. Na serwerze VPS o pojemności 2 GB jest to różnica między stabilnym działaniem a korzystaniem z partycji wymiany (swap).
Oto lista funkcji, z których należy zrezygnować: wyniki wyszukiwania zawierały wcześniej pole relations, w którym wymieniano krawędzie między encjami. To pole zostało usunięte. Dopasowania encji podnoszą teraz pozycję pamięci w łącznym wyniku punktowym, jednak nie istnieje już struktura, którą można przeszukiwać. Jeśli aplikacja korzystała z tych relacji, mem0 nie przechowuje ich już w swojej strukturze; należy wówczas utrzymywać własną bazę danych grafowych poza mem0, zasilaną własnym kodem.
Plik compose w repozytorium jest wersją deweloperską
server/docker-compose.yaml deklaruje name: mem0-dev i jest to deklaracja wiążąca. Należy zapoznać się z treścią pliku przed jego uruchomieniem, ponieważ zawiera on pięć elementów nieprawidłowych w środowisku serwerowym.
- Buduje on obraz z
server/dev.Dockerfilei montuje katalog roboczy nad obrazem za pomocą.:/app, przez co kontener uruchamia zawartość tego katalogu, a nie zbudowany obraz. - Polecenie startowe to
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. Powoduje ono reinstalacjęmem0aiz PyPI przy każdym starcie, co oznacza, że wersja uruchomiona na serwerze może zmienić się podczas restartu, który nie był planowany jako aktualizacja. - Ten sam krok pip oznacza, że restart przy braku połączenia z Internetem zakończy się niepowodzeniem, zanim uvicorn zdąży wystartować. Serwer pamięci przestanie działać, ponieważ usługa PyPI była nieosiągalna.
--reloaduruchamia mechanizm śledzenia plików uvicorn. Służy on do restartowania procesu podczas edycji kodu, co w środowisku produkcyjnym niepotrzebnie zużywa pamięć i tworzy dodatkowy proces. ProdukcyjnyDockerfilezawiera również--reloadw swoimCMD, więc polecenie i tak zostanie nadpisane.- Opublikowane porty to
"8888:8000","8432:5432"oraz"3000:3000". Opublikowany port bez określonego adresu wiąże się z0.0.0.0, co sprawia, że Postgres odpowiada na zapytania z publicznego Internetu na porcie 8432 natychmiast po uruchomieniu stosu.
Ostatni punkt wymaga osobnego ostrzeżenia. Docker publikuje porty, wpisując własne reguły przed łańcuchem zarządzanym przez ufw, dlatego ufw deny 8432 nie zablokuje opublikowanego portu kontenera. Publikowanie portów przez Docker z pominięciem ufw zawiera szczegółowy opis stosowanych reguł.
Plik compose dla serwera produkcyjnego
Pracuj wewnątrz server/, zachowaj init-db.sh w obecnym miejscu, a docker-compose.yaml zastąp poniższą treścią.
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: bridgeWprowadzono pięć istotnych zmian, z których każda ma swoje uzasadnienie.
Każdy wpis ports rozpoczyna się od 127.0.0.1, dzięki czemu jądro akceptuje te połączenia wyłącznie z poziomu lokalnego hosta. Cały ruch z zewnątrz dociera przez reverse proxy, który jako jedyny posiada certyfikat.
Postgres nie posiada żadnego bloku ports. Kontener mem0 uzyskuje do niego dostęp poprzez mem0_network, używając nazwy usługi, więc publikowanie portu 8432 jest zbędne i niepotrzebnie otwiera port. Użyj docker compose exec postgres psql -U postgres, gdy potrzebujesz dostępu do powłoki.
Historia została przeniesiona z bind mount ./history do wolumenu nazwanego. Bind mount wiąże dane z konkretną ścieżką i identyfikatorem UID na hoście, podczas gdy wolumen nazwany jest obiektem, który Docker może migawkować i przenosić. Wolumeny nazwane a bind mounts wyjaśnia, kiedy stosować poszczególne rozwiązania.
Polecenie pomija --reload i zachowuje alembic upgrade head. Ten krok migracji jest niezbędny. Bez niego aplikacja uruchamia się z bazą danych pozbawioną tabel, co powoduje, że każde zapytanie kończy się błędem.
