mem0 — Universal Memory Layer
Self-hosted mem0 mit Bunker-LLM. Hebt aus Gesprächs-Texten automatisch Memories aus, indiziert sie semantisch, durchsucht sie auf Knopfdruck — ohne Cloud-Memory-Provider, ohne dass irgendein Memory unsere Hardware verlässt.
Was mem0 anders macht als unsere bestehenden Memory-Patterns
Qognio hat schon Memory-Strukturen: org_memories (geteilter Org-Pool),
Tutor-Mastery (Spaced-Repetition), Wissenspool-Module. mem0 ergänzt das um eine
universelle Per-User-Memory-Schicht: extrahiert automatisch Fakten
aus jeder Konversation, dedupliziert, ranked nach Wichtigkeit, durchsucht semantisch.
Konkret heißt das: ein Bot sagt einmal „mem0 → add(message, user_id)", und alle künftigen Calls können „mem0 → search(query, user_id)" und kriegen die relevantesten Erinnerungen zurück. Keine Schema-Pflege, kein manuelles Tagging.
Beispiel-Use-Cases
- Personal-Tutor-Bot: Lernhistorie über Wochen — welche Themen wurden schon behandelt, welche Lücken gibt es?
- Examens-Coach: Themen-Memory zwischen Sessions („wir haben Thema X letzte Woche besprochen — da fehlte dir noch Aspekt Y").
- Recruiter-Workflow: Mandanten-Präferenzen pro Stellenprofil — Tonalitäts-Wünsche, vorherige Ablehnungs-Gründe.
- Voice-Bestellauskunft: Anrufer-Präferenzen („Status-Updates per SMS, nicht Mail").
Architektur
Browser/Bot
│ X-Mem0-Key + JSON
▼
Edge-Reverse-Proxy → Sovereign-Container
├─ nginx (TLS-Terminierung)
└─ FastAPI-Wrapper (uvicorn)
└─ mem0.Memory:
├─ LLM-Extraktion → qwen3.6-27b-bunker
├─ Embeddings → bge-m3-bunker
└─ Vector-Store → ChromaDB (lokal)
API
POST /api/memories/add
body: { "messages": [...] | string, "user_id": "alice", "metadata": {} }
POST /api/memories/search
body: { "query": "...", "user_id": "alice", "limit": 5 }
GET /api/memories/{user_id}
DELETE /api/memories/{user_id}
Alle Calls brauchen X-Mem0-Key-Header.
Sovereign-Aspekt
mem0 Cloud würde uns 10€/Monat sparen — aber dann würden Customer-Memories (Lerngeschichte, Kandidaten-Notizen, Anrufer-Präferenzen) auf US-Cloud landen. Self-hosted heißt: jede einzelne Erinnerung lebt nur im Bunker.
Lessons-Learned
1) mem0 ist drop-in auf OpenAI-API-kompatible Endpoints
Gleicher Trick wie bei Haystack: openai_base_url auf LiteLLM-Bunker zeigen, fertig. Kein Custom-Adapter nötig.
2) ChromaDB ist überraschend gut für Single-Container-Demos
Embedded SQLite + DuckDB-Storage — kein Server-Setup. Skaliert bis ~100k Memories ohne Schmerzen. Für richtige Volumes wäre Qdrant der nächste Schritt.
📦 Als Addon buchbar
Wir hängen mem0 auch in eure existierenden Chat-Bots oder Workflows:
- mem0-Service-Setup auf eurer Infra (LXC, Container, K8s)
- Integration in 1-2 Customer-Bots (Memory.add + search in den Tool-Loop)
- User-Memory-Dashboard für Admin-Review (optional)
- 1–2 Personentage