企业官网建设流程全解析

基于 Mem0、OpenAI 与 Supabase 构建带长期记忆的 AI 助手（含 Live Agent Studio 集成实战）

【免费下载链接】ottomator-agentsAll the open source AI Agents hosted on the oTTomator Live Agent Studio platform!项目地址: https://gitcode.com/GitHub_Trending/ot/ottomator-agents

导读

本文以 mem0-agent 项目为核心，系统讲解如何利用 Mem0 记忆库、OpenAI 大模型、Supabase（认证 + 向量存储）与 Streamlit 界面，构建一个"记得住过去"的 AI 助手：它能跨会话回忆用户偏好、自动把对话沉淀为长期记忆，并在每次回答前检索相关记忆注入提示词。读者将从零起步完成环境搭建、三层演进实现（内存版 → Supabase 持久化版 → 带认证的 Web 界面版），并进一步掌握将该 Agent 通过 FastAPI 端点 + Docker 部署到 Live Agent Studio 的完整方案。

项目概览与核心特性

该仓库演示了如何用 Mem0 库为 AI 助手赋予记忆能力，技术栈为：

• Mem0（mem0ai==0.1.65）：负责记忆的抽取、存储与检索；
• OpenAI：负责基于"查询 + 记忆"生成回复；
• Supabase（supabase==2.13.0）：提供用户认证与 pgvector 向量存储；
• Streamlit（streamlit==1.43.0）：提供易于使用的 Web 聊天界面。

核心特性（详见 README.md）：

• 🧠 长期记忆：AI 能记住过去的对话与用户偏好；
• 🔒 安全认证：用户数据通过 Supabase Auth 保护；
• 💬 个性化回复：回复会结合历史与上下文进行定制；
• 🌐 Streamlit 界面：开箱即用的 Web 聊天入口。

项目结构：四种递进式实现

仓库并非只提供一个版本，而是给出了一条从"最小可用"到"平台集成"的渐进实现路径：

其中studio-integration-version目录专门用于接入 Live Agent Studio 平台，包含：

• API 端点：mem0_agent_endpoint.py
• 核心 Agent 实现：mem0_agent.py
• 容器化配置：Dockerfile
• 依赖清单：requirements.txt

环境准备与前置条件

开始前请确认以下前置条件：

• Python 3.11+
• OpenAI API Key
• Supabase 账号与项目

第一步：创建并激活虚拟环境

# Windows python -m venv venv venv\Scripts\activate # macOS / Linux python -m venv venv source venv/bin/activate

第二步：安装依赖

仓库根目录的 requirements.txt 已锁定完整依赖（含 mem0ai、openai、supabase、streamlit、fastapi、pydantic-ai、logfire 等）：

pip install -r requirements.txt

第三步：配置环境变量

复制.env.example为.env并填入密钥。README 中明确的环境变量如下：

注意：当前仓库目录中未包含.env.example实体文件，请根据上表自行创建。同时注意 README 中的提示——数据库密码中不要使用特殊字符，否则可能导致DATABASE_URL解析失败。

第四步：运行应用

streamlit run iterations/v3-streamlit-supabase-mem0.py

Supabase 配置要点

1. 创建 Supabase 账号与项目；
2. 在 Project Settings > Database 获取数据库连接串；
3. 在 Project Settings > API 获取 API Keys；
4. 确认项目中已启用Email Auth（README 故障排查一节明确要求），否则注册登录会失败。

工作原理：记忆增强的四步流水线

README 给出的核心工作流程为：用户发送消息后，系统依次执行 4 个动作——

1. 检索相关记忆：基于查询语句召回与该用户相关的历史记忆；
2. 记忆注入提示词：把检索到的记忆拼入给 OpenAI 的 system prompt；
3. 沉淀新记忆：把本轮对话作为新记忆写入记忆库；
4. 返回回复：将 AI 生成的内容展示给用户。

从 v1-basic-mem0.py 源码中可以清晰看到该流水线的落地（第 20–35 行）：

def chat_with_memories(message: str, user_id: str = "default_user") -> str: # 1. 检索相关记忆（limit=3） relevant_memories = memory.search(query=message, user_id=user_id, limit=3) memories_str = "\n".join(f"- {entry['memory']}" for entry in relevant_memories["results"]) # 2. 将记忆注入 system prompt system_prompt = f"You are a helpful AI. Answer the question based on query and memories.\nUser Memories:\n{memories_str}" messages = [{"role": "system", "content": system_prompt}, {"role": "user", "content": message}] response = openai_client.chat.completions.create(model="gpt-4o-mini", messages=messages) assistant_response = response.choices[0].message.content # 3. 追加 assistant 回复后，将整段对话沉淀为新记忆 messages.append({"role": "assistant", "content": assistant_response}) memory.add(messages, user_id=user_id) return assistant_response

