使用说明

内存MCP服务器

一种模型上下文协议（MCP）服务器，使用PostgreSQL和pgvector进行向量相似性搜索，提供语义记忆存储和检索。这是一个 代理记忆系统 其中LLM通过自然语言指令编排内存操作。

概述

Memory MCP服务器使AI助手能够存储、搜索和管理具有语义理解的持久记忆。与需要结构化查询的传统数据库不同，该系统接受自然语言指令，并使用LLM代理将其转换为内存操作。

主要特点

代理架构：LLM使用GPT-4/5和内部工具协调内存操作
语义搜索：PostgreSQL+pgvector用于混合搜索的快速相似性查询（向量+关键字）
动态优先级：记忆的优先级分数会随着时间的推移而衰减，并随着访问而增强
多项目隔离：每个项目都有自己独立的PostgreSQL数据库
元数据：自动提取主题、标签和语义记忆类型
内存生命周期：通过优化操作实现自动整合、重复数据删除和清理
多指标组织：将记忆组织到逻辑命名空间中（个人、工作、研究等）

快速开始

让内存MCP服务器在5分钟内运行：

# 1. Clone and install dependencies
git clone <repository-url>
cd memory-mcp
npm install

# 2. Set up PostgreSQL database (automated)
./scripts/setup-postgres.sh

# 3. Configure environment
cp .env.example .env
# Edit .env and set your OPENAI_API_KEY

# 4. Start the server
npm run dev

服务器将通过STDIO启动并监听MCP工具调用。看配置详细设置和用法了解如何调用MCP工具。

建筑

内存MCP服务器使用分层架构：

┌─────────────────────────────────────────────────────────────────┐
│  MCP Layer (MemoryServer.ts)                                    │
│  • MCP tools: memorize, recall, forget, refine_memories,        │
│    create_index, list_indexes, scan_memories                    │
│  • STDIO transport for Claude Desktop integration               │
└─────────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────────┐
│  Controller Layer (MemoryController.ts)                         │
│  • Security boundaries (ProjectFileLoader, IndexResolver)       │
│  • Index access validation                                      │
│  • Routes tool calls to agent modes                             │
└─────────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────────┐
│  Agent Layer (MemoryAgent.ts)                                   │
│  • LLM orchestration (GPT-4/5) with mode-specific prompts       │
│  • Tool Runtime: search_memories, get_memories,                 │
│    upsert_memories, delete_memories, read_file,                 │
│    analyze_text, list_relationships                             │
└─────────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────────┐
│  Repository Layer (MemoryRepositoryPostgres.ts)                 │
│  • PostgreSQL + pgvector data access                            │
│  • Embedding generation, semantic search                        │
│  • Access tracking, relationship management                     │
│  • Connection pooling per project (PoolManager.ts)              │
└─────────────────────────────────────────────────────────────────┘

支撑组件

快速经理：将基础+特定模式+主机/项目上下文组合到系统消息中
索引解析器：验证索引名称并提供默认索引逻辑
项目文件加载器：从具有大小限制的项目目录安全加载文件
优先级计算器：确定性优先级公式（最近度×0.4+重要性×0.4+使用率×0.2）

先决条件

PostgreSQL 14+ -支持向量扩展的数据库服务器
pg向量 -PostgreSQL向量相似性搜索扩展
Node.js 18+ -运行时环境
OpenAI API密钥 -用于生成嵌入和LLM编排

安装

自动设置（推荐）

运行安装脚本以自动创建数据库，启用pgvector，并运行迁移：

./scripts/setup-postgres.sh

脚本将：

检查PostgreSQL是否已安装并正在运行
创建 memory_default 数据库
启用pgvector扩展
运行架构迁移
验证设置

手动设置

如果您更喜欢手动设置，请按照以下步骤操作：

1.使用pgvector安装PostgreSQL

macOS（自制）

# Install PostgreSQL 14 or later
brew install postgresql@16

# Start PostgreSQL service
brew services start postgresql@16

# Install pgvector
brew install pgvector

Linux（Ubuntu/Debian）

# Install PostgreSQL
sudo apt update
sudo apt install postgresql postgresql-contrib

# Install build tools for pgvector
sudo apt install build-essential postgresql-server-dev-all

# Install pgvector from source
git clone https://github.com/pgvector/pgvector.git
cd pgvector
make
sudo make install

码头工人

# Use the official pgvector image
docker run -d \
  --name postgres-memory \
  -e POSTGRES_DB=memory_default \
  -e POSTGRES_PASSWORD=postgres \
  -p 5432:5432 \
  ankane/pgvector:latest

