SSD Nodes Learn Hosting plans →
Посібники Matt ConnorВід Matt Connor · Оновлено 2026-11-20

Як розгорнути mem0 на VPS для пам’яті агентів

Дізнайтеся, скільки RAM потребує mem0: близько 1 GB для трьох контейнерів, від 2 GB на VPS і щонайменше 8 GB з локальним Ollama.

Скільки оперативної пам’яті насправді потребує self-hosting mem0 на VPS

Self-hosting mem0 означає запуск трьох контейнерів: memory-сервера на FastAPI, Postgres із розширенням pgvector і dashboard на Next.js. mem0 — це memory layer для агентів. Ви надсилаєте йому діалог, мовна модель виокремлює з нього довготривалі факти, а ці факти зберігаються як vectors, щоб наступний запит міг отримати релевантні дані.

Оцінка обсягу ресурсів у цій публікації станом на 2026-10-25 становила приблизно 1 GB пам’яті для трьох контейнерів і 3–4 GB дискового простору після побудови images. Якщо мовна модель працювала на іншому сервері, рекомендували VPS із 2 GB пам’яті. Для моделі 8B, квантизованої до 4 бітів і запущеної на тому самому сервері через Ollama, оцінка становила близько 6 GB лише для моделі та 8 GB для повністю локальної конфігурації.

Не покладайтеся на ці цифри з допису в блозі, зокрема з цього. Виміряйте фактичні ресурси стека, який ви зібрали.

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

docker stats виводить використання пам’яті для кожного контейнера, віднімаючи cache в Linux. docker system df -v виводить дисковий простір, який займає кожен image і кожен volume.

Стабільне споживання ресурсів не дорівнює піковому. docker compose up -d --build компілює dashboard на Next.js, і ця збірка Node споживає найбільше пам’яті за весь час інсталяції. Якщо збірка завершується з exit code 137, перевірте, чи не було завершення процесу через нестачу пам’яті. Підтвердьте причину, перш ніж шукати помилку в Docker:

dmesg -T | grep -i "killed process"

Якщо сервер здається надмірно складним для ваших потреб, доступні простіші варіанти. локальне сховище пам’яті агента без сервера і пам’ять, яка зберігається безпосередньо в Claude Code не використовують базу даних. Повертайтеся до цього варіанта, коли кільком агентам або кільком машинам потрібно читати ті самі спогади.

Чи потрібен Neo4j для графової пам’яті mem0?

Ні. Якщо в інструкції вам радять додати контейнер Neo4j, ця інструкція старіша за поточний код.

Раніше графова пам’ять у mem0 означала зовнішню графову базу даних, налаштовану за ключем graph_store зі значенням enable_graph, установленим у true. Новий алгоритм пам’яті, випущений у квітні 2026 року, вилучив обидва ключі з open source SDK. Вилучення сутностей тепер виконується в межах звичайного шляху додавання, а сутності записуються до другої колекції pgvector. Її назву утворено з назви основної колекції з доданим суфіксом _entities. Окреме налаштування не потрібне: колекцію буде створено під час першого використання, тому вбудоване зв’язування сутностей почне працювати під час наступного виклику add.

Відмова від графового сховища усуває потребу в JVM-контейнері, його heap і кількох сотнях мегабайтів образу. На VPS із 2 GB це може визначати, чи працюватиме система без використання swap.

Ось що ви втрачаєте. Раніше результати пошуку містили поле relations зі списком зв’язків між сутностями. Тепер цього поля немає. Збіги сутностей тепер підвищують позицію пам’яті в комбінованій оцінці, але структури, яку можна обходити, немає. Якщо застосунок обходив ці зв’язки, mem0 більше їх не зберігає. У такому разі потрібно підтримувати власну графову базу даних поза mem0 і наповнювати її власним кодом.

Файл compose у репозиторії призначений для розроблення

server/docker-compose.yaml оголошує name: mem0-dev, і саме це він робить. Прочитайте його перед запуском, оскільки для сервера в ньому є п’ять проблем.