NEXT_PUBLIC_API_URL to adres URL wywoływany przez przeglądarkę, dlatego musi to być publiczny adres HTTPS, a nie http://mem0:8000. Next.js wstawia wartości NEXT_PUBLIC_ na etapie budowania, jednak obraz tego panelu zawiera placeholder, a punkt wejścia (entrypoint) podmienia go na właściwą wartość w momencie startu kontenera. Zmiana tej wartości wymaga zatem docker compose up -d mem0-dashboard, co powoduje odtworzenie kontenera bez konieczności ponownego budowania. docker compose restart mem0-dashboard używa ponownie starego kontenera, którego pliki zawierają już starą wartość, przez co panel nadal wywołuje błędny host.
Sekrety przechowuje się w .env, a plik .env nie powinien być dostępny w sieci
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 .envSkonfiguruj POSTGRES_PASSWORD, JWT_SECRET oraz ADMIN_API_KEY. Pozostaw AUTH_DISABLED=false bez zmian. Nazwa tego flagi precyzyjnie określa jej działanie: po włączeniu serwer udostępnia całą zawartość swojej pamięci każdemu, kto uzyska dostęp do portu. Ustaw MEM0_TELEMETRY=false, jeśli zdarzenie onboardingu nie powinno być wysyłane do systemów zewnętrznych.
Wartość ADMIN_API_KEY jest porównywana z nagłówkiem X-API-Key przy użyciu secrets.compare_digest. Dopasowanie powoduje całkowite pominięcie wyszukiwania klucza w bazie danych: żądanie jest wówczas wykonywane z uprawnieniami pierwszego użytkownika utworzonego na serwerze. Jest to poświadczenie typu root dla całego API. Należy traktować je odpowiednio: nie zapisywać w historii powłoki, nie dodawać do repozytoriów git i nie wklejać do wiersza poleceń. Artykuły Pliki środowiskowe Compose i wycieki sekretów oraz ochrona kluczy API przed dostępem agentów mają tutaj bezpośrednie zastosowanie, ponieważ klientami tego serwera są agenci.
Wartości wczytane z env_file znajdują się w środowisku kontenera, a docker inspect wyświetla je w pełnej postaci. Każdy użytkownik w grupie docker może je odczytać, a każdy użytkownik w grupie docker posiada w praktyce uprawnienia root na hoście.
Umieszczenie TLS przed API zamiast otwierania portu 8888
API odpowiada pod adresem 127.0.0.1:8888, a panel sterowania pod 127.0.0.1:3000. nginx wykonuje terminację TLS (transport layer security) na porcie 443 i przekazuje ruch do obu usług.
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 przeglądarkowy panelu sterowania wywołuje każdą ścieżkę API zgodnie ze wzorcem w NEXT_PUBLIC_API_URL, w tym /entities oraz /requests. Pominięcie którejkolwiek z nich spowoduje, że nginx przekaże to wywołanie do Next.js, przez co strona panelu otrzyma błąd 404 zamiast danych.
proxy_read_timeout ma większe znaczenie, niż się wydaje. Wywołanie dodawania blokuje się, podczas gdy model językowy analizuje konwersację i wyodrębnia fakty. Lokalny model 8B uruchomiony na CPU regularnie potrzebuje więcej czasu niż domyślny limit 60 sekund w nginx. W efekcie klient otrzymuje 504 Gateway Time-out, podczas gdy model nadal pracuje, a pamięć jest zapisywana. W rezultacie użytkownik otrzymuje informację o błędzie zapisu, mimo że operacja zakończyła się powodzeniem.
Zamknij pozostałe porty za pomocą domyślnej polityki deny w ufw, pozostawiając otwarte porty 22, 80 oraz 443. Wydaj certyfikat przy użyciu certbot na Ubuntu 24.04 za nginx. Port 80 musi pozostać dostępny, ponieważ ten proces wykorzystuje wyzwanie HTTP-01, które Let's Encrypt przeprowadza wyłącznie na porcie 80, zarówno podczas wydawania, jak i przy każdym odnawianiu certyfikatu. Zamknięcie portu 80 wymusza przejście na wyzwanie DNS-01. Jeśli serwer obsługuje już inne aplikacje za pomocą Traefik routującego kilka aplikacji Compose, dodaj mem0 do tego routera zamiast instalować drugie proxy.