# Enable pgvector extension
docker exec -it postgres-memory psql -U postgres -d memory_default -c "CREATE EXTENSION IF NOT EXISTS vector;"

# Run migrations
docker exec -i postgres-memory psql -U postgres -d memory_default < migrations/20250117000001_init_postgres_schema.sql

2.创建数据库

# Create the memory_default database
createdb memory_default

# Or using psql
psql -U postgres -c "CREATE DATABASE memory_default;"

3.启用pgvector扩展

# Connect to the database and enable the extension
psql -d memory_default -c "CREATE EXTENSION IF NOT EXISTS vector;"

4.运行迁移

# Run the schema migration
psql -d memory_default -f migrations/20250117000001_init_postgres_schema.sql

# Optional: Load test data for quick testing
psql -d memory_default -f migrations/seeds/01_test_data.sql

5.验证安装

运行以下命令以验证您的设置：

# Verify memory_default database exists
psql -U postgres -c "SELECT datname FROM pg_database WHERE datname = 'memory_default';"

# Check PostgreSQL version
psql -d memory_default -c "SELECT version();"

# Verify pgvector extension is enabled
psql -d memory_default -c "SELECT * FROM pg_extension WHERE extname = 'vector';"

# Check that tables were created
psql -d memory_default -c "\dt"

预期输出应显示：

数据库 memory_default 存在
PostgreSQL版本14+
扩展列表中的pgvector扩展
桌子： memories, memory_indexes, memory_relationships, memory_usage_log

配置

1.环境变量

复制示例环境文件并配置您的设置：

# Copy the example file
cp .env.example .env

# Edit .env and set your configuration

所需的环境变量：

# Postgres project configuration
MEMORY_POSTGRES_PROJECT_REGISTRY=./config/projects.json
MEMORY_ACTIVE_PROJECT=local

# OpenAI API key for embeddings and LLM orchestration
OPENAI_API_KEY=sk-your-api-key-here

# Embedding model (determines vector dimensions)
MEMORY_EMBEDDING_MODEL=text-embedding-3-small

可选配置：

# Embedding dimensions (auto-detected from model, manual override available)
MEMORY_EMBEDDING_DIMENSIONS=1536

# Host/system context (inline text or file path)
MEMORY_MCP_SYSTEM_MESSAGE=./config/memory-host-context.txt

# Debug flags
MEMORY_DEBUG_MODE=true
MEMORY_DEBUG_OPERATIONS=true
MEMORY_DEBUG_VALIDATION=true
MEMORY_DEBUG_ACCESS_TRACKING=true
MEMORY_DEBUG_REPOSITORY=true

# Observability and logging
MEMORY_LOG_LEVEL=info          # Log level: debug, info, warn, error (default: info)
MEMORY_LOG_FORMAT=pretty       # Log format: json, pretty (default: pretty)
MEMORY_DB_SLOW_QUERY_MS=200   # Slow query threshold in milliseconds (default: 200)

# Refinement tuning
MEMORY_REFINE_DEFAULT_BUDGET=100
MEMORY_REFINE_ALLOW_DELETE=false
MEMORY_ACCESS_TRACKING_ENABLED=true
MEMORY_ACCESS_TRACKING_TOP_N=3
MEMORY_ACCESS_PRIORITY_BOOST=0.01

# Query enhancement
MEMORY_QUERY_EXPANSION_ENABLED=true
MEMORY_QUERY_EXPANSION_COUNT=2

# File ingestion limits
MEMORY_LARGE_FILE_THRESHOLD_BYTES=262144
MEMORY_CHUNK_CHAR_LENGTH=16000
MEMORY_CHUNK_CHAR_OVERLAP=2000
MEMORY_MAX_CHUNKS_PER_FILE=24
MEMORY_MAX_MEMORIES_PER_FILE=50

2.项目登记处

服务器使用 config/projects.json 将项目ID映射到数据库URL：

{
  "local": {
    "databaseUrl": "postgresql://postgres:postgres@localhost:5432/memory_default"
  }
}

通过以下方式选择活动项目 MEMORY_ACTIVE_PROJECT 环境变量。每个项目都有自己独立的PostgreSQL数据库。

多项目设置示例：

{
  "local": {
    "databaseUrl": "postgresql://postgres:postgres@localhost:5432/memory_default"
  },
  "production": {
    "databaseUrl": "postgresql://user:pass@prod-host:5432/memory_prod"
  },
  "staging": {
    "databaseUrl": "postgresql://user:pass@staging-host:5432/memory_staging"
  }
}