  • Він збирає образ із server/dev.Dockerfile і монтує ваш checkout поверх образу за допомогою .:/app. Тому контейнер запускає вміст цього каталогу, а не те, що ви зібрали.
  • Його команда — 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. Вона під час кожного запуску повторно встановлює mem0ai із PyPI. Через це версія, яку запускає сервер, може змінитися під час перезапуску, який ви не вважали оновленням.
  • Той самий крок pip означає, що перезапуск без вихідного мережевого доступу завершується помилкою ще до запуску uvicorn. Тоді memory server недоступний, оскільки PyPI був недосяжний.
  • --reload запускає засіб відстеження файлів uvicorn. Він потрібен для перезапуску процесу після редагування коду. У production він лише споживає пам’ять і запускає другий процес, не виконуючи корисної роботи. Production Dockerfile також містить --reload у своєму CMD, тому команду все одно потрібно перевизначити.
  • Опубліковані порти — "8888:8000", "8432:5432" і "3000:3000". Опублікований порт без адреси перед ним прив’язується до 0.0.0.0. Тому Postgres стає доступним з публічного інтернету через порт 8432 одразу після запуску стека.

Останній момент потребує окремого попередження. Docker публікує порт, додаючи власні правила перед ланцюжком, яким керує ufw. Тому ufw deny 8432 не закриває опублікований порт контейнера. У статті Публікація портів Docker в обхід ufw розглянуто задіяні правила.

Файл compose для робочого сервера

Працюйте в server/, залиште init-db.sh без змін і замініть docker-compose.yaml на це.

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

Тут важливі п’ять змін, і кожна має свою причину.

Кожен запис ports починається з 127.0.0.1, тому ядро приймає такі підключення лише з самого сервера. Усі зовнішні запити проходять через reverse proxy, який є єдиним компонентом із сертифікатом.

Для Postgres взагалі немає блоку ports. Контейнер mem0 підключається до нього через mem0_network за іменем сервісу, тому публікація порту 8432 нічого не дає, але відкриває порт. Коли потрібна оболонка, використовуйте docker compose exec postgres psql -U postgres.

Історія переходить із bind mount ./history до іменованого тому. Bind mount прив’язує дані до одного шляху та одного uid на цьому хості, а іменований том є об’єктом Docker, який можна створювати як snapshot і переносити. У розділі Іменовані томи та bind mount описано, коли використовувати кожен варіант.

Команда видаляє --reload і зберігає alembic upgrade head. Не пропускайте цей крок міграції. Без нього застосунок запускається з базою даних без таблиць, і кожен запит завершується помилкою під час першого звернення до бази даних.

NEXT_PUBLIC_API_URL — це URL, до якого звертається браузер, тому тут має бути публічна HTTPS-адреса, а не http://mem0:8000. Next.js вбудовує значення NEXT_PUBLIC_ під час збирання, але образ цієї панелі замість цього містить шаблонне значення, а entrypoint під час запуску контейнера підставляє фактичне значення контейнера. Тому для його зміни потрібен docker compose up -d mem0-dashboard, який створює контейнер заново, але не виконує повторне збирання. docker compose restart mem0-dashboard повторно використовує старий контейнер, у файлах якого вже збережене старе значення, тому панель і далі звертається до неправильного хоста.

Секрети зберігаються в .env, а .env не має бути доступним з Інтернету

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

Установіть POSTGRES_PASSWORD, JWT_SECRET і ADMIN_API_KEY. Не змінюйте AUTH_DISABLED=false. Назва чесно описує дію цього прапора: якщо його ввімкнути, сервер передасть усю наявну в нього пам’ять будь-кому, хто може підключитися до порту. Установіть MEM0_TELEMETRY=false, якщо не хочете надсилати подію onboarding на upstream.

