上篇尝试了Dify内置的两种记忆机制：上下文记忆让AI记住“刚聊了什么”，会话变量让AI记住“用户是什么样的人”。但两者都有一个共同的边界——记忆止步于单次会话，会话结束即清零。
本文正式进入Dify记忆能力的第2阶段：外部持久化记忆，基于Mem0插件实现跨会话、永不过期的智能记忆。笔者采用Mem0官方推荐的轻量私有化部署模式：只需要一个PostgreSQL数据库（带pgvector扩展），加上LLM和Embedding模型的API密钥，在Dify插件里配好JSON即可。不需要部署完整的Mem0 API服务、认证和Dashboard，适合快速上手验证。
1. 安装PostgreSQL + pgvector
Mem0的记忆存储依赖向量数据库。我们使用官方的pgvector/pgvector:pg16镜像，它已经预装了vector扩展，开箱即用。
docker run -d \ --name pgvector-db \ -p 5432:5432 \ -e POSTGRES_USER=postgres \ -e POSTGRES_PASSWORD=postgres \ -e POSTGRES_DB=mem0db \ -v $(pwd)/pgvector_data:/var/lib/postgresql/data \ pgvector/pgvector:pg16
参数解释：
POSTGRES_USER和POSTGRES_PASSWORD：账号密码都设置为postgres；
POSTGRES_DB：自动创建一个名为mem0db的数据库；
-v $(pwd)/pgvector_data：数据持久化到本地目录，防止容器删除后数据丢失；
⚠️ 关键：虽然镜像自带了vector插件，但必须在数据库中手动开启扩展，否则Mem0自动建表时会报错。
docker exec -it pgvector-db psql -U postgres -d mem0db -c "CREATE EXTENSION IF NOT EXISTS vector;"
输出“CREATE EXTENSION”，说明扩展已成功开启。
2. 在Dify中配置Mem0插件
在Dify插件市场中搜索 mem0，笔者推荐使用“mem0ai ”插件。它功能最全，提供了包括添加、搜索、更新、删除在内的12项记忆管理工具，并且专门支持私有化部署模式（Self-Hosted Mode）。
🌈 Mem0插件的价值，就在于把“记忆”从黑盒变成了你可以查看、编辑、删除的白盒资产。
笔者下载的插件版本为0.3.1，在插件配置界面中，需要填写LLM配置、向量模型配置、向量数据库配置三个必填项。笔者采用硅基流动的LLM、Embedder模型，向量表的纬度需要和Embedder模型纬度保持一致。
LLM配置
{ "provider": "openai", "config": { "model": "Qwen/Qwen2.5-72B-Instruct", "api_key": "sk-xxx（API秘钥）", "openai_base_url": "https://api.siliconflow.cn/v1", "temperature": 0.1, "max_tokens": 256 }}向量模型配置
{ "provider": "openai", "config": { "model": "BAAI/bge-large-zh-v1.5", "api_key": "sk-xxx（API秘钥）", "openai_base_url": "https://api.siliconflow.cn/v1" }}向量数据库配置
{ "provider": "pgvector", "config": { "connection_string":"postgresql://postgres::5432/mem0db?sslmode=disable&keepalives=1&keepalives_idle=30&keepalives_interval=10&keepalives_count=3&connect_timeout=5", "collection_name": "mem0", "embedding_model_dims":1024 }}⚠️ 注意：Mac上Docker容器内访问宿主机服务，请使用host.docker.internal而非localhost。
保存配置后，如果连接成功，插件状态会自动点亮绿灯。
在Dify中创建一个Chatflow（关注本公众号，在后台【私信】中回复“手抄报”，获取本案例DSL），引入mem0ai插件。核心架构如下：
开始节点 → mem0检索节点 → LLM节点 → mem0存储节点 → 回答节点
关键配置：user_id 隔离机制
在测试环境下，如何固定user_id？有两种方式：
方式一（推荐）：在mem0插件的user_id字段中直接填入{{sys.user_id}}。Dify会自动映射当前用户的唯一标识，无论测试还是发布都有效。
方式二：在流水线中自定义一个变量节点A，设置user_id值，然后在插件中填入{{节点A.user_id}}。手动控制更灵活，适合多用户模拟测试。
🧨 排除干扰：为了避免LLM节点自带的上下文记忆干扰测试结果，需要关闭LLM节点的记忆功能。这样每一次提问都是“失忆”状态，AI完全依赖Mem0来回忆——这才是对记忆能力的真正考验。
笔者在记忆相关模块后添加了输出节点，在测试面板中可以直接看到记忆的检索和存储过程。
轮次01：保存记忆
告诉聊天助手一些信息：“我叫小明，正在参与一个项目，项目编号是9527。”助手提示记忆写入（Mem0已经将这条信息向量化后存入pgvector）。当前的user_id为a94fb6ae-991c-4c69-86f3-26c94d3fc4c7。
轮次02：查询记忆
问下聊天助手：“我叫什么名字？我参与的项目编号是什么？”助手通过Mem0检索到历史记忆，准确返回了刚才的输入信息。
✅ 记忆能力验证通过！
在终端执行以下命令进入数据库查看原始数据：
docker exec -it pgvector-db psql -U postgres -d mem0db
查询记忆表：
SELECT id, payload FROM mem0;
可以看到表中完整记录了user_id、交互内容、向量嵌入等结构化数据
👏🏻 你的记忆资产，完全掌握在自己手里！