3.嵌入模型

支持的型号（通过配置 MEMORY_EMBEDDING_MODEL):

text-embedding-3-small -1536个尺寸（默认，推荐）
text-embedding-3-large -3072尺寸（更高质量，更高成本）

⚠️ 重要：嵌入模型维度必须与数据库架构匹配。默认迁移使用 vector(1536) 为了 text-embedding-3-small。如果更改嵌入模型，则必须更新 embedding 迁移中的列类型以匹配新维度。

4.主持人和项目背景（可选）

提示系统支持可选的上下文注入：

主机上下文 (MEMORY_MCP_SYSTEM_MESSAGE):

告诉内存服务器在整个系统中扮演什么角色
指导应存储或避免哪些类型的信息
可以是内联文本或文件路径（例如。， ./config/memory-host-context.txt)

项目背景 (projectSystemMessagePath 在工具调用中）：

特定项目或用例的按请求上下文
作为参数传递给各个工具调用
可用于在每次操作的基础上对行为进行偏置

看 prompts/README.md 了解可组合提示系统的详细信息。

发展

再进行

npm install

运行开发服务器

npm run dev

这将以热重新加载（使用 tsx).

为生产而建

npm run build
npm start

这 build 命令将TypeScript编译为 dist/，以及 start 运行编译后的服务器。

代码质量

# Check linting
npm run lint

# Auto-fix linting issues
npm run lint:fix

# Format code with Prettier
npm run format

# Check if code is formatted
npm run format:check

永远奔跑 npm run format 或 npm run lint:fix 在承诺之前 以保持代码的一致性。

用法

内存MCP服务器通过模型上下文协议公开工具。这些工具通常从Claude Desktop或其他MCP兼容客户端调用。

MCP工具的工作原理

MCP工具通过与MCP兼容的客户端（如Claude Desktop）调用。当你与克劳德互动时，你可以在对话中自然地引用记忆，克劳德会自动使用这些工具。这些工具也可以通过MCP协议使用JSON有效载荷以编程方式调用，如下例所示。

Claude Desktop中的会话用法示例：

“记住，我更喜欢黑暗模式”→ uses memorize 工具
“我的通知偏好是什么？”→ uses recall 工具
“忘记我的旧电子邮件地址”→ uses forget 工具

工具： `memorize`

目的：从自由格式的文本或文件中捕获持久的记忆。代理提取原子事实，用元数据（主题、标签、memoryType）丰富它们，并将它们存储在PostgreSQL+pgvector中。

参数:

input （必填）：描述记忆内容的自然语言教学
files （可选）：与指令一起摄取的相对文件路径数组
index （可选）：索引名称（默认为 MEMORY_DEFAULT_INDEX)
projectSystemMessagePath （可选）：项目特定系统消息的相对路径
metadata （可选）：应用于提取的内存的其他元数据

示例:

{
  "input": "Remember that the user prefers dark mode and wants notifications disabled after 9 PM",
  "metadata": {
    "category": "user_preferences"
  }
}

具有文件摄取功能:

{
  "input": "Memorize the key design decisions from this architecture document",
  "files": ["docs/architecture.md"],
  "index": "project_knowledge"
}

行为:

将复杂信息分解为原子级、可搜索的内存
自动提取主题、标签，并对记忆类型（自我、信念、模式、情节、语义）进行分类
对于大文件，使用分块和GPT-4-mini进行快速预处理 analyze_text 工具
返回使用ID和元数据创建的内存摘要

工具： `recall`

目的：搜索存储的记忆，并可选择合成答案。支持元数据过滤器、返回原始内存和优先级感知合成。

参数:

query （必填）：要搜索的自然语言问题或主题
index （可选）：索引名称覆盖
limit （可选）：要返回的最大内存数（默认值：10）
filters （可选）：结构化元数据过滤器（键与存储的元数据匹配）
filterExpression （可选）：使用过滤器DSL的高级过滤器表达式
projectSystemMessagePath （可选）：项目特定的系统消息路径
responseMode （可选）： "answer" （合成）， "memories" （未加工），或 "both" （默认值： "answer")

示例-综合答案:

{
  "query": "What are the user's notification preferences?",
  "responseMode": "answer"
}

示例-带过滤器的原始内存:

{
  "query": "design decisions",
  "filters": {
    "category": "architecture"
  },
  "responseMode": "memories",
  "limit": 20
}