Значення ADMIN_API_KEY порівнюється із заголовком X-API-Key за допомогою secrets.compare_digest, і за збігу перевірка окремого ключа в базі даних повністю пропускається. Ендпоїнти пам’яті приймають ці облікові дані без визначення користувача; ендпоїнти, яким потрібен користувач, використовують перший обліковий запис як запасний варіант. Ендпоїнти лише для адміністраторів також приймають ці облікові дані до створення першого облікового запису. Це root-облікові дані для всього API. Поводьтеся з ними відповідно: не зберігайте їх в історії shell, не додавайте до git і не вставляйте в prompt. Compose env-файли та місця витоку секретів із них і як не передавати API-ключі в контекст агента безпосередньо стосуються цього випадку, оскільки клієнтами цього сервера є агенти.

Значення, завантажені з env_file, зберігаються в середовищі контейнера, а docker inspect виводить їх повністю. Будь-хто з групи docker може їх прочитати, а будь-хто з групи docker фактично має root-доступ до хоста.

Налаштуйте TLS перед API замість відкриття порту 8888

API відповідає на 127.0.0.1:8888, а dashboard — на 127.0.0.1:3000. nginx завершує TLS (захист транспортного рівня) на 443 і пересилає запити до обох сервісів.

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;
    }
}

Браузерний код dashboard викликає кожен шлях API за цим шаблоном у NEXT_PUBLIC_API_URL, зокрема /entities і /requests. Якщо пропустити один із них, nginx передасть такий виклик до Next.js. Тоді сторінка dashboard, якій потрібен цей виклик, отримає 404 замість даних.

proxy_read_timeout важливіший, ніж може здаватися. Під час виклику add процес блокується, поки мовна модель читає розмову та витягує факти. Локальна модель 8B на CPU регулярно працює довше за стандартний тайм-аут nginx у 60 секунд. У такому разі клієнт отримує 504 Gateway Time-out, хоча модель ще працює, а дані все одно записуються в пам’ять. У результаті створюється пам’ять, про яку клієнту повідомили як про невдалу операцію.

Закрийте решту портів за допомогою політики ufw із забороною за замовчуванням, залишивши відкритими 22, 80 і 443. Отримайте сертифікат за допомогою certbot на Ubuntu 24.04 за nginx. Порт 80 має залишатися доступним, оскільки цей процес використовує HTTP-01 challenge, який Let's Encrypt запускає лише на порту 80 під час отримання сертифіката та кожного поновлення. Якщо порт 80 закритий, потрібно перейти на DNS-01 або TLS-ALPN-01 на порту 443 за допомогою сумісного ACME-клієнта. Якщо сервер уже публікує інші застосунки через Traefik для маршрутизації кількох Compose-застосунків, додайте mem0 до цього маршрутизатора замість встановлення другого проксі.

Smoke-тест: додайте один memory і прочитайте його назад

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"}'

Коректна відповідь — це JSON-об’єкт зі списком results. Кожен елемент містить id, вилучений текст memory і "event": "ADD". Поточний алгоритм повертає лише події ADD. Події UPDATE і DELETE видалено, тому їхня відсутність не є помилкою.

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}'

Факт про Postgres 17 має повернутися з оцінкою. Передайте ідентифікатор усередині filters, як показано. Параметр верхнього рівня user_id також працює, а сервер щоразу записує в журнал Top-level user_id in /search is deprecated. Use filters={"user_id": "..."} instead., коли ви його використовуєте.

Після завершення видаліть тестові дані, щоб вони не впливали на реальні пошукові запити:

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

Якщо пошук повертає менше рядків, ніж очікувалося, спочатку перевірте значення за замовчуванням, перш ніж звинувачувати механізм пошуку. У поточному релізі top_k за замовчуванням дорівнює 20 замість 100, а threshold — 0.1, а не none, тому слабкі збіги тепер автоматично відфільтровуються. Коли це запрацює через curl, ці самі кінцеві точки можна підключити до агента — безпосередньо або через MCP-сервер, запущений на тому самому VPS.

Запускайте mem0 взагалі без ключа OpenAI

Почніть із блокувального обмеження, бо ви зіткнетеся з ним у перші п’ять хвилин. Образ сервера містить фіксований набір бібліотек провайдерів, а /configure відхиляє все, чого немає в цьому наборі:

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.