Test dymny: dodaj jeden wpis do pamięci i odczytaj go
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"}'Prawidłowa odpowiedź to obiekt JSON z listą results, gdzie każdy wpis zawiera id, wyekstrahowany tekst memory oraz "event": "ADD". Obecny algorytm zwraca wyłącznie zdarzenia typu ADD. Zdarzenia UPDATE oraz DELETE zostały usunięte, więc ich brak nie jest błędem.
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}'Fakt dotyczący Postgres 17 powinien zostać zwrócony wraz z wynikiem punktowym. Przekaż identyfikator wewnątrz filters, zgodnie z przykładem. Wartość user_id na najwyższym poziomie nadal działa, a serwer rejestruje Top-level user_id in /search is deprecated. Use filters={...} instead. przy każdym jej użyciu.
Posprzątaj po zakończeniu testu, aby dane testowe nie zanieczyszczały rzeczywistych wyników wyszukiwania:
curl -sS -X DELETE "http://127.0.0.1:8888/memories?user_id=smoke" \
-H "X-API-Key: $MEM0_KEY"Jeśli wyszukiwanie zwraca mniej wierszy niż oczekiwano, sprawdź wartości domyślne przed weryfikacją mechanizmu pobierania danych. W bieżącym wydaniu top_k domyślnie wynosi 20 (wcześniej 100), a threshold domyślnie wynosi 0.1 zamiast braku ograniczenia, więc słabe dopasowania są teraz automatycznie odfiltrowywane. Gdy test zadziała przez curl, te same punkty końcowe należy podłączyć do agenta, bezpośrednio lub przez serwer MCP działający na tym samym VPS.
Uruchomienie mem0 bez klucza OpenAI
Zacznij od blokady, ponieważ napotkasz ją w ciągu pierwszych pięciu minut. Obraz serwera zawiera ustalony zestaw bibliotek dostawców, a /configure odrzuca wszystko, co wykracza poza ten zakres:
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.Nie musisz niczego przebudowywać. Ollama udostępnia API zgodne z OpenAI pod adresem /v1, obsługując /v1/chat/completions oraz /v1/embeddings, a dostawca openai w mem0 akceptuje openai_base_url. Skieruj ten klucz na Ollama, a wbudowana weryfikacja przejdzie pomyślnie, ponieważ dostawca faktycznie jest openai. Zmienia się tylko adres.
Dodaj Ollama do tego samego projektu Compose:
ollama:
image: ollama/ollama
restart: unless-stopped
networks: [mem0_network]
ports:
- "127.0.0.1:11434:11434"
volumes:
- ollama_models:/root/.ollamaDodaj ollama_models: w sekcji głównej volumes:, a następnie pobierz jeden model czatu i jeden model osadzeń (embedding):
docker compose up -d ollama
docker compose exec ollama ollama pull llama3.1:8b
docker compose exec ollama ollama pull nomic-embed-textJeśli Ollama działa już na hoście jako jednostka systemd, zgodnie z uruchamianiem Ollama bezpośrednio na VPS, nie kieruj kontenera na 127.0.0.1:11434. Wewnątrz kontenera mem0, 127.0.0.1 to sam kontener mem0. Nadaj usłudze mem0 extra_hosts: ["host.docker.internal:host-gateway"], ustaw Environment="OLLAMA_HOST=0.0.0.0:11434" w pliku drop-in systemd, aby Ollama nasłuchiwała na adresie dostępnym dla mostka, i zablokuj port 11434 na firewallu.
Zapytaj model o wymiar osadzeń przed konfiguracją czegokolwiek
Ten jeden krok decyduje o tym, czy wyszukiwanie w ogóle zadziała.
Magazyn pgvector w mem0 tworzy tabelę o stałej szerokości wektora, vector vector(1536), ponieważ embedding_model_dims domyślnie przyjmuje 1536, czyli szerokość modelu text-embedding-3-small od OpenAI. nomic-embed-text zwraca 768 wartości. Nic wewnątrz mem0 nie porównuje tych dwóch liczb, więc niezgodność ujawnia się po stronie Postgres przy pierwszej operacji insert:
expected 1536 dimensions, not 768Nie ufaj również liczbie podanej w tym akapicie. Zapytaj 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']))"To polecenie wyświetli szerokość, której musi użyć Twoja kolekcja. Zapisz konfigurację w pliku, ponieważ wklejanie hasła do Postgres przez cytowanie w powłoce to najprostsza droga do błędów w środowisku produkcyjnym.
