使用说明

🧠 存储体mcp

🧩 标语

一个持久的、自组织的LLM记忆库——由Zettelkasten和认知遗忘提供支持。

🎯 目标

memory-bank-mcp 提供一个 内存持久层 对于使用 Zettelkasten记笔记法 作为其核心结构。
它允许LLM 存储、关联和检索知识片段 （“记忆笔记”）通过语义相似性和 可回收性衰减，模仿人类的长期记忆行为。

🏗️ 架构概述

⚙️ 主要特点

🧠 基于Zettelkasten的结构 --通过语义或概念关系连接的笔记。
🔗 链接类型 --因果、对比、例子、衍生概念、共享语境、对立。
🧮 可回收性衰减 --模拟遗忘随时间呈指数衰减。
🔍 相似性搜索 --使用pgvector进行嵌入 all-MiniLM-L6-v2.
🧰 MCP端点接口 --通过服务器发送事件（SSE）进行简单高效的通信。
🚀 Docker化部署 --准备去任何地方跑步。
🔄 LLM生成的链接解释 --注释关系的自动原因生成。

🧠 记忆笔记结构

每 记忆笔记 表示一个原子知识单元——一个自包含的想法、观察或陈述——富含元数据，用于上下文检索和认知衰退管理。

字段	类型	描述
ID	UUID	自动分配给每个音符的唯一标识符。
内容	String	注释的正文。
vectorContent	float[384]	用于相似性搜索的嵌入向量（通过pgvector存储）。
关键词	列表	从内容中提取关键概念以提高召回率。
链接	列表	与相关注释的连接，每个注释都有一个类型和LLM生成的解释。
上下文	String	可选上下文信息（例如，来源、主题或情况）。
标签	列表	用于主题分组或过滤的用户定义标签
时间戳	String	注释的创建日期和时间。
上次访问时间	long	上次检索的Unix时间戳（秒）。
检索计数	long	此笔记被访问的次数，用于可检索性衰减。

链接类型

该系统中使用的链接类型的灵感来自柯林斯与奎利安（1969）和柯林斯与洛夫特斯（1975），他将人类语义记忆建模为由以下关系连接的节点网络： 分层包容 （ISA）和 关联链接 相关概念之间。在此基础上，我们定义了笔记之间的链接类型，以捕捉经典语义关系和概念推理的扩展，包括对比关系和对立关系。

因果 --表示概念之间的因果关系，类似于柯林斯框架中的定向关联链接。
对比 --表示音符之间的概念或事实差异。虽然在原始柯林斯模型中没有明确存在，但它可以被理解为一种 具有发散意义的联想关系，反映从上下文或经验中学到的语义区别。
例子 --提供支持或澄清另一个注释的插图或实例。这与柯林斯的 的实例 或者将特定示例分层映射到类别。
派生概念 --表示注释从另一个概念中抽象或概括，将柯林斯的层次结构中的属性继承思想扩展到派生或高阶概念。
共享上下文 --链接是指发生在同一主题、情境或领域背景下的笔记，是捕捉经验中共现的关联链接的扩展。
反对 --标记直接反驳或驳斥他人的注释。在柯林斯的原始模型中，负面或抑制性联系没有被定义；在这个系统中，反对派被表示为 具有负极性的特殊联想联系，编码概念之间的语义冲突。

每个链接都包含一个来源, 目的地, 类型和a 解释，这是由配置的LLM自动生成的。这使得网络既能保持经典语义记忆的结构特性，又能保持知识表示所需的更丰富的推理关系。

🧩 可检索性模型

可回收性的灵感来自 “长期记忆的两个组成部分” 以及控制哪些笔记随着时间的推移仍然可以访问。

$$ R（t，i）=e^{t\cdot\log（K）/（c_1\cdotc_2^{i-1}）} $$

哪里：

吨 =自上次检索以来的秒数
我 =检索计数
K =第一个区间的目标概率
c₁ =第一个间隔的持续时间
c₂ =再学习系数

可检索性随着时间的推移而呈指数级衰减，无法访问，使系统能够 喜欢最近使用或经常回忆的笔记 同时逐步降低过时的可见性——这一过程充当 认知衰退机制 而不是简单的数据删除。

