Mem0

Mem0 は、文脈を保った会話を維持するために設計されたメモリエンジンです。ユーザーが同じ内容を繰り返し入力する必要をなくし、エージェントが一貫性のある継続的な応答を返せるようにします。すべてを自社インフラ上で管理したいチームに適したアダプティブなメモリソリューションであり、スタック・データ・カスタマイズを完全にコントロールできます。

前提条件

作業を始める前に、以下の環境を準備してください。

SambaCloud のアカウントと API キー
OpenAI の API キー。 Mem0 はチャットモデルに加えて Embedding (埋め込み) モデルを必要としますが、SambaNova の Embedding は SambaStack のみで提供されています。SambaCloud では embedder を別のプロバイダーから用意する必要があるため、SambaNova のキーに加えて OPENAI_API_KEY が必須です。どの呼び出しがどこへ送られるかは Mem0 での SambaNova の使われ方をご参照ください。
Python 3.10 以上。サンプルリポジトリでバージョン固定されている langchain および langchain-sambanova のリリースは 3.10 を必要とするため、3.9 では pip install -r requirements.txt が失敗します。
ベクトルストアのインストールや起動は不要です。Mem0 はデフォルトでローカル組み込みモードの Qdrant を使用し、ローカルマシン上のディレクトリに書き込みます。

macOS に標準搭載されている Python は 3.9 で、python ではなく python3 として提供されます。python3 --version でバージョンを確認してください。3.10 未満の場合は、pyenv、uv、または brew install python@3.12 でサポート対象のバージョンをインストールしてから先へ進んでください。

Mem0 での SambaNova の使われ方

Mem0 は 3 種類の呼び出しを行い、それぞれが独立してプロバイダーに解決されます。どの呼び出しがどれに当たるかを理解すれば、2 つのキーが必要な理由がわかります。

役割	動作	本ガイドで使用するプロバイダー
Chat completions	ユーザーに表示される応答を生成します	SambaNova `gpt-oss-120b`
メモリ LLM	会話から事実を抽出し、メモリの追加・更新・削除を判断します	SambaNova `gpt-oss-120b`
Embedder	類似検索のためにメモリとクエリをベクトルに変換します	OpenAI `text-embedding-3-small`

Mem0 の設定から llm ブロックを省略しても、Mem0 は SambaNova にフォールバックしません。デフォルトの provider: "openai" とモデル gpt-4.1-nano-2025-04-14 になり、OPENAI_API_KEY を読み取るため、メモリ抽出が気づかないうちに OpenAI 上で実行されてしまいます。この処理を SambaNova 上で実行するために、以下のように llm ブロックを明示的に設定してください。

クイックスタート

このクイックスタートは単体で完結しています。何もクローンすることなく、メモリを保存し、後のターンで想起し、プロンプトに反映します。

Mem0 のインストール

pip install "mem0ai==1.0.1"

バージョンは固定してください。Mem0 の設定スキーマはメジャーバージョン間で変わり、以下の設定は 1.x のスキーマに合わせて書かれています。mem0ai は依存関係として openai クライアントをインストールするため、別途インストールする必要はありません。

API キーの設定

export SAMBANOVA_API_KEY="your-sambanova-api-key"
export OPENAI_API_KEY="your-openai-api-key"

メモリの保存と想起

以下を quickstart.py として保存し、python quickstart.py で実行します。

import os

from mem0 import Memory
from openai import OpenAI

SAMBANOVA_BASE_URL = "https://api.sambanova.ai/v1"
CHAT_MODEL = "gpt-oss-120b"
USER_ID = "alice"