{
"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"Drugie wywołanie odczytuje konfigurację, co stanowi weryfikację, że zapis został wykonany. Następnie powtórz powyższy test poprawności działania.
Cztery szczegóły w tym pliku JSON nie są oczywiste, a każdy z nich powoduje awarię w przypadku błędnej konfiguracji.
api_key to ciąg znaków ollama, a Ollama ignoruje jego wartość. Nie może być on pusty, ponieważ biblioteka klienta OpenAI zgłasza błąd przed wysłaniem żądania, jeśli nie ustawiono klucza. Każdy niepusty ciąg znaków zadziała.
embedding_model_dims dotyczy magazynu wektorów, a w konfiguracji embeddera celowo brakuje embedding_dims. mem0 wysyła parametr dimensions OpenAI tylko wtedy, gdy ustawisz embedding_dims, a backendy, które nie implementują obcinania Matryoshka, odrzucają ten parametr całkowicie. Ustaw szerokość w miejscu tworzenia tabeli i pozostaw embedder w spokoju.
collection_name jest nowością. mem0 tworzy tabelę z CREATE TABLE IF NOT EXISTS, więc wskazanie innej szerokości dla istniejącej kolekcji nie przyniesie żadnego efektu: stara kolumna vector(1536) pozostaje, a każda operacja insert kończy się niepowodzeniem. Zmiana szerokości wymaga nowej nazwy kolekcji lub ręcznego usunięcia starej tabeli.
Host w openai_base_url to nazwa usługi Compose ollama, a nie localhost. Kontenery rozpoznają się nawzajem po nazwie usługi w ramach współdzielonej sieci.
Koszty ścieżki w pełni lokalnej
Bądź szczery wobec siebie w kwestii jakości. Wyniki benchmarków mem0 pochodzą z ich platformy zarządzanej, która według pliku README zawiera autorskie optymalizacje niedostępne w SDK open source, uruchamiane na stosie modeli, którego nie ujawniono. Praca badawcza stojąca za oryginalnymi wynikami LOCOMO zakładała uruchamianie każdego wywołania modelu na GPT-4o-mini, czyli modelu hostowanym. Niezależnie od tego, traktuj te wyniki jako sufit, a nie prognozę dla modelu 8B na Twoim VPS. Mały model generuje bardziej niejasne fakty i czasami zwraca tekst tam, gdzie wymagany był JSON, co objawia się wywołaniem add zwracającym pustą listę results bez błędu.
Szybkość to drugi koszt. Ekstrakcja oparta wyłącznie na CPU zajmuje sekundy przy każdym wywołaniu add, a każda zapisywana wiadomość zwiększa ten czas. Model, który wykracza poza wymagany format JSON, pogarsza sytuację, dlatego ograniczenie odpowiedzi za pomocą num_predict wyznacza górny limit czasu trwania pojedynczego wywołania add. Jeśli opóźnienie ma znaczenie, VPS z dołączonym GPU jest uczciwym rozwiązaniem. Dodawanie większej liczby rdzeni CPU do modelu 8B pomaga znacznie mniej, niż można by oczekiwać. Zmiana modelu jest tańszym narzędziem niż zmiana maszyny, a Nemotron 3.5 Lightning na VPS dostarcza odpowiedni tag do pobrania, wymagania dotyczące pamięci RAM oraz informację, czy działanie wyłącznie na CPU jest wystarczająco szybkie.
Jedna zasada obowiązuje niezależnie od wyboru: nigdy nie mieszaj modeli osadzeń w ramach jednej kolekcji. Dwa różne modele, które przypadkowo mają tę samą szerokość, generują wektory, których nie można porównywać. Operacja insert kończy się powodzeniem, wyszukiwanie zwraca wiersze, ale wiersze te są błędne, a nigdzie nie pojawia się żaden komunikat o błędzie.