三个关键调用值得展开：

• memory.search(query, user_id, limit=3)：语义检索接口，按用户隔离记忆、限制返回条数；
• memory.add(messages, user_id)：接受 OpenAI 风格的对话消息列表（role/content），自动从中抽取并存储记忆，user_id用于实现多用户隔离；
• user_id设计：v1/v2 中默认"default_user"，v3 中改为登录用户的user.id，Studio 版本则透传请求中的user_id——这是记忆按用户隔离的关键。

从内存版到持久化版：两版配置对比

v1：纯内存存储

v1-basic-mem0.py 只配置 LLM，未声明vector_store，Mem0 会退化为进程内存储，重启即失忆：

config = { "llm": { "provider": "openai", "config": { "model": "gpt-4o-mini" } } } memory = Memory.from_config(config)

v2：接入 Supabase 向量存储

v2-supabase-mem0.py 在配置中显式声明vector_store为 Supabase，模型名改由环境变量控制（第 9–23 行）：

config = { "llm": { "provider": "openai", "config": { "model": os.getenv('MODEL_CHOICE', 'gpt-4o-mini') } }, "vector_store": { "provider": "supabase", "config": { "connection_string": os.environ['DATABASE_URL'], "collection_name": "memories" } } } memory = Memory.from_config(config)

这里需要理解三个配置位的含义：

• llm.config.model：记忆抽取与语义检索所使用的大模型，默认gpt-4o-mini；
• vector_store.provider: "supabase"：指定向量库后端，Mem0 通过 pgvector 进行向量存取；
• collection_name: "memories"：Supabase 中存储记忆的集合（表）名。

v1 → v2 的唯一差异就是这段向量存储配置，由此可实现"记忆持久化 + 跨会话召回"，这正是整个项目的核心价值所在。

三、Streamlit Web 版：认证 + 记忆管理界面

v3-streamlit-supabase-mem0.py 是完整可演示的 Web 应用，相比 v2 增加了三层能力：

1. 资源缓存

用@st.cache_resource缓存 OpenAI Client 与 Memory 实例，避免每次交互重建连接（第 33–54 行）：

@st.cache_resource def get_openai_client(): return OpenAI() @st.cache_resource def get_memory(): config = { "llm": {"provider": "openai", "config": {"model": model}}, "vector_store": { "provider": "supabase", "config": { "connection_string": os.environ['DATABASE_URL'], "collection_name": "memories" } } } return Memory.from_config(config)

2. Supabase 认证三件套

• sign_up(email, password, full_name)：注册，并把full_name写入用户 metadata，成功后写入 session state 并st.rerun()；
• sign_in(email, password)：密码登录，成功后保存user对象；
• sign_out()：登出并清理认证相关的 session state。

3. 记忆管理入口

登录后侧边栏显示用户 ID，并提供"Clear All Memories"按钮，调用memory.clear(user_id=user.id)一键清空该用户全部记忆——这展示了 Mem0 记忆管理的另一核心 APIclear。

聊天主界面使用st.chat_message渲染消息流，st.chat_input接收输入，用户 ID 直接取st.session_state.user.id作为 mem0 的user_id，从而做到记忆按账号严格隔离。

Live Agent Studio 集成：Pydantic AI Agent + FastAPI 端点

studio-integration-version演示了如何将记忆能力嵌入 Pydantic AI Agent 并部署到平台，是面向生产的关键章节。

Agent 定义（mem0_agent.py）

Agent 通过依赖注入接收记忆字符串，记忆不是硬编码进提示词，而是以依赖形式在运行时注入：

@dataclass class Mem0Deps: memories: str mem0_agent = Agent( OpenAIModel(llm), # llm 取自 LLM_MODEL，默认 gpt-4o-mini system_prompt=f'You are a helpful AI. Answer the question based on query and memories. ' f'The current date is: {datetime.now().strftime("%Y-%m-%d")}', deps_type=Mem0Deps, retries=2 ) @mem0_agent.system_prompt def add_memories(ctx: RunContext[str]) -> str: return f"\nUser Memories:\n{ctx.deps.memories}"

要点：

• deps_type=Mem0Deps：声明依赖类型，把检索到的记忆通过RunContext.deps.memories注入 system prompt；
• retries=2：模型调用失败时自动重试 2 次；
• 系统提示中带当前日期，便于模型回答涉及时间的问题。

FastAPI 端点（mem0_agent_endpoint.py）

端点是平台与 Agent 之间的桥梁，其完整请求处理链路如下：

1. 请求模型与安全校验

class AgentRequest(BaseModel): query: str user_id: str request_id: str session_id: str

端点使用HTTPBearer+API_BEARER_TOKEN环境变量做 Bearer Token 鉴权：verify_token在 token 未配置时返回 500，不匹配时返回 401。

2. 会话历史管理（Supabase messages 表）

• fetch_conversation_history(session_id, limit=10)：按session_id从messages表查询最近 10 条消息，按created_at倒序后反转，得到时间正序历史；
• store_message(...)：把人类消息（type="human"）与 AI 回复（type="ai"）写入 Supabase，AI 回复可附带request_id等元数据。

3. 历史转 Pydantic AI 消息

将 Supabase 中取回的消息转换为 Pydantic AI 的ModelRequest/ModelResponse结构，作为message_history传入 Agent：

msg = ModelRequest(parts=[UserPromptPart(content=msg_content)]) if msg_type == "human" \ else ModelResponse(parts=[TextPart(content=msg_content)])

4. 记忆检索与注入

relevant_memories = memory.search(query=request.query, user_id=request.user_id, limit=3) memories_str = "\n".join(f"- {entry['memory']}" for entry in relevant_memories["results"]) deps = Mem0Deps(memories=memories_str) result = await mem0_agent.run(request.query, message_history=messages, deps=deps)

5. 记忆更新与错误兜底

对话结束后，把用户查询与 AI 回复组成消息对写入记忆：

memory_messages = [ {"role": "user", "content": request.query}, {"role": "assistant", "content": result.data} ] memory.add(memory_messages, user_id=request.user_id)

异常时返回success=False，并向会话写入一条道歉消息与错误详情，保证平台侧始终能看到可追踪的对话记录。

容器化部署（Dockerfile）

FROM ottomator/base-python:latest ARG PORT=8001 ENV PORT=${PORT} WORKDIR /app COPY . . RUN pip install --no-cache-dir -r requirements.txt EXPOSE ${PORT} CMD ["sh", "-c", "uvicorn mem0_agent_endpoint:app --host 0.0.0.0 --port ${PORT}"]

基于ottomator/base-python基础镜像，通过构建参数PORT（默认 8001）控制监听端口，启动命令用 uvicorn 拉起mem0_agent_endpoint应用。部署时需为容器注入OPENAI_API_KEY、DATABASE_URL、SUPABASE_URL、SUPABASE_SERVICE_KEY、LLM_MODEL、API_BEARER_TOKEN等环境变量。

常见问题排查（Troubleshooting）

1. 认证问题

• 检查.env中 Supabase 凭据是否正确；
• 确认 Supabase 项目已启用Email Auth（README 明确要求）。

2. 数据库连接问题

• 核对DATABASE_URL格式是否正确；
• 数据库密码中不要使用特殊字符（见.env.example中的提示），避免连接串被错误解析。

3. 其他实践建议（由源码推导）

• 若认证成功但记忆为空，可检查memory.add是否在每次对话后执行（v1/v2/v3 与 Studio 版均在响应后调用）；
• 多用户场景下务必确保每次调用search/add/clear都传入正确的user_id，这是记忆隔离的唯一依据；
• 部署到 Studio 时，务必同时配置API_BEARER_TOKEN，否则端点会直接返回 500。

总结

mem0-agent 以四个渐进版本展示了"记忆增强型 AI 助手"的完整工程路径：先用 v1-basic-mem0.py 理解Memory.search/Memory.add的最小闭环；再通过 v2-supabase-mem0.py 接入 pgvector 实现记忆持久化；随后用 v3-streamlit-supabase-mem0.py 补齐用户认证与记忆管理界面；最后借助 studio-integration-version 把 Agent 打包为带鉴权、带消息历史、带记忆闭环的 FastAPI 服务，无缝部署到 Live Agent Studio。对于任何希望为 Agent 添加"长期记忆"能力的开发者，这条路径都值得直接复用——把其中的 OpenAI 模型替换为其他兼容提供商（requirements.txt中已内置 Anthropic、Cohere、Groq、Mistral 等驱动依赖）即可快速迁移。

【免费下载链接】ottomator-agentsAll the open source AI Agents hosted on the oTTomator Live Agent Studio platform!项目地址: https://gitcode.com/GitHub_Trending/ot/ottomator-agents