# Both lookups raise KeyError immediately if the variable is unset, so a missing
# key fails before the first request instead of surfacing as a 401 later.
sambanova_api_key = os.environ["SAMBANOVA_API_KEY"]
openai_api_key = os.environ["OPENAI_API_KEY"]

config = {
    "llm": {
        "provider": "openai",
        "config": {
            "model": CHAT_MODEL,
            "openai_base_url": SAMBANOVA_BASE_URL,
            "api_key": sambanova_api_key,
        },
    },
    "embedder": {
        "provider": "openai",
        "config": {
            "model": "text-embedding-3-small",
            "embedding_dims": 1536,
            "api_key": openai_api_key,
        },
    },
    "vector_store": {
        "provider": "qdrant",
        "config": {
            "collection_name": "sambanova_mem0",
            "embedding_model_dims": 1536,
            "path": "./.qdrant",
            "on_disk": True,
        },
    },
}

memory = Memory.from_config(config)
client = OpenAI(api_key=sambanova_api_key, base_url=SAMBANOVA_BASE_URL)


def chat(message: str) -> str:
    # 1. Recall memories relevant to this message.
    recalled = memory.search(query=message, user_id=USER_ID, limit=3).get("results", [])
    context = "\n".join(f"- {item['memory']}" for item in recalled) or "No relevant memories yet."
    print(f"[recalled]\n{context}\n")

    # 2. Use them in the prompt.
    response = client.chat.completions.create(
        model=CHAT_MODEL,
        messages=[
            {
                "role": "system",
                "content": f"You are a helpful assistant. Use these memories only if relevant:\n{context}",
            },
            {"role": "user", "content": message},
        ],
    )
    reply = response.choices[0].message.content

    # 3. Store this turn so later turns can recall it.
    memory.add(
        [
            {"role": "user", "content": message},
            {"role": "assistant", "content": reply},
        ],
        user_id=USER_ID,
    )
    return reply


print(chat("I'm allergic to peanuts, and I love Thai food."))
print(chat("What should I order for dinner?"))

この設定には、見た目以上に重要な点が 2 つあります。

openai_base_url は、OpenAI 互換クライアントの接続先を変更するために Mem0 が読み取るキーです。base_url と書くと TypeError: __init__() got an unexpected keyword argument 'base_url' が発生します。
embedder ブロックには意図的に openai_base_url を設定していないため、接続先は https://api.openai.com/v1 になります。環境変数 OPENAI_BASE_URL は設定しないでください。Mem0 の embedder がこれを読み取って Embedding リクエストを SambaNova に送信してしまいますが、SambaCloud では Embedding は提供されていません。

動作確認

最初のターンでは想起するものがありません。2 番目のターンが動作の証明になります。ターン 1 から抽出されたメモリが返され、プロンプトに反映されます。

[recalled]
No relevant memories yet.

<reply to your first message>

[recalled]
- Is allergic to peanuts
- Loves Thai food

<dinner suggestion that avoids peanuts>

抽出されるメモリと 2 つの応答の正確な文言は、実行のたびに変わります。連携が機能していることの確認になるのは、2 番目の [recalled] ブロックが空でないことです。あるユーザーについて保存されているすべての内容を一覧するには、以下を quickstart.py の末尾に追記します。上で定義した memory オブジェクトと USER_ID を再利用します。

for item in memory.get_all(user_id=USER_ID)["results"]:
    print(item["id"], "|", item["memory"])

on_disk は意図的に True に設定しています。Mem0 のローカル Qdrant ストアのデフォルトは on_disk: False で、このモードでは Memory オブジェクトを構築するたびにストアのディレクトリが削除されるため、メモリが再起動後に残りません。on_disk: True に設定すると、実行をまたいでメモリが保持されます。

サンプルアプリケーションの実行

sambanova/integrations リポジトリには、同じ追加・検索のループを対話型の REPL でラップした、より長いサンプルがあります。

リポジトリのクローン

git clone https://github.com/sambanova/integrations.git
cd integrations/mem0

仮想環境の作成

python3 -m venv .venv
source .venv/bin/activate

インストールの前に、環境がサポート対象のバージョンを使用していることを確認します。

python --version

依存パッケージのインストール

pip install -r requirements.txt

環境変数の設定

プロジェクトディレクトリに .env ファイルを作成し、両方のキーを記述します。

SAMBANOVA_API_KEY=your-sambanova-api-key
OPENAI_API_KEY=your-openai-api-key

または、ターミナルで変数を直接エクスポートします。

export SAMBANOVA_API_KEY="your-sambanova-api-key"
export OPENAI_API_KEY="your-openai-api-key"