Kopie zapasowe: istnieją dwie bazy danych, nie jedna
Najczęstszy błąd podczas tworzenia kopii zapasowej mem0 polega na zrzuceniu tylko jednej bazy danych. init-db.sh tworzy bazę mem0_app obok domyślnej bazy postgres, a obie przechowują różne dane. Baza postgres przechowuje kolekcje pgvector, czyli wspomnienia. mem0_app przechowuje użytkowników, sesje, klucze API i dzienniki żądań. Każda aplikacja hostowana samodzielnie dzieli swój stan w inny sposób. Dlatego dwa serwery zdjęć wykonujące to samo zadanie nadal wymagają różnych poleceń tworzenia kopii zapasowej. Przed zaufaniem zrzutowi należy sprawdzić, jakie dane przechowuje aplikacja. Na drugim końcu tego zakresu znajduje się rozwiązanie podobne do biblioteki Jellyfin odbudowanej jako wypożyczalnia wideo z lat 90., które odczytuje cały katalog z innej usługi. W takim przypadku zwykle wystarczy skopiować własną konfigurację. mem0 wymaga natomiast obu baz danych, ponieważ w przeciwnym razie przywrócenie będzie bezużyteczne.
Przywrócenie tylko postgres spowoduje odzyskanie pamięci, ale wszystkie konta i klucze API znikną, przez co żaden użytkownik nie będzie mógł się uwierzytelnić, aby je odczytać. Należy zrzucić obie bazy oraz role w jednym poleceniu:
docker compose exec -T postgres pg_dumpall -U postgres --clean \
| gzip > "mem0-$(date +%F).sql.gz"Wolumen historii jest oddzielony od Postgres i wymaga osobnej kopii:
docker run --rm -v mem0_mem0_history:/data -v "$PWD:/backup" \
alpine tar czf /backup/mem0-history.tgz -C /data .Docker dodaje przedrostek nazwy projektu do nazw wolumenów, dlatego należy potwierdzić własną nazwę za pomocą docker volume ls przed założeniem, że jest to mem0_mem0_history.
Przywróć dane do kontenera tymczasowego i sprawdź liczbę wierszy, zanim uznasz proces za zakończony:
gunzip -c mem0-2026-08-03.sql.gz \
| docker compose exec -T postgres psql -U postgres -d postgresKopia zapasowa, której nigdy nie przywrócono, jest tylko przypuszczeniem. Gdy zrzuty będą poprawne, należy przenieść je poza serwer za pomocą migawek restic do pamięci zewnętrznej, ponieważ kopia zapasowa znajdująca się na serwerze, który chroni, nie zapewnia żadnej ochrony.
Tryby awarii i dokładne komunikaty, które zobaczysz
{"detail":"Authentication required. Provide a Bearer token or X-API-Key header."} oznacza, że nagłówek jest nieobecny lub zawiera błąd w pisowni. Nazwa to X-API-Key, a curl przesyła nazwy nagłówków w sposób dosłowny.
{"detail":"At least one identifier (user_id, agent_id, run_id) is required."} przy operacji add oznacza, że żądanie nie zawierało żadnego z nich. Pamięć musi być przypisana do określonego zakresu, ponieważ filtry wyszukiwania działają dokładnie na tych polach.
LLM provider 'ollama' is not bundled in this image z kodem HTTP 400 oznacza, że wysłano "provider": "ollama". Należy użyć "provider": "openai" z parametrem openai_base_url skierowanym na Ollama.
expected 1536 dimensions, not 768 z Postgres oznacza, że kolekcja została utworzona z określoną szerokością, a model osadzający (embedder) zwraca inną. Ustaw embedding_model_dims w magazynie wektorowym i użyj nowej collection_name.
Wyszukiwanie zwraca nielogiczne wiersze po zmianie modelu, bez żadnego błędu w logach. Szerokość nadal się zgadza, więc baza danych działa poprawnie, jednak dwa modele umieszczają to samo zdanie w różnych pozycjach. Utwórz nową kolekcję i dodaj dane ponownie.
Connection refused w logach mem0 podczas łączenia z Ollama zazwyczaj oznacza 127.0.0.1 w openai_base_url. Wewnątrz kontenera ten adres wskazuje na sam kontener. Użyj nazwy usługi lub host gateway, jeśli Ollama działa na hoście.