Перебудовувати нічого не потрібно. Ollama надає OpenAI-сумісний API за адресою /v1, підтримує /v1/chat/completions і /v1/embeddings, а OpenAI-провайдер mem0 приймає значення openai_base_url. Вкажіть у цьому ключі адресу Ollama, і вбудована перевірка пройде, оскільки провайдер справді є openai. Змінюється лише адреса.

Додайте Ollama до того самого Compose-проєкту:

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

Додайте ollama_models: під ключем верхнього рівня volumes:, а потім завантажте одну chat model і одну embedding model:

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

Якщо Ollama уже працює на хості як systemd unit, як описано в матеріалі безпосередній запуск Ollama на VPS, не вказуйте 127.0.0.1:11434. Усередині контейнера mem0 адреса 127.0.0.1 вказує на сам контейнер mem0. Додайте для сервісу mem0 extra_hosts: ["host.docker.internal:host-gateway"], задайте Environment="OLLAMA_HOST=0.0.0.0:11434" у systemd drop-in, щоб Ollama слухала адресу, доступну з bridge network, і залиште порт 11434 закритим у firewall.

Запитайте в моделі розмірність embedding до будь-якого налаштування

Цей крок визначає, чи працюватиме retrieval взагалі.

Сховище pgvector у mem0 створює таблицю з фіксованою шириною вектора vector vector(1536), оскільки embedding_model_dims за замовчуванням дорівнює 1536 — ширині text-embedding-3-small від OpenAI. nomic-embed-text повертає 768 значень. Усередині mem0 немає перевірки цих двох чисел, тому невідповідність проявляється в Postgres під час першої вставки:

expected 1536 dimensions, not 768

Не покладайтеся і на число в цьому абзаці. Запитайте модель:

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']))"

Команда виведе ширину, яку потрібно використати для вашої collection. Запишіть конфігурацію у файл, оскільки помилки під час передавання пароля Postgres через shell quoting часто потрапляють у 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"

Другий виклик зчитує конфігурацію назад. Це перевіряє, що запис виконано. Після цього повторіть наведений вище smoke test.

У цьому JSON є чотири неочевидні деталі. Помилка в будь-якій із них порушить роботу.

api_key — це рядок ollama, і Ollama ігнорує його значення. Він не може бути порожнім, оскільки бібліотека OpenAI client піднімає помилку ще до надсилання будь-якого запиту, якщо ключ не задано. Підійде будь-який непорожній рядок.

embedding_model_dims потрібно вказувати для vector store, а для embedder навмисно немає embedding_dims. mem0 передає параметр OpenAI dimensions лише тоді, коли задано embedding_dims, а бекенди, які не реалізують Matryoshka truncation, безумовно відхиляють цей параметр. Задайте ширину під час створення таблиці, а embedder залиште без змін.

collection_name — новий параметр. mem0 створює таблицю з CREATE TABLE IF NOT EXISTS, тому вказування іншої ширини для наявної collection нічого не змінить: старий стовпець vector(1536) залишиться, і кожна вставка завершуватиметься помилкою. Для зміни ширини потрібна нова назва collection або ручне видалення старої таблиці.

Host у openai_base_url — це назва Compose-сервісу ollama, а не localhost. Контейнери знаходять один одного за назвою сервісу у спільній network.

Чого коштує повністю локальний варіант

Реалістично оцініть якість. Основні benchmark-показники mem0 отримано на керованій платформі. README зазначає, що вона містить власні оптимізації, недоступні у open source SDK, і використовує стек моделей, назви якого не вказано. У дослідницькій статті, що лежить в основі початкових результатів LOCOMO, усі виклики моделей виконувалися через GPT-4o-mini, тобто hosted model. У будь-якому разі сприймайте ці показники як верхню межу, а не як прогноз для моделі 8B на вашому VPS. Невелика модель формулює факти менш точно, а іноді повертає прозу замість запитаного JSON. Це проявляється як виклик add, що повертає порожній список results без помилки.

