Metadata-Version: 2.4
Name: mem0-dbay
Version: 0.1.1
Summary: PostgreSQL + pgvector graph store backend for Mem0 — powered by dbay.cloud
Author-email: DBay <hello@dbay.cloud>
License: MIT
Project-URL: Homepage, https://dbay.cloud
Project-URL: Repository, https://github.com/aspect-build/mem0-dbay
Keywords: mem0,graph,pgvector,postgresql,dbay,memory,ai-agent
Classifier: Development Status :: 3 - Alpha
Classifier: Intended Audience :: Developers
Classifier: Topic :: Scientific/Engineering :: Artificial Intelligence
Classifier: License :: OSI Approved :: MIT License
Classifier: Programming Language :: Python :: 3
Requires-Python: >=3.10
Description-Content-Type: text/markdown
Requires-Dist: mem0ai>=0.1.0
Requires-Dist: psycopg2-binary>=2.9.0
Requires-Dist: pgvector>=0.3.0
Requires-Dist: rank_bm25>=0.2.0
Provides-Extra: dev
Requires-Dist: pytest>=8.0; extra == "dev"
Requires-Dist: numpy>=1.24; extra == "dev"

# mem0-dbay

**干掉 Neo4j，一个数据库搞定一切。**

`mem0-dbay` 是 [Mem0](https://github.com/mem0ai/mem0) 的图存储插件，用 [dbay.cloud](https://dbay.cloud) 的 Serverless PostgreSQL + pgvector 替代 Neo4j。向量存储和图存储跑在同一个数据库里，零基础设施运维。

## 为什么需要这个？

自托管 Mem0 需要 **3 个独立的数据库**：

```
Mem0 → PostgreSQL + pgvector  （向量存储）
     → Neo4j                  （图存储）    ← 额外基础设施
     → SQLite                 （历史记录）
```

Neo4j 带来的痛苦：
- 多一个数据库要部署、监控、备份、付费
- Docker 冷启动 90 秒（`start_period: 90s`）
- 完全不同的查询语言（Cypher）
- 依赖 APOC 插件

**用 mem0-dbay，一切跑在一个 [dbay.cloud](https://dbay.cloud) 数据库上：**

```
Mem0 → dbay.cloud PostgreSQL  （向量 + 图谱 + 历史，全部搞定）
```

一个连接串。一个数据库。不用 Cypher。不用运维。

## 快速开始

### 1. 在 [dbay.cloud](https://dbay.cloud) 创建免费数据库

注册 [dbay.cloud](https://dbay.cloud)，创建一个数据库，拿到连接串：

```
postgres://user_xxx:password@pg.dbay.cloud:4432/my-mem0-db?sslmode=require&options=endpoint%3Dmy-mem0-db
```

pgvector 已预装。不需要手动启用扩展，不需要手动建表 —— `mem0-dbay` 全自动处理。

### 2. 安装

```bash
pip install mem0-dbay
```

### 3. 使用

```python
import mem0_dbay

DBAY_URL = "postgres://user_xxx:password@pg.dbay.cloud:4432/my-mem0-db?sslmode=require&options=endpoint%3Dmy-mem0-db"

m = mem0_dbay.create_memory({
    "graph_store": {
        "provider": "dbay",
        "config": {"connection_string": DBAY_URL, "embedding_dimension": 1536}
    },
    "vector_store": {
        "provider": "pgvector",
        "config": {"connection_string": DBAY_URL, "embedding_model_dims": 1536}
    },
    "llm": {
        "provider": "openai",
        "config": {"api_key": "sk-..."}
    },
    "embedder": {
        "provider": "openai",
        "config": {"api_key": "sk-..."}
    },
})

# 添加记忆 —— 自动提取实体和关系
m.add("Alice 在 Google 当工程师", user_id="alice")
m.add("Bob 是 Alice 在 Google 的上司", user_id="alice")

# 搜索 —— 向量相似度 + 图谱关系扩展 + BM25 重排序
results = m.search("Alice 在哪里工作？", user_id="alice")
```