504 Gateway Time-out z nginx przy operacji add oznacza, że model przetwarzał żądanie dłużej niż proxy_read_timeout. Zwiększ ten limit i sprawdź, czy pamięć została zapisana przed ponowieniem żądania.
exit code 137 podczas docker compose up --build oznacza, że proces został zakończony sygnałem SIGKILL, ponieważ sygnał krytyczny N jest raportowany jako 128 + N, a SIGKILL to sygnał 9. Podczas budowania pulpitu nawigacyjnego na małym VPS, najczęstszą przyczyną jest mechanizm out-of-memory killer, więc przed podjęciem działań wykonaj sprawdzenie dmesg z pierwszej sekcji. Jeśli wykaże ono zabity proces, dodaj swap lub zbuduj obraz na mocniejszej maszynie i wypchnij go do rejestru.
error: port 3000 is already in use pochodzi z celu make up w repozytorium, który odmawia uruchomienia, gdy porty 3000 lub 8888 są zajęte. Znajdź właściciela procesu za pomocą lsof -iTCP:3000 -sTCP:LISTEN.
FAQ
Czy nadal potrzebuję Neo4j, aby uruchomić mem0 z pamięcią grafową?
Nie. Nowy algorytm pamięci, wydany w kwietniu 2026 roku, usunął klucze konfiguracyjne graph_store oraz enable_graph z otwartego SDK. Ekstrakcja encji odbywa się teraz podczas standardowego dodawania danych i zapisuje je do drugiej kolekcji pgvector o nazwie <collection_name>_entities, więc nie ma potrzeby używania zewnętrznej bazy grafowej, dodatkowego kontenera ani przeprowadzania konfiguracji. Ceną za to jest brak pola relations w wynikach wyszukiwania. Encje podnoszą teraz ranking pamięci zamiast dostarczać krawędzie do przeglądania, więc aplikacja, która korzystała z tych relacji, musi posiadać własny magazyn grafowy poza mem0.
Jaki jest najmniejszy VPS, na którym można uruchomić własny serwer mem0?
Jeśli model językowy jest hostowany zewnętrznie, 2 GB pamięci RAM i około 4 GB wolnego miejsca na dysku wystarczą dla kontenera API, Postgres i panelu sterowania. Krytycznym momentem jest pierwsze budowanie, ponieważ kompilacja panelu Next.js zużywa więcej pamięci niż jego uruchomienie, a na maszynie z 1 GB RAM proces budowania zostanie przerwany z błędem exit code 137. Jeśli na tym samym serwerze działa Ollama, należy uwzględnić rozmiar modelu: model 8B przy kwantyzacji 4-bitowej wymaga około 6 GB pamięci, więc należy zaplanować 8 GB RAM.
Czy mogę uruchomić mem0 bez klucza API OpenAI?
Tak, korzystając z punktu końcowego Ollama kompatybilnego z OpenAI. Ustawienie "provider": "ollama" kończy się niepowodzeniem, ponieważ obraz serwera zawiera tylko biblioteki openai, anthropic i gemini, co skutkuje błędem HTTP 400. Zamiast tego należy zachować "provider": "openai" i ustawić "openai_base_url": "http://ollama:11434/v1" na dowolną niepustą wartość api_key, zarówno dla llm, jak i embedder. Ollama ignoruje klucz, a weryfikacja dostawcy przechodzi pomyślnie, ponieważ dostawcą faktycznie jest openai.
Dlaczego mem0 nie zwraca wyników po przełączeniu na lokalny model osadzeń (embedding)?
Ponieważ tabela pgvector została utworzona ze stałą szerokością. embedding_model_dims domyślnie wynosi 1536, nomic-embed-text zwraca 768, a Postgres odrzuca operację wstawiania z błędem expected 1536 dimensions, not 768. mem0 tworzy tabelę z parametrem CREATE TABLE IF NOT EXISTS, więc sama zmiana liczby nie wpływa na istniejącą kolekcję. Należy ustawić embedding_model_dims na rzeczywistą szerokość modelu, potwierdzić tę szerokość wywołując /v1/embeddings i zliczając zwracane wartości, a jednocześnie nadać magazynowi wektorów nową wartość collection_name.