Друга ціна — швидкість. Витягування даних лише на CPU займає секунди для кожного виклику add, і цю затримку ви сплачуєте за кожне збережене повідомлення. Модель, яка продовжує відповідь після запитаного JSON, збільшує затримку. Тому обмеження відповіді через num_predict встановлює максимальну тривалість одного виклику add. Якщо ця затримка критична, VPS із підключеним GPU — правильне рішення. Додавання CPU-ядер до моделі 8B допомагає значно менше, ніж зазвичай очікують. Змінити модель дешевше, ніж змінити сервер, а Nemotron 3.5 Lightning на VPS дає tag для завантаження, вимоги до RAM і змогу оцінити, чи достатньо швидко вона працює лише на CPU.

Незалежно від вибраної конфігурації діє одне правило: ніколи не змішуйте embedding models в одній collection. Дві різні моделі з однаковою шириною створюють несумісні вектори. Вставка виконується успішно, пошук повертає рядки, але ці рядки неправильні, і жоден компонент не повідомляє про помилку.

Резервні копії: баз даних дві, а не одна

Найпоширеніша помилка під час резервного копіювання mem0 — створити дамп лише однієї бази даних. init-db.sh створює mem0_app поруч із базою даних postgres за замовчуванням, і вони містять різні дані. База даних postgres містить колекції pgvector, тобто спогади. mem0_app містить користувачів, сеанси, API-ключі та журнали запитів. Кожен self-hosted застосунок по-своєму розділяє дані стану. Тому навіть два фотосервери, які виконують однакову роботу, можуть потребувати різних команд резервного копіювання. Перед тим як покладатися на дамп, з’ясуйте, які дані зберігає ваш застосунок. На іншому кінці цього діапазону — щось на кшталт бібліотеки Jellyfin, перебудованої під відеомагазин 90-х, яка отримує весь каталог з іншого сервісу. Для неї достатньо скопіювати власну конфігурацію. mem0 натомість потребує обох баз даних, інакше відновлення буде марним.

Якщо відновити лише postgres, спогади повернуться, але всі облікові записи та API-ключі буде втрачено. Тому автентифікуватися для їх читання буде неможливо. Створіть дамп обох баз даних і ролей однією командою:

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

Том із журналом історії розташований окремо від Postgres і потребує окремої копії:

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

Docker додає до імен томів префікс із назвою проєкту. Тому перед тим як використовувати mem0_mem0_history, перевірте назву свого тому командою docker volume ls.

Відновіть дані в тимчасовому контейнері та перевірте кількість рядків, перш ніж вважати резервну копію справною:

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

Резервна копія, яку ви жодного разу не відновлювали, є лише припущенням. Коли дампи будуть правильними, перенесіть їх за межі сервера за допомогою знімків restic у віддалене сховище, оскільки резервна копія на сервері, який вона має захищати, нічого не захищає.

Режими відмови та точні рядки, які ви побачите

{"detail":"Authentication required. Provide a Bearer token or X-API-Key header."} означає, що заголовок відсутній або вказаний з помилкою. Назва — X-API-Key, а curl надсилає назви заголовків буквально.

{"detail":"At least one identifier (user_id, agent_id, run_id) is required."} під час додавання означає, що запит не містив жодного з них. Memory потрібно прив’язати до певного контексту, оскільки пошук фільтрує саме за цими полями.

LLM provider 'ollama' is not bundled in this image з HTTP 400 означає, що ви надіслали "provider": "ollama". Використайте "provider": "openai", вказавши в openai_base_url адресу Ollama.

expected 1536 dimensions, not 768 від Postgres означає, що collection було створено з однією розмірністю, а embedder повертає іншу. Встановіть embedding_model_dims у vector store і використайте новий collection_name.

Пошук повертає безглузді рядки після зміни моделі, хоча помилок ніде немає. Розмірність збігається, тому база даних не виявляє проблеми, але дві моделі розміщують те саме речення в різних позиціях. Створіть нову collection і додайте дані повторно.

