Mengram: бесплатный open-source Mem0 с тремя типами памяти. Ставим за 5 минут

Mem0 устарел. Появился Mengram с тремя типами памяти

Помните мемы про "у AI нет памяти"? В 2025 году это звучало как анекдот. Каждый новый запрос к ChatGPT - чистый лист. Потом появился Mem0 с системой долговременной памяти для агентов. Круто, но платно. И вот в феврале 2026 выходит Mengram - open-source альтернатива с тремя типами памяти вместо одного.

Что такое три типа памяти и зачем они нужны

Mem0 хранил факты. Mengram разделяет память на три слоя:

Разделение не просто так. Когда вы спрашиваете "как настроить PostgreSQL", семантическая память дает теорию, эпизодическая вспоминает ваш прошлый опыт с ошибками, процедурная - конкретные команды для вашей ОС. В Mem0 все это свалено в одну кучу.

Архитектура: PostgreSQL, pgvector и никакой магии

Под капотом - стандартный стек:

• FastAPI для REST API (асинхронный, быстрый)
• PostgreSQL 16+ с pgvector для векторных поисков
• SQLAlchemy 2.0 для ORM
• Pydantic 2.10 для валидации
• OpenAI embeddings (но можно заменить на любые)

Три таблицы в БД - под каждый тип памяти. Векторные индексы HNSW для быстрого поиска. Все просто и предсказуемо. Никаких экзотических RRAM технологий - только проверенные инструменты.

Установка: 5 минут, а не 5 часов

В Mem0 нужно было регистрироваться, платить, ждать подтверждения. Mengram ставится локально одной командой:

git clone https://github.com/mengram/mengram.git
cd mengram
docker-compose up -d

Docker Compose поднимает три контейнера: PostgreSQL с pgvector, FastAPI бэкенд и веб-интерфейс. По умолчанию работает на localhost:8000. Никаких API ключей на старте.

1 Настройка переменных окружения

Создайте .env файл (или отредактируйте существующий):

OPENAI_API_KEY=sk-your-key-here
EMBEDDING_MODEL=text-embedding-3-small
DATABASE_URL=postgresql://postgres:password@localhost:5432/mengram

Здесь главный подвох: нужен OpenAI API ключ для эмбеддингов. Но можно заменить на локальные эмбеддинги - например, через Phi-3.5 или другие маленькие модели.

2 Проверка работы

Откройте http://localhost:8000/docs - увидите Swagger UI. Все эндпоинты на виду:

• POST /memory/semantic - добавить факт
• GET /memory/search?query=... - поиск по всем типам памяти
• POST /memory/episodic - сохранить диалог
• POST /memory/procedural - добавить шаблон действия

Интеграции: LangChain, MCP и прямой API

Mengram не заставляет вас использовать свой SDK. Есть три варианта:

Пример: сохраняем память через Python SDK

from mengram import MengramClient

client = MengramClient(base_url="http://localhost:8000")

# Семантическая память: факт
client.add_semantic(
    content="Python 3.12 добавил улучшенные ошибки",
    metadata={"topic": "programming", "language": "python"}
)

# Эпизодическая память: диалог
client.add_episodic(
    content="Пользователь спросил про оптимизацию запросов к БД",
    context="Сессия поддержки от 2026-02-15",
    metadata={"user_id": "123", "session": "support"}
)

# Процедурная память: шаблон решения
client.add_procedural(
    content="Чтобы исправить ImportError: 1) проверьте PYTHONPATH, 2) переустановите пакет",
    trigger="ImportError в Python",
    metadata={"language": "python", "error_type": "ImportError"}
)

SDK автоматически создает эмбеддинги через указанную модель. В фоновом режиме. Вы просто работаете с памятью.

MCP сервер: память в Claude Desktop

Самая крутая фича. Запускаете MCP сервер Mengram, добавляете в Claude Desktop - и Claude помнит все ваши прошлые разговоры. Не только факты, но и контекст, и шаблоны решений.

# Запуск MCP сервера
python -m mengram.mcp_server

# В Claude Desktop добавляете:
# mcp://localhost:8001

Теперь когда вы спрашиваете "помнишь, мы вчера обсуждали миграцию базы?", Claude ответит "Да, вы говорили про проблему с индексами в PostgreSQL 16". Это работает. Не как в тех системах памяти, где бенчмарки врут, а по-настоящему.

Сравнение: Mengram против Mem0 против самописных решений

Mem0 удобнее для non-tech пользователей. Но если вы разработчик - Mengram дает полный контроль. И не заставляет платить за каждый мегабайт памяти.

Производительность: сколько памяти нужно

На тестах с 100к записей:

• Поиск по семантической памяти: < 50мс
• Добавление новой записи: ~100мс (включая эмбеддинг)
• Потребление RAM: ~500МБ для PostgreSQL
• Дисковое пространство: ~2ГБ на 100к записей

Для сравнения: локальные LLM съедают 24-48 ГБ RAM. Mengram - капля в море.

Можно запустить на самом дешевом VPS за $5/месяц. Или даже на Raspberry Pi 5 - PostgreSQL прекрасно работает на ARM.

Кому подойдет Mengram (а кому нет)

Берите Mengram если:

• Создаете AI агентов с долговременной памятью
• Нужна локальная установка (без облака)
• Хотите полный контроль над данными
• Интегрируете память в существующие системы
• Не хотите платить подписку Mem0

Не берите если:

• Нужен готовый SaaS без настройки
• Нет времени возиться с Docker и PostgreSQL
• Требуется поддержка 24/7 от вендора
• Работаете только с мобильными приложениями

Проблемы и подводные камни

Идеальных инструментов не бывает. Вот что бесит в Mengram:

1. Требуется OpenAI API ключ для эмбеддингов по умолчанию. Можно заменить, но нужно копаться в коде.
2. Нет встроенной веб-админки для просмотра и редактирования памяти. Только API и Swagger.
3. Миграции БД вручную - если обновите версию, возможно нужно запустить миграции.
4. Документация на английском - русской пока нет, только исходный код и README.

Но это open-source. Можно форкнуть и исправить. Или создать issue - разработчики активно отвечают.

Что будет дальше с системами памяти

Mengram - не конечная точка. В 2026 уже видны тренды:

• Гибридная память - как в MemV, которая учится на ошибках
• Автоматическая категоризация - AI сам решает, в какую память сохранять информацию
• Децентрализованные хранилища - память распределена между устройствами
• Сжатие эмбеддингов - меньше места, быстрее поиск

Mengram пока не догнал Google Titans с их бесконечной памятью. Но это хорошая основа для экспериментов.

Совет: начните с простого. Поставьте Mengram, подключите к Claude Desktop через MCP. Убедитесь, что три типа памяти работают для ваших задач. Потом уже думайте о масштабировании и кастомизации.

И помните: самая сложная часть - не техническая настройка, а проектирование того, что сохранять в память. AI запомнит все, что вы дадите. Дайте ему полезное.