スクリプトの実行

このスクリプトは、SambaNova に接続された Mem0 のメモリクライアントを初期化して対話型のチャットループを開始するため、フォローアップの質問をすることでターンをまたいだメモリの保持を確認できます。終了するには exit と入力します。

このサンプルは Embedding モデルに E5-Mistral-7B-Instruct を設定していますが、このモデルは 2026年4月6日に SambaCloud での提供が終了し、SambaStack のみで提供されています。SambaCloud のキーでは、メモリの書き込みと検索がすべて失敗します。別の SambaNova Embedding モデルに置き換えても解決しません。SambaCloud は現在 Embedding エンドポイントを提供していないためです。SambaCloud に対してサンプルを実行するには、main.py を編集して SambaNova 以外の embedder を使用してください。embedder ブロックを上記クイックスタートの OpenAI embedder に置き換え、embedding_model_dims を text-embedding-3-small に合わせて 1536 に設定します (サンプルは現在 E5-Mistral 用に 4096 を設定しています)。あるいは、Embedding エンドポイントを提供する SambaStack デプロイメントに向けてサンプルを実行してください。また、このサンプルは llm ブロックを省略しているため、メモリ抽出は SambaNova ではなく OpenAI 上で実行されます。SambaNova 上で実行するには、クイックスタートの llm ブロックを追加してください。

python main.py

スクリプトはバナーを表示した後、入力を待機します。

Chat with AI memory system (type 'exit' to quit)

You:

このプロンプトはモデル呼び出しが行われる前に表示されるため、ここまで到達しても確認できるのは依存パッケージのインポートが成功したことだけです。設定やキーの問題は、起動時ではなく最初のメッセージ送信時に表面化します。完全なソースコードと追加のサンプルは、GitHub の Mem0 連携サンプルでご覧いただけます。

トラブルシューティング

command not found: python

macOS には python 実行ファイルはなく、python3 のみが提供されます。仮想環境の作成には python3 -m venv .venv を使用してください。source .venv/bin/activate で有効化すれば、環境内では python が期待どおりに動作します。

pip install が langchain の要件で失敗する

バージョン固定されている langchain および langchain-sambanova のリリースには Python 3.10 以上が必要です。有効化した環境内のインタープリターを python --version で確認し、3.9 と表示される場合はサポート対象のインタープリターで環境を作り直してください。

チャットループは起動するが、最初のメッセージで失敗する

プロンプトはモデル呼び出しが行われる前に表示されるため、設定に問題があっても、最初のメッセージを送信するまで表面化しません。そのターンでは、Embedding エンドポイントに対するメモリ検索、チャット補完、そして両方を再度使用するメモリ書き込みの 3 つの呼び出しが順に行われます。Embedding の呼び出しが最初なので、通常はそれが最初に失敗します。エラーのテキストを読み、どのエンドポイントがリクエストを拒否したかを確認してください。

AuthenticationError: Error code: 401

2 つのキーのいずれかが未設定または誤っています。メッセージ本文を読んでどちらかを判別してください。platform.openai.com を案内する 401 は embedder からのものなので、OPENAI_API_KEY を確認します。それ以外の 401 はチャットまたはメモリ LLM の呼び出しからのものなので、SAMBANOVA_API_KEY を確認し、SambaCloud ポータルからコピーし直してください。各ターンの最初の処理はメモリ検索であるため、embedder が最初に失敗する呼び出しになります。そのため、SambaNova のキーが正しくても OpenAI の 401 が表示されることがあります。また、サンプルの main.py は os.environ.setdefault を呼び出すため、起動時に失敗する代わりにプレースホルダの値で代替され、エラーは最初のメッセージ送信時にのみ表面化します。クイックスタートは代わりに os.environ[...] でキーを読み取るため、キーが欠けていれば即座に失敗します。

Embedding エンドポイントへのメモリの書き込み・検索が失敗する

SambaNova の Embedding は SambaStack のみで提供されており、E5-Mistral-7B-Instruct は 2026年4月6日に SambaCloud での提供が終了しました。SambaCloud のキーではこのエンドポイントに到達できません。クイックスタートのように SambaNova 以外の embedder を設定するか、SambaStack デプロイメントを使用してください。

SambaNova を使用しているのに OPENAI_API_KEY のエラーが出る

想定どおりの動作です。Mem0 には embedder が必要ですが、SambaCloud は Embedding を提供していないため、embedder は OpenAI 上で動作し OPENAI_API_KEY を読み取ります。両方のキーを設定する必要があります。設定から llm ブロックも省略している場合は、Mem0 のメモリ LLM もデフォルトの OpenAI になり、同じキーを読み取ります。

TypeError: __init__() got an unexpected keyword argument 'base_url'

Mem0 の OpenAI 互換プロバイダー設定では、base_url ではなく openai_base_url を使用します。llm 設定ブロック内のキー名を変更してください。

openai_base_url が SambaNova を指しているのにリクエストが OpenAI に送られる

llm ブロックが存在し、provider が openai、openai_base_url が https://api.sambanova.ai/v1 に設定されていることを確認してください。Mem0 は専用のプロバイダーではなく OpenAI 互換クライアントを通じて SambaNova に接続するため、provider: "sambanova" は Unsupported LLM provider として拒否されます。

再起動するたびにメモリが空になる

Mem0 のローカル Qdrant ストアのデフォルトは on_disk: False で、このモードでは Memory オブジェクトの構築時にストアのディレクトリが削除されます。実行をまたいでメモリを保持するには、vector_store 設定で on_disk を True に設定してください。

2 ターン目で何も想起されない

メモリの書き込みでは、会話をメモリ LLM に通して事実を抽出するため、保存に値する事実を含まないターンからはメモリが生成されません。何が保存されたかは memory.get_all(user_id=USER_ID) で確認してください。また、メモリはユーザーごとにスコープされるため、search と add が同じ user_id を使用していることも確認してください。

embedder を変更した後にベクトルの次元が一致しない

vector_store 設定の embedding_model_dims は、Embedding モデルの出力サイズと一致している必要があります (text-embedding-3-small は 1536、E5-Mistral-7B-Instruct は 4096)。embedder を変更した後は、ローカルのストアディレクトリを削除して、コレクションが新しいサイズで再作成されるようにしてください。

参考情報

Mem0 の詳細については、Mem0 の公式ドキュメントをご参照ください。

概要

開発者ツール

フレームワーク

インターフェースとローコード

データとインフラ

マルチモーダル

評価とモニタリング

前提条件

Mem0 での SambaNova の使われ方

クイックスタート

Mem0 のインストール

API キーの設定

メモリの保存と想起

動作確認

サンプルアプリケーションの実行

リポジトリのクローン

仮想環境の作成

依存パッケージのインストール

環境変数の設定

スクリプトの実行

トラブルシューティング

参考情報

​前提条件

​Mem0 での SambaNova の使われ方

​クイックスタート

​Mem0 のインストール

​API キーの設定

​メモリの保存と想起

​動作確認

​サンプルアプリケーションの実行

​リポジトリのクローン

​仮想環境の作成

​依存パッケージのインストール

​環境変数の設定

​スクリプトの実行

​トラブルシューティング

​参考情報

前提条件

Mem0 での SambaNova の使われ方

クイックスタート

Mem0 のインストール

API キーの設定

メモリの保存と想起

動作確認

サンプルアプリケーションの実行

リポジトリのクローン

仮想環境の作成

依存パッケージのインストール

環境変数の設定

スクリプトの実行

トラブルシューティング

参考情報