Connection refused у журналах mem0 під час звернення до Ollama зазвичай означає 127.0.0.1 у openai_base_url. Усередині контейнера ця адреса вказує на сам контейнер. Використайте ім’я сервісу або gateway хоста, якщо Ollama працює на хості.

504 Gateway Time-out від nginx під час додавання означає, що модель працювала довше, ніж proxy_read_timeout. Збільште це значення та перед повторною спробою перевірте, чи memory не було записано.

exit code 137 під час docker compose up --build означає, що процес завершено сигналом SIGKILL, оскільки для фатального сигналу N повідомляється значення 128 + N, а SIGKILL — це сигнал 9. Під час збирання dashboard на невеликому VPS найімовірніше сигнал надіслав out-of-memory killer, тому перед подальшими діями виконайте перевірку dmesg з першого розділу. Якщо вона показує, що процес було завершено, додайте swap або зберіть image на потужнішій машині й передайте його до registry.

error: port 3000 is already in use надходить від target make up у репозиторії. Він відмовляється запускатися, якщо порти 3000 або 8888 уже зайняті. Знайдіть процес-власник за допомогою lsof -iTCP:3000 -sTCP:LISTEN.

FAQ

Чи потрібен мені Neo4j, щоб запускати mem0 із графовою пам’яттю?

Ні. Новий алгоритм пам’яті, випущений у квітні 2026 року, вилучив ключі конфігурації graph_store і enable_graph з open source SDK. Витягування сутностей тепер виконується під час звичайної операції add і записує дані до другої колекції pgvector з назвою <collection_name>_entities, тому зовнішня графова база даних, додатковий контейнер і окремий етап налаштування не потрібні. Компроміс полягає в тому, що поле relations у результатах пошуку більше не існує. Тепер сутності підвищують рейтинг memory, а не надають ребра для обходу графа. Тому застосунок, який обходив ці зв’язки, має використовувати власне графове сховище поза mem0.

Який найменший VPS може запускати self-hosted сервер mem0?

Оцінка ресурсів станом на 2026-10-25 становила 2 GB RAM і приблизно 4 GB вільного дискового простору для API-контейнера, Postgres і dashboard за умови, що language model розміщена на іншому сервері. Найбільше навантаження припадає на перше складання, оскільки компіляція Next.js dashboard потребує більше пам’яті, ніж його запуск. Якщо складання завершується з повідомленням exit code 137, перевірте, чи не було процес завершено через нестачу пам’яті. Для Ollama на тому самому сервері ця оцінка передбачала приблизно 6 GB для моделі 8B із 4-bit quantisation і 8 GB для всього стеку. Виміряйте споживання ресурсів під час складання та роботи моделі, перш ніж вважати ці оцінки мінімальними вимогами.

Чи можна запускати mem0 без ключа OpenAI API?

Так, через OpenAI-compatible endpoint Ollama. Встановлення "provider": "ollama" завершується помилкою, оскільки образ сервера містить лише бібліотеки openai, anthropic і gemini та повертає HTTP 400. Натомість залиште "provider": "openai" і встановіть "openai_base_url": "http://ollama:11434/v1" з будь-яким непорожнім значенням api_key для llm та embedder. Ollama ігнорує цей ключ, а вбудована перевірка provider проходить, оскільки фактичним provider є openai.

Чому mem0 не повертає результатів після переходу на локальну embedding model?

Тому що таблицю pgvector створено з фіксованою розмірністю. embedding_model_dims за замовчуванням має значення 1536, nomic-embed-text повертає 768, а Postgres відхиляє вставку з помилкою expected 1536 dimensions, not 768. mem0 створює таблицю зі значенням CREATE TABLE IF NOT EXISTS, тому сама зміна числа не впливає на наявну collection. Встановіть embedding_model_dims відповідно до фактичної розмірності моделі, перевірте цю розмірність викликом /v1/embeddings і підрахунком отриманих значень, а також одночасно задайте для vector store нове значення collection_name.

Чи була ця стаття корисною?