AI导哈

记忆增强中间件

MCP Memory Server是一个智能中间件服务器，通过实现MCP（模型上下文协议）模式，为Ollama添加记忆和学习能力，自动丰富提示上下文并从每次交互中学习。

  • by MikeyBeez
  • TypeScript
  • 本地部署
  • 更新于
在 GitHub 查看 mikeybeez/mcp-memory-server

使用说明

MCP内存服务器

一种智能中间件服务器，通过实现MCP（模型上下文协议）模式为Ollama添加内存和学习功能。

概述

MCP内存服务器充当您的应用程序（如ELVIS）和Ollama之间的智能代理，自动用相关上下文丰富提示，并从每次交互中学习。

主要特点

  • 自动上下文丰富：搜索大脑记忆并在提示中添加相关上下文
  • 从经验中学习：跟踪哪些方法有效并随着时间的推移而改进
  • 模型特定优化：了解每个模型的优势和最佳实践
  • 类似任务识别：查找并应用过去类似任务的经验教训
  • Olama替换品：与现有Ollama API客户端兼容
  • MCP工具集成：访问Brain、文件系统和其他MCP工具

建筑

Your App (ELVIS) → MCP Memory Server → Ollama
                          ↓
                    Brain Memory System
                    Learning Engine
                    Context Enricher

安装

# Clone the repository
git clone [repository-url]
cd mcp-memory-server

# Install dependencies
npm install

# Build the TypeScript code
npm run build

# Copy environment template
cp .env.example .env

# Edit .env with your settings

配置

创建一个 .env 文件包含：

# Server Configuration
PORT=8090                          # Port for Memory Server
OLLAMA_URL=http://localhost:11434  # Ollama API endpoint
MCP_URL=http://localhost:3000      # MCP tools endpoint (optional)

# Memory Configuration
MAX_CONTEXT_TOKENS=2000            # Max tokens to add as context
SIMILARITY_LIMIT=10                # How many similar memories to search
RELEVANCE_THRESHOLD=0.3            # Min relevance score (0-1)
AUTO_ENRICH=true                   # Enable automatic enrichment

# Brain Integration
BRAIN_ENABLED=true                 # Enable Brain memory system
BRAIN_DATA_DIR=~/.brain           # Brain data directory

# Cache Configuration
CACHE_TTL=3600                     # Cache TTL in seconds
CACHE_MAX_SIZE=1000               # Max cache entries

用法

启动服务器

# Start the server
npm start

# Or with custom settings
PORT=9000 OLLAMA_URL=http://remote:11434 npm start

与ELVIS一起使用

只需将ELVIS指向内存服务器，而不是Ollama：

// Before (direct to Ollama)
const elvis = new ELVIS({
  ollamaUrl: 'http://localhost:11434'
});

// After (through Memory Server)
const elvis = new ELVIS({
  ollamaUrl: 'http://localhost:8090'  // Memory Server port
});

API终点

服务器提供Ollama兼容的端点以及额外的内存端点：

Ollama兼容端点

  • POST /api/generate -生成文本（具有自动丰富功能）
  • POST /api/generate/stream -流媒体生成
  • GET /api/tags -列出可用型号

内存管理端点

  • GET /api/memory/stats -获取内存统计信息
  • POST /api/memory/search -搜索记忆
  • GET /api/memory/insights -获取最新见解

学习终点

  • POST /api/learning/feedback -对回复提供反馈
  • GET /api/learning/model-stats/:model -获取模型性能统计数据

运作原理

1.丰富上下文

当请求进来时，服务器：

  1. 从提示中提取关键字
  2. 在大脑中搜索相关记忆
  3. 查找类似的过去任务
  4. 添加特定于型号的提示
  5. 包括最近的见解
  6. 构建一个包含所有上下文的丰富提示

2.学习过程

每次响应后，服务器：

  1. 评估响应质量
  2. 确定所使用的方法
  3. 提取见解和模式
  4. 存储成功模式
  5. 更新模型性能指标

3.存储器类型

服务器跟踪几种类型的内存：

  • 任务记忆：完整记录过去的任务和成果
  • 模型上下文：每个模型的性能统计数据和最佳实践
  • 洞察：学到的模式和成功的方法
  • 领域知识：特定主题信息

示例丰富

原始提示：

Analyze the performance bottlenecks in our Brain memory system

丰富提示（自动生成）：

=== MODEL GUIDANCE ===
You are deepseek-r1, with these strengths:
- deep analysis
- complex reasoning
- step-by-step thinking

Tips for best results:
- Use "think step by step" in prompts
- Excellent for mathematical proofs

=== RELEVANT CONTEXT ===
Context 1 (relevance: 89%):
Previous Brain performance analysis showed query optimization...

Context 2 (relevance: 76%):
Memory indexing strategies that improved recall speed by 40%...

=== SIMILAR PAST TASKS ===
Task 1: Analyze todo-manager performance issues
Approach: Profiling-driven analysis
Quality: 92%
Duration: 38 minutes
Key learning: Identifying hotspots first saved significant time

=== RECENT INSIGHTS ===
1. Using profiler data improves analysis accuracy
2. Database queries are often the bottleneck
3. Caching strategies significantly impact performance

=== CURRENT TASK ===
Analyze the performance bottlenecks in our Brain memory system

发展

项目结构

src/
├── types.ts              # TypeScript interfaces
├── server.ts             # Express server setup
├── MemoryManager.ts      # Memory storage and retrieval
├── ContextEnricher.ts    # Prompt enrichment logic
├── LearningEngine.ts     # Learning from interactions
├── clients/
│   ├── BrainClient.ts    # Brain memory integration
│   └── OllamaClient.ts   # Ollama API client
└── index.ts              # Entry point

运行测试

npm test                    # Run all tests
npm run test:watch         # Watch mode
npm run test:coverage      # With coverage

建筑

npm run build              # Build TypeScript
npm run dev               # Watch mode

高级用法

自定义内存源

您可以通过实现自定义内存提供程序来扩展内存系统：

class CustomMemoryProvider {
  async search(query: string): Promise<Memory[]> {
    // Your custom search logic
  }
}

型号特定配置

在代码中添加特定于模型的配置：

modelStats.set('your-model', {
  strengths: ['domain expertise'],
  avgResponseTime: 20 * 60 * 1000,
  tips: ['Works best with examples']
});

监控和指标

服务器记录所有交互以供分析：

  • 请求/响应时间
  • 内存命中率
  • 模型性能趋势
  • 质量评估

故障排除

常见问题

  1. Ollama连接失败

    • 确保Olama正在运行： curl http://localhost:11434
    • 检查.env中的OLLAMA_URL

  2. 大脑不可用

    • 服务器在没有Brain的情况下工作，但内存有限
    • 检查MCP_URL配置

  3. 内存使用率高

    • 调整CACHE_MAX_SIZE
    • 执行缓存清理

  4. 缓慢的充实

    • 减少相似性_限制
    • 增加相关性_ HRESHOLD

未来的增强功能

  • []语义搜索的矢量数据库集成
  • []用于内存管理的Web UI
  • []具有独立记忆的多用户支持
  • []自定义富集器插件系统
  • []指标仪表板
  • []内存导出/导入
  • []浓缩战略A/B测试

贡献

这是MCP中间件模式的概念验证。欢迎投稿！

主要贡献领域：

  1. 更好的学习算法
  2. 更复杂的上下文选择
  3. 其他内存提供程序
  4. 性能优化
  5. 测试基础设施

许可证

麻省理工学院

由MikeyBeez&Claude以好奇心打造🧠✨

相关 MCP