示例-高级筛选器表达式:

{
  "query": "recent work tasks",
  "filterExpression": "@metadata.tags contains \"work\" AND @metadata.priority > 0.7",
  "responseMode": "both"
}

行为:

使用语义搜索（pgvector）+关键字搜索进行混合检索
优先级感知合成优先于高显著性记忆
自动访问跟踪更新内存优先级和访问计数
返回带有元数据的合成答案和/或原始内存记录

工具： `forget`

目的：使用LLM代理计划删除。支持模拟运行、元数据范围的删除和显式ID删除。

参数:

input （必填）：描述忘记什么的说明
index （可选）：索引覆盖
filters （可选）：用于缩小删除候选范围的元数据筛选器
projectSystemMessagePath （可选）：用于上下文化删除的系统消息路径
dryRun （可选）：默认值 true；当 false 代理执行已批准的删除操作
explicitMemoryIds （可选）：要立即删除的特定内存ID数组

示例-干运行（默认）:

{
  "input": "Forget all memories about the old API design that was replaced in December",
  "dryRun": true
}

示例-使用筛选器执行删除:

{
  "input": "Delete all low-priority temporary notes",
  "filters": {
    "memoryType": "episodic",
    "category": "temp"
  },
  "dryRun": false
}

示例-删除特定ID:

{
  "input": "Remove these obsolete memories",
  "explicitMemoryIds": ["550e8400-e29b-41d4-a716-446655440000"],
  "dryRun": false
}

行为:

具有干运行保护的保守删除（默认）
Agent搜索匹配的记忆并解释将删除的内容
根据安全规则进行验证（例如，不能删除系统内存）
当 dryRun=false，执行已批准的删除操作
返回已删除内存的列表及其基本原理

工具： `refine_memories`

目的：通过整合、重复数据删除、重新排序和清理来管理存储的内存。代理分析内存并生成结构化的优化计划。

参数:

index （可选）：索引覆盖
operation （可选）：细化模式- "consolidation", "decay", "cleanup"，或 "reflection"
scope （可选）：控制考虑哪些记忆
- query：查找候选人的语义查询
- filters：元数据筛选器
- seedIds：从特定内存ID数组开始
- maxCandidates：要分析的最大内存
budget （可选）：要执行的最大操作数（默认从 MEMORY_REFINE_DEFAULT_BUDGET)
dryRun （可选）：仅计划模式 true （默认）
projectSystemMessagePath （可选）：项目特定上下文

示例-合并:

{
  "operation": "consolidation",
  "scope": {
    "query": "user preferences",
    "maxCandidates": 50
  },
  "dryRun": true
}

示例-衰减（重新确定优先级）:

{
  "operation": "decay",
  "budget": 100,
  "dryRun": false
}

示例-使用过滤器进行清理:

{
  "operation": "cleanup",
  "scope": {
    "filters": {
      "memoryType": "episodic"
    }
  },
  "dryRun": true
}

操作模式:

整合：合并重复项、创建摘要、检测矛盾、链接相关记忆
衰变：使用基于最近度、使用情况和重要性的确定性优先级公式对记忆进行重新排序
清理：将删除候选项（低优先级、已取代、过时）确定为模拟建议
反思：从相关记忆中生成高级摘要和模式

动作类型:

UPDATE：重新排序或添加记忆之间的关系
MERGE：整合重复或冗余的内存
CREATE：从多个相关记忆中生成摘要记忆
DELETE：删除过时或低优先级的内存（建议仅在模拟运行中使用）

行为:

Agent使用GPT-4/5进行复杂模式分析和规划
生成具有基本原理的结构化细化操作
根据安全规则验证操作（例如，不能删除系统内存）
返回包含行动和预期结果的改进计划
当 dryRun=false，执行批准的操作

工具： `create_index`

目的：为活动项目创建或确保存在PostgreSQL支持的内存索引。

参数:

name （必填）：新索引名称
description （可选）：与索引记录一起存储的人物描述

示例:

{
  "name": "work_notes",
  "description": "Professional work-related notes and decisions"
}

行为:

如果不存在，则创建新索引
如果索引已存在，则返回现有索引信息
索引以行的形式存储在 memory_indexes 桌子
每个项目可以有多个逻辑组织索引

工具： `list_indexes`

目的：列出所有PostgreSQL内存索引和文档计数，以便代理可以选择目标。

参数：无

示例:

{}

退货:

{
  "indexes": [
    {
      "name": "personal",
      "documentCount": 142,
      "pendingDocumentCount": 0,
      "project": "local"
    },
    {
      "name": "work_notes",
      "documentCount": 87,
      "pendingDocumentCount": 0,
      "project": "local"
    }
  ],
  "totalMemories": 229,
  "totalDiskBytes": 1048576
}

行为:

返回活动项目的所有索引
包括每个索引的文档计数（PostgreSQL后端的pendingDocumentCount始终为0）
提供聚合统计信息（totalMemories、totalDiskBytes）
帮助代理人为新记忆选择合适的索引
有助于理解记忆组织

工具： `scan_memories`

目的：运行直接PostgreSQL搜索，无需LLM编排。返回用于调试和检查的原始结果和诊断。

参数:

query （必填）：搜索查询文本
index （可选）：索引覆盖
limit （可选）：最大结果（默认10，最大1000）
filters （可选）：结构化元数据过滤器
filterExpression （可选）：高级筛选表达式字符串
semanticWeight （可选）：语义与关键字权重（0-1）
reranking （可选）：启用重新银行（默认为true）
includeMetadata （可选）：包括元数据有效载荷（默认为true）

示例:

{
  "query": "user preferences",
  "limit": 20,
  "semanticWeight": 0.7,
  "includeMetadata": true
}

行为:

绕过LLM代理直接查询PostgreSQL
可用于调试搜索质量和检查原始嵌入
返回具有相似性得分的原始搜索结果
包括有关查询执行的诊断
通常不用于正常操作（使用 recall 代替LLM合成答案）

故障排除

未找到pgvector扩展名

错误: ERROR: extension "vector" is not available

解决方案:

# Verify pgvector is installed
pg_config --sharedir
# Check if vector.control exists in <sharedir>/extension/

# Reinstall if needed (macOS)
brew reinstall pgvector

# Reinstall if needed (Linux)
cd pgvector && sudo make install

无法连接到数据库

错误: Error: connect ECONNREFUSED 或 FATAL: password authentication failed

解决方案:

# Check PostgreSQL is running
psql -U postgres -l

# Verify connection string in config/projects.json
# Check username, password, host, and port match your PostgreSQL setup

# Test connection manually
psql "postgresql://postgres:postgres@localhost:5432/memory_default"

CREATE EXTENSION的权限被拒绝

错误: ERROR: permission denied to create extension "vector"

解决方案:

# Connect as superuser (usually postgres)
psql -U postgres -d memory_default -c "CREATE EXTENSION vector;"

嵌入尺寸不匹配

错误: Error: Embedding dimension mismatch

原因：嵌入模型维度与数据库架构不匹配。

解决方案:

检查您配置的模型维度：
- text-embedding-3-small：1536个维度
- text-embedding-3-large：3072个尺寸
更新迁移以匹配：

-- For text-embedding-3-small (default)
embedding vector(1536)

-- For text-embedding-3-large
embedding vector(3072)

更新维度后重新运行迁移。

缺少OPENAI_API_KEY

错误: Error: OPENAI_API_KEY is required.

解决方案:

# Add your OpenAI API key to .env
echo "OPENAI_API_KEY=sk-your-api-key-here" >> .env

无效的MEMORY_ACTIVE_PROJECT

错误: Error: No active project configured

解决方案:

验证 MEMORY_ACTIVE_PROJECT 在 .env 匹配密钥 config/projects.json
确保 config/projects.json 存在并且是有效的JSON
检查项目的 databaseUrl 可访问的

未找到内存索引

错误: Error: Index not found

解决方案:

列出可用索引：调用 list_indexes 工具
创建索引：调用 create_index 具有所需名称的工具
检查 MEMORY_DEFAULT_INDEX 环境变量与现有索引匹配

服务器无法启动-关系“memories”不存在

错误: ERROR: relation "memories" does not exist 或 ERROR: relation "memory_indexes" does not exist

原因：数据库迁移尚未运行。

解决方案:

# Run the schema migration
psql -d memory_default -f migrations/20250117000001_init_postgres_schema.sql

# Verify tables were created
psql -d memory_default -c "\dt"

服务器无法启动-缺少依赖项

错误: Cannot find module '@modelcontextprotocol/sdk' 或类似的导入错误

解决方案:

# Install all dependencies
npm install

# Verify installation
npm list @modelcontextprotocol/sdk

Claude Desktop无法连接到MCP服务器

错误: Cannot connect to server on stdio 或MCP服务器没有响应

解决方案:

验证Claude Desktop配置中的MCP服务器路径是否正确
检查服务器是否成功启动： npm run dev （应显示无错误）
验证您的Claude Desktop MCP配置（通常在 ~/Library/Application Support/Claude/claude_desktop_config.json 在macOS上）：

{
  "mcpServers": {
    "memory": {
      "command": "node",
      "args": ["/absolute/path/to/memory-mcp/dist/index.js"],
      "env": {
        "OPENAI_API_KEY": "sk-...",
        "MEMORY_ACTIVE_PROJECT": "local"
      }
    }
  }
}

为了开发，使用 npm run build 编译TypeScript，然后指向 dist/index.js
查看Claude Desktop日志以获取更详细的错误消息

开发服务器错误

错误：期间出现各种TypeScript或运行时错误 npm run dev

解决方案:

# Clear any caches and reinstall
rm -rf node_modules package-lock.json
npm install

# Run linting and formatting
npm run lint:fix
npm run format

# Check TypeScript compilation
npm run build

云部署

霓虹

霓虹为无服务器PostgreSQL提供pgvector支持：

在以下位置创建新项目 console.neon.tech
在SQL编辑器中启用pgvector：
```
CREATE EXTENSION IF NOT EXISTS vector;
```

运行架构迁移：

-- Copy contents of migrations/20250117000001_init_postgres_schema.sql

将连接字符串复制到 config/projects.json:

{
  "production": {
    "databaseUrl": "postgresql://user:password@ep-cool-darkness-123456.us-east-2.aws.neon.tech/neondb?sslmode=require"
  }
}

Supabase

Supabase 默认情况下包含pgvector：

在以下位置创建新项目掌声。
转到SQL编辑器并运行：
```
CREATE EXTENSION IF NOT EXISTS vector;
```
在SQL编辑器中运行架构迁移

从“项目设置”复制连接字符串→ 数据库：

{
  "production": {
    "databaseUrl": "postgresql://postgres:your-password@db.xxxxxxxxxxxx.supabase.co:5432/postgres"
  }
}

其他PostgreSQL提供商

任何支持pgvector的PostgreSQL 14+提供程序都可以工作：

AWS RDS for PostgreSQL（带pgvector扩展）
PostgreSQL的谷歌云SQL
PostgreSQL的Azure数据库
DigitalOcean管理数据库
自托管PostgreSQL实例

附加文档

docs/CHARACTER_MEMORY.md -人工智能字符和不完美记忆行为的设计原则
docs/SIMULATED_BRAIN.md -记忆系统如何通过衰减、巩固和扩散激活来模拟类似人类的认知
docs/BACKDATING_GUIDE.md -历史记忆摄取综合指南，包括优先级衰减计算和实例
迁移/20250117000001_init_postgres_schema.sql -数据库模式和迁移
脚本/setup-postgres.sh -自动设置脚本
CLAUDE.md -使用此代码库的开发人员指南
提示/README.md -可组合提示系统文档

许可证

私人-仅供内部使用

使用说明

内存MCP服务器

概述

主要特点

快速开始

建筑

支撑组件

先决条件

安装

自动设置（推荐）

手动设置

1.使用pgvector安装PostgreSQL

2.创建数据库

3.启用pgvector扩展

4.运行迁移

5.验证安装

配置

1.环境变量

2.项目登记处

3.嵌入模型

4.主持人和项目背景（可选）

发展

再进行

运行开发服务器

为生产而建

代码质量

用法

MCP工具的工作原理

工具： memorize

工具： recall

工具： forget

工具： refine_memories

工具： create_index

工具： list_indexes

工具： scan_memories

故障排除

未找到pgvector扩展名

无法连接到数据库

CREATE EXTENSION的权限被拒绝

嵌入尺寸不匹配

缺少OPENAI_API_KEY

无效的MEMORY_ACTIVE_PROJECT

未找到内存索引

服务器无法启动-关系“memories”不存在

服务器无法启动-缺少依赖项

Claude Desktop无法连接到MCP服务器

开发服务器错误

云部署

霓虹

Supabase

其他PostgreSQL提供商

附加文档

许可证

相关 MCP

记忆管理插件

AI持久记忆服务器

DuckDuckGo 搜索 MCP 服务器

图表生成MCP服务器

Zotero文献库搜索与阅读MCP服务

Qdrant向量搜索MCP服务器

工具： `memorize`

工具： `recall`

工具： `forget`

工具： `refine_memories`

工具： `create_index`

工具： `list_indexes`

工具： `scan_memories`