mem0-কে একটা কাস্টম OpenAI-compatible base URL দিয়ে চালান।

দ্রুত উত্তর: llm block-এর ভেতরে একটা config key।

mem0-এর OpenAI LLM provider এর endpoint resolve করে প্রথমে config, দ্বিতীয়ত environment, তৃতীয়ত default হিসেবে: self.config.openai_base_url, তারপর OPENAI_BASE_URL environment variable, তারপর https://api.openai.com/v1। তাই সবচেয়ে পরিষ্কার override হলো llm config dict-এ একটা key: openai_base_url-কে https://api.apisrouter.com/v1-এ সেট করুন, এর পাশে api_key সেট করুন (বা OPENAI_API_KEY export করুন), এবং প্রতিটা memory-extraction call gateway দিয়ে route হয়। এটা upstream mem0 behavior, mem0/llms/openai.py-তে পড়া যায়, কোনো fork না। TypeScript SDK camelCase-এ একই জোড়া expose করে: openaiBaseUrl এবং apiKey। config dict-এর value environment variable-কে override করে, যা default-কে override করে, তাই একটা config-level base URL জেতে এমনকি এমন machine-এও যেখানে OPENAI_BASE_URL অন্য কোথাও point করছে।

config = {
    "llm": {
        "provider": "openai",
        "config": {
            "model": "claude-sonnet-4-6",
            "openai_base_url": "https://api.apisrouter.com/v1",
            "api_key": os.environ["APISROUTER_API_KEY"],
        },
    }
}

mem0 আসলে তার LLM দিয়ে কী করে।

mem0 (GitHub-এ mem0ai, প্রায় 61K star) হলো AI agent-এর জন্য একটা memory layer। প্রতিটা add() call একটা pipeline চালায়: LLM নতুন conversation turn পড়ে, candidate memory extract করে, ইতিমধ্যে stored যা আছে তার সাথে তুলনা করে, এবং প্রতি memory-তে add, update, delete, বা skip সিদ্ধান্ত নেয়। এটা real reasoning কাজ, এবং এটা প্রতিটা write-এ ঘটে, তাই একটা production agent-এ memory bolt করলে মানুষ যা আশা করে তার চেয়ে বেশিবার LLM slot fire করে। Retrieval হলো বাকি অর্ধেক, এবং এটা মোটেও LLM ব্যবহার করে না: search() query embed করে এবং store-এর ওপর vector similarity চালায়। দুটো ভিন্ন client, দুটো ভিন্ন model, দুটো ভিন্ন block-এ configured (llm এবং embedder)। যা কিছু re-route করার আগে বোঝার জন্য এই split-ই সবচেয়ে গুরুত্বপূর্ণ, কারণ এর মানে আপনি extraction workload-কে একটা multi-vendor gateway-এ move করতে পারেন যখন embedder তার existing provider এবং index অক্ষত রাখে। provider config-এ "openai" থেকে যায়; mem0 model field-কে /v1/chat/completions-এর মধ্য দিয়ে একটা plain string হিসেবে pass through করে। openai_base_url-এর পেছনে endpoint একাধিক vendor serve করলে, সেই string একটা Claude, GPT, DeepSeek, বা GLM id হতে পারে, এবং extraction model swap করা একটা provider migration না বরং এক-লাইনের config change হয়ে যায়।

সম্পূর্ণ সেটআপ: config dict বা environment variable।

Config-dict path সবচেয়ে precise: এটা শুধু LLM move করে। dict বানান, Memory.from_config-কে দিন, এবং স্বাভাবিকভাবে memory API ব্যবহার করুন। api_key field আপনার vector-store এবং embedder setting থেকে gateway key-কে সম্পূর্ণভাবে দূরে রাখে। Environment path-ও আছে: config key অনুপস্থিত থাকলে mem0-এর OpenAI class OPENAI_BASE_URL পড়ে। এটা এক export করা variable এবং শূন্য code change, কিন্তু scope নোট করুন: embedder-এর OpenAI class একই variable পড়ে (এটা পুরনো OPENAI_API_BASE নামও honor করে, যা LLM class করে না)। OPENAI_BASE_URL export করলে আপনি দুটো component-ই move করেছেন, যা তখনই সঠিক যখন endpoint আপনার embedding model-ও serve করে। সন্দেহ হলে, config dict পছন্দ করুন এবং environment ছুঁবেন না।

import os
from mem0 import Memory

config = {
    "llm": {
        "provider": "openai",
        "config": {
            "model": "claude-sonnet-4-6",   # any catalog id
            "openai_base_url": "https://api.apisrouter.com/v1",
            "api_key": os.environ["APISROUTER_API_KEY"],
            "temperature": 0.1,
        },
    },
    # embedder block unchanged: keeps its own provider and key
}

m = Memory.from_config(config)
m.add("I prefer window seats and vegetarian meals.", user_id="alice")
print(m.search("seat preference?", user_id="alice"))

Extraction model বেছে নেওয়া।

Practical loop: আপনার embedder স্থির রাখুন, একই conversation fixture দুই-তিনটা extraction model-এর মধ্য দিয়ে চালান, এবং stored memory diff করুন। এক endpoint-এর পেছনে সেই comparison প্রতি candidate একটা config-string edit, এবং per-key usage log প্রতিটা candidate-এর run price করে দেয়।

• Extraction quality-ই memory quality। LLM সিদ্ধান্ত নেয় কী মনে রাখার যোগ্য এবং নতুন তথ্য পুরনোটাকে contradict করে কিনা; একটা update miss করা একটা model প্রতিটা future session-এর retrieval-কে দূষিত করে। claude-sonnet-4-6 এবং gpt-5.5 এই trade-off-এর reliable মধ্যবিন্দু।
• Volume প্রতিটা write-এ। একটা chat product যা প্রতিটা exchange-এর পরে add() call করে দিনে হাজার হাজার বার extraction চালায়, যেখানে claude-haiku-4-5-20251001 বা deepseek-v4-flash-এর মতো একটা fast id memory layer-কে token bill-এ প্রাধান্য পেতে বাধা দেয়।
• Contradiction-heavy domain (পাল্টে যাওয়া preference, expire হওয়া fact) add()-এ একটা stronger model থেকে লাভবান হয় যদিও প্রতি call খরচ বেশি, কারণ একটা ভুল update decision পরে detect করা costly।
• Temperature কম হওয়া উচিত। Extraction একটা structured-decision task, creative writing না; mem0 একই config block-এ temperature expose করে, এবং প্রায় 0.1 add/update/delete decision consistent রাখে।

ব্যবহার অনুযায়ী পেমেন্ট · অফিশিয়াল মূল্যের নিচে

Selected models are priced below official list prices. Exact input, output, cache, and per-request prices are shown for each model.

mem0-এর জন্য নির্দিষ্ট failure mode।

একটা লেগে থাকা OPENROUTER_API_KEY routing hijack করে। mem0-এর OpenAI LLM class সেই variable special-case করে: এটা সেট থাকলে, class OpenRouter-এর endpoint-এ switch করে এবং আপনার intent ignore করে। যদি request আপনার configure করা base URL-এ না পৌঁছায়, প্রথমে এই variable check করুন এবং unset করুন। Environment variable আপনার ইচ্ছার চেয়ে বেশি move করে। OPENAI_BASE_URL LLM এবং embedder দুটোই পড়ে। gateway আপনার embedding model serve না করলে, একটা env-level override search()-কে ভাঙে যখন add() কাজ করতে থাকে, যা "memory write ঠিকঠাক কিন্তু retrieval খালি বা error করছে" হিসেবে দেখা যায়। override-কে llm config block-এ scope করুন এবং embedder কখনো লক্ষ্যই করবে না। Config key প্রতি SDK-তে ভিন্ন। Python snake_case (openai_base_url, api_key); TypeScript camelCase (openaiBaseUrl, apiKey)। Python dict-এ একটা camelCase key নীরবে ignore হয়ে যায় এবং আপনি default endpoint-এ পড়ে যান, যা ঠিক "কাজ করছে না" override-এর মতো দেখায়। Model id exact string। mem0 model field validate করে না; এটা forward করে। একটা typo প্রথম add()-এ একটা model-not-found error হিসেবে surface করে, এবং /v1/models listing-ই authoritative spelling। Embedder পাল্টানো একটা index decision, config decision না। ভিন্ন model থেকে embedding ভিন্ন vector space-এ থাকে, তাই embedder repoint করলে existing vector-এর বিরুদ্ধে similarity invalidate হয়ে যায়। LLM move করা বিনামূল্যে; embedder move করার মানে store re-embed করা। এগুলোকে আলাদা migration হিসেবে plan করুন।

কারা একটা gateway দিয়ে mem0 route করে।

• Agent builder যারা assistant-এ persistent memory যোগ করছে। Extraction প্রতিটা write-এ চলে, তাই stack-এ bolt করা একটা দ্বিতীয় vendor dashboard-এর চেয়ে per-key usage সহ একটা single billing surface ভালো।
• Team যারা একটা OpenAI-shaped config-এর পেছনে Claude-quality extraction চায়। provider string "openai" থেকে যায়; শুধু base URL এবং model id পাল্টায়।
• High-volume chat product যারা একটা frontier chat model-কে একটা fast extraction id-র সাথে pair করে memory layer-এর unit cost নিয়ন্ত্রণ করে, প্রতিটা একই endpoint দিয়ে addressable।
• Developer যারা পাশাপাশি extraction model evaluate করছে। প্রতিটা candidate fixed fixture-এর বিরুদ্ধে একটা model string, প্রতি vendor নতুন provider integration না।
• Developer যাদের কোনো নির্দিষ্ট vendor-এর billing-এ access নেই। কোনো card requirement ছাড়া Top-up based access per-provider sign-up dependency সরিয়ে দেয়।

Endpoint verify করুন এবং প্রথম add() debug করুন।

Pipeline চালানোর আগে confirm করুন gateway আপনার configure করা model list করে; model field অবশ্যই একটা served id-র সাথে exactly মিলতে হবে। First-run failure একটা pattern অনুসরণ করে। একটা 401 মানে LLM যে key resolve করেছে তা resolve করা endpoint-এর জন্য ভুল, এবং যেহেতু দুটোই একটা config-over-env cascade থেকে আসে, ধরে না নিয়ে দুটো effective value print করুন; একটা env base URL সহ config api_key (বা উল্টো) একটা classic mismatch। একটা model-not-found error একটা id typo। Request দৃশ্যত openrouter.ai-তে যাওয়া মানে OPENROUTER_API_KEY special case fire করেছে। এবং যদি add() সফল হয় কিন্তু search() fail করে, আপনি দুর্ঘটনাক্রমে environment দিয়ে embedder move করেছেন; base URL-কে llm block-এ scope করুন। একবার memory চললে, APIsRouter console per-request model, token count, এবং spend দেখায়। Extraction call ছোট কিন্তু relentless, এবং usage view-ই কীভাবে আপনি দেখেন memory layer আসলে প্রতি হাজার write-এ কত খরচ করে, আন্দাজ না করে।

curl -s https://api.apisrouter.com/v1/models \
  -H "Authorization: Bearer $APISROUTER_API_KEY" | head -50

সাধারণ প্রশ্ন