AI记忆服务器

# 仅启动 Qdrant 服务
docker compose up -d qdrant

# 或启动完整服务（包括 MCP 服务和 Qdrant）
docker compose up -d

LLM_PROVIDER=openai
LLM_BASE_URL=https://api.openai.com/v1
LLM_API_KEY=sk-xxx
LLM_MODEL=gpt-4o-mini
EMBEDDING_MODEL=text-embedding-3-small
EMBEDDING_DIMS=1536

LLM_PROVIDER=ollama
LLM_BASE_URL=http://localhost:11434
LLM_MODEL=qwen2.5:7b
EMBEDDING_PROVIDER=ollama
EMBEDDING_MODEL=nomic-embed-text
EMBEDDING_DIMS=768

LLM_PROVIDER=openrouter
LLM_BASE_URL=https://openrouter.ai/api/v1
LLM_API_KEY=sk-or-