🔍 过滤器类型

可以应用两种过滤策略来控制哪些音符被认为是可检索的：

阈值滤波
- 使用固定的最小可检索性值（例如0.25）。
- 低于此阈值的注释将从结果集中排除。
- 适用于确定性和一致性行为。
概率滤波器
- 应用概率函数，其中可检索性较高的笔记在候选集中保留的机会按比例更大。
- 引入可变性，更好地模拟人类回忆的不确定性。
- 当你想要一种“自然遗忘”的行为而不是一种硬性的界限时，这是理想的。

两个过滤器都可以在配置文件中选择(retrievability-filter.type = threshold | probabilistic)这取决于所需的存储器保持动态。

🔌 MCP工具（服务器发送事件）

MCP接口通过以下方式提供内存操作 春季AI 工具。

工具名称	描述	输入	输出
`get_memory_notes_by_ids`	通过UUID获取内存笔记。	UUID列表	列表 `MemoryNote` 物体
`search_memory_notes`	给定上下文字符串搜索相关内存笔记。	上下文（字符串）	使用可检索性过滤对笔记进行排序
`add_memory_note`	添加具有给定内容的新记忆笔记。	内容（字符串）	已创建 `MemoryNote`

协议： 服务器发送事件（SSE）

🧱 依赖项

Java 24
弹簧靴： 3.x
春季AI： 用于MCP协议支持
PostgreSQL 随着 pg向量
Langchain4j： 用于LLM链路生成和集成

🐳 部署（Docker）

构建并运行：

docker build -t memory-bank-mcp .
docker run -p 8080:8080 memory-bank-mcp

您还可以通过MCP配置将其作为内存后端集成到任何LLM系统中。

⚙️ 提供自定义配置

您可以通过挂载自定义项来覆盖任何默认设置 application.properties 运行时文件。只需将配置文件放置在与Docker命令相同的目录中，并将其挂载到容器的 /app/config 路径：

docker run \
  -p 8080:8080 \
  -v $(pwd)/application.properties:/app/config/application.properties \
  memory-bank-mcp

⚙️ 配置

memory-bank-mcp 主要通过以下方式配置 环境变量，或者通过定制 application.properties 文件放置在 与可执行JAR相同的目录.

🌍 环境变量

环境变量	描述	默认值
OPENAI_API密钥	用于生成链接解释的LLM的API密钥。	–
OPENAI_MODEL_NAME	OpenAI（或兼容提供商）的模型名称。	`gpt-3.5-turbo`
打开温度	LLM输出的采样温度。	`0.7`
OPENAI_MAX令牌	每个LLM响应的最大令牌计数。	`512`
OPENAI_超时	请求LLM操作超时。	`30s`
Postgres URL	PostgreSQL的JDBC连接字符串（启用了pgvector）。	`jdbc:postgresql://localhost:5432/postgres`
Postgres用户名：	数据库用户名。	`postgres`
Postgres密码：	数据库密码。	`password`
POSTGRES/DDL_AUTO	Hibernate的模式管理模式。	`update`
日志级别	根记录级别。	`info`

🧠 可检索性过滤器配置

可检索性过滤器可以通过创建 application.properties 文件与JAR位于同一文件夹中。

配置类概述

筛选器配置由初始化 RetrievabilityFilterInitConfiguration 类，它会根据以下内容自动选择正确的过滤器类型：

属性	描述	默认值
可检索性过滤器类型	要使用的过滤器类型： `threshold` 或 `probabilistic`.	`threshold`
可检索性过滤器设置已启用	启用或禁用检索机制。	`true`
可检索性过滤器设置目标召回概率	预期在第一个间隔后仍可回忆的知识部分。	`0.95`
可检索性过滤器.设置.第一区间长度	第一个间隔的持续时间（秒）。	`604800` （7天）
过滤器的可检索性、设置、学习率	控制每次检索后间隔扩展程度的因素。	`1.5`

筛选器特定设置

筛选器类型	附加属性	描述	默认值
阈值滤波	`retrievability-filter.settings.threshold`	在结果中包含注释所需的最小可检索性值（0-1）。	`0.0`

行为总结

阈值过滤器 → 仅保留可检索性超过固定阈值的笔记。
概率滤波器 → 注释的可检索性越高，其在结果集中保留的概率就越高。

该机制提供了一个可配置的 认知衰退系统，使内存能够自然地向相关性发展，而不是充当静态数据存储。

🚗 未来路线图

[]可配置的嵌入模型
[]对Ollama的支持
[]添加可选缓存
[]定期重组链接（遗忘笔记收集器）
[]上下文感知合并（合并或重构重叠的注释）

📜 许可证

该项目根据 Apache许可证2.0.