就这么简单。不需要装 Neo4j，不需要 Docker Compose 起 3 个容器。`pip install` + 一个连接串就行。

## 支持任何 OpenAI 兼容的 LLM

不只是 OpenAI —— 可以用 DeepSeek、硅基流动 SiliconFlow 或任何 OpenAI 兼容的服务：

```python
m = mem0_dbay.create_memory({
    "graph_store": {
        "provider": "dbay",
        "config": {"connection_string": DBAY_URL, "embedding_dimension": 1024}
    },
    "vector_store": {
        "provider": "pgvector",
        "config": {"connection_string": DBAY_URL, "embedding_model_dims": 1024}
    },
    "llm": {
        "provider": "openai",
        "config": {
            "api_key": "sk-...",
            "openai_base_url": "https://api.siliconflow.cn/v1",
            "model": "deepseek-ai/DeepSeek-V3",
        }
    },
    "embedder": {
        "provider": "openai",
        "config": {
            "api_key": "sk-...",
            "openai_base_url": "https://api.siliconflow.cn/v1",
            "model": "BAAI/bge-m3",
        }
    },
})
```

## 为什么选 dbay.cloud？

[dbay.cloud](https://dbay.cloud) 是专为 AI 场景打造的 **Serverless PostgreSQL 平台**。

| | 自建 PG + Neo4j | dbay.cloud |
|---|---|---|
| **要管几个数据库** | 2 个（PG + Neo4j） | 0 个 —— 全托管 |
| **空闲成本** | 24/7 运行（~$50+/月） | **Scale-to-zero** —— 空闲零成本 |
| **冷启动** | Neo4j: 90秒 | ~500ms 热启动 / ~8s 冷启动 |
| **算力弹性** | 固定规格 | **1cu–8cu 按需弹性** —— 跟着负载走 |
| **pgvector** | 自己装 | 预装，HNSW 索引开箱即用 |
| **BM25 全文检索** | 没有 | **pg_search (ParadeDB)** 预装 |
| **数据库分支** | 不可能 | **Git 风格 copy-on-write 分支** |
| **搭建时间** | 几小时（Docker、配置、健康检查） | 30 秒 |

### Scale-to-zero：空闲不花钱

大多数 AI 记忆数据库 90% 的时间都是空闲的。在 dbay.cloud 上，空闲数据库自动休眠，零成本。Agent 查询时，数据库 ~500ms 自动唤醒。每个用户一个独立记忆数据库也不是问题 —— 不活跃的不花钱。

### Git 风格分支：A/B 测试记忆策略

想测试新的记忆反思策略，又不想影响生产数据？

```
main（生产记忆）
  ├── branch: experiment-a  ← 测试新的实体提取 prompt
  └── branch: experiment-b  ← 测试不同的相似度阈值
```

分支是瞬间 copy-on-write —— 零存储开销。对比结果，留下赢家，删掉其余。其他记忆基础设施做不到这一点。

### 弹性算力：批处理轻松扩容

跑批量记忆反思任务？临时扩到 8cu（8 vCPU / 16 GB），跑完缩回 1cu。不用改配置、不用重启、不用停机。

## 它是怎么工作的？

Mem0 的图谱记忆其实只做很简单的操作 —— 不用 PageRank，不用最短路径，不用图算法：

| Mem0 做的事 | Neo4j (Cypher) | mem0-dbay (SQL) |
|---|---|---|
| 存实体 | `:__Entity__` 节点 | `graph_nodes` 表 |
| 向量相似搜索 | `vector.similarity.cosine()` | pgvector `<=>` 算子 |
| 存关系 | `MERGE (a)-[r:TYPE]->(b)` | `INSERT INTO graph_edges` |
| 查邻居 | `MATCH (n)-[r]->(m)` | `JOIN graph_edges ON ...` |

两张 PostgreSQL 表替代一整个 Neo4j 实例。

## Mem0 已经支持 pgvector 了，这个有什么不同？

Mem0 本身已经支持 pgvector 做**向量存储**。但**图存储**仍然需要 Neo4j（或 Memgraph / Neptune / Kuzu）。

`mem0-dbay` 把图存储也换成了 PostgreSQL，两个存储共用一个数据库：

```
                        向量存储        图存储
                        ────────        ──────
Mem0 默认:              pgvector ✅     Neo4j ❌（另一个数据库）
Mem0 + mem0-dbay:       pgvector ✅     pgvector ✅（同一个数据库！）
```

## 也支持本地 PostgreSQL

如果你更喜欢自托管，`mem0-dbay` 也支持任何装了 pgvector 的 PostgreSQL：

```python
"connection_string": "postgresql://user:pass@localhost:5432/mydb"
```

## 许可

MIT
