02-Mem0 的 Provider 工厂模式与可扩展架构

Mem0 的 Provider 工厂模式与可扩展架构

学习目标

本章分析 Mem0 如何通过 Factory 模式管理 5 类 Provider、80+ 个实现。你将了解：

工厂模式的注册表设计与动态加载机制
Base Class 抽象接口的设计原则
新增 Provider 的标准流程（3 步）
配置转换与兼容性处理

前置知识

本章涉及多模型适配的通用原理，建议先阅读：

多模型适配架构

下文假设你已理解 Provider 模式的基本概念，直接聚焦 Mem0 的具体实现。

项目实践

5 类 Provider 概览

类别	数量	Factory 类	抽象基类
LLMs	24	`LlmFactory`	`base_llm.py`
Vector Stores	30	`VectorStoreFactory`	`base.py`
Embeddings	15	`EmbedderFactory`	`base_embedder.py`
Graph Stores	4	（无独立 Factory）	`base.py`
Rerankers	5	`RerankerFactory`	`base_reranker.py`

Factory 注册表设计

LlmFactory 使用字典作为注册表：

# 伪代码
class LlmFactory:
    provider_to_class = {
        "ollama": ("mem0.llms.ollama.OllamaLLM", OllamaConfig),
        "openai": ("mem0.llms.openai.OpenAILLM", OpenAIConfig),
        "anthropic": ("mem0.llms.anthropic.AnthropicLLM", AnthropicConfig),
        # ... 24 种 Provider
    }

注册表包含两个映射：

类路径字符串："mem0.llms.openai.OpenAILLM" —— 通过 importlib.import_module 动态加载
配置类：OpenAIConfig —— 用于验证和转换配置参数

动态加载与实例化

# 伪代码
def create(cls, provider_name, config=None, **kwargs):
    class_type, config_class = cls.provider_to_class[provider_name]
    llm_class = load_class(class_type)  # importlib 动态加载

    # 配置转换
    if isinstance(config, dict):
        config = config_class(**config)
    elif isinstance(config, BaseLlmConfig):
        # 基础配置转换为 Provider 专用配置
        config_dict = {
            "model": config.model,
            "temperature": config.temperature,
            # ...
        }
        config = config_class(**config_dict)

    return llm_class(config)

关键设计：

配置转换支持三种输入：None（使用默认）、dict、BaseLlmConfig
BaseLlmConfig 到 Provider 专用配置的转换，实现了向后兼容
**kwargs 允许在创建实例时传入额外参数

Provider 扩展流程

添加新 LLM Provider 只需 3 步：

1. 创建 mem0/llms/new_provider.py
   └── 继承 base.py 的抽象类（如 BaseLLM）
   └── 实现 generate_response() 方法

2. 创建/使用配置类
   └── 继承 BaseLlmConfig 或使用专用配置类

3. 注册到工厂
   └── 在 factory.py 的 provider_to_class 中添加条目

同样的流程适用于 Embedding、Vector Store 和 Reranker。

Memory 初始化中的 Provider 使用

Memory.__init__() 通过 Factory 创建所有 Provider 实例：

# 伪代码
class Memory:
    def __init__(self, config: MemoryConfig):
        self.embedding_model = EmbedderFactory.create(
            self.config.embedder.provider,
            self.config.embedder.config,
            self.config.vector_store.config,  # 传给向量存储配置（用于特殊场景）
        )
        self.vector_store = VectorStoreFactory.create(
            self.config.vector_store.provider,
            self.config.vector_store.config,
        )
        self.llm = LlmFactory.create(
            self.config.llm.provider,
            self.config.llm.config,
        )
        if config.reranker:
            self.reranker = RerankerFactory.create(...)

每个 Provider 的配置都通过 MemoryConfig 的 Pydantic 模型传入，确保类型安全。

运行时 Provider 注册

LlmFactory.register_provider() 支持运行时注册：

@classmethod
def register_provider(cls, name, class_path, config_class=None):
    if config_class is None:
        config_class = BaseLlmConfig
    cls.provider_to_class[name] = (class_path, config_class)

这允许第三方扩展在不修改 Mem0 源码的情况下注册自定义 Provider。

问题与规避

问题	对策
动态加载失败（类路径错误）	`importlib.import_module` 抛 `ModuleNotFoundError`，提示清晰的错误信息
配置转换失败	Pydantic 验证失败抛出 `ValidationError`，包含具体字段错误
Provider 方法签名不一致	Base Class 定义抽象方法，子类必须实现
新增 Provider 未注册	`create()` 方法抛出 `ValueError: Unsupported provider`

设计取舍

为什么用字典注册表而非装饰器？

优势：

注册表集中在 factory.py 中，一目了然
支持运行时注册（register_provider 方法）
类路径字符串支持懒加载（只在 create() 时才 import）

代价：

新增 Provider 需要修改 factory.py（除非用 register_provider）
装饰器方案可以自动注册，更”魔法”

为什么 LLM 有独立 Factory 而 Graph Store 没有？

LLM 有 24 种 Provider，且配置转换逻辑复杂（需要支持 BaseLlmConfig 到 Provider 专用配置的转换）。Graph Store 只有 4 种 Provider，且使用方式简单（直接在 MemoryConfig 中配置），不需要独立的 Factory。

参考来源

Mem0 源码：mem0/utils/factory.py
Mem0 AGENTS.md：新增 Provider 指南

版本信息

📅 2026-05-27 🏷️ 8893430 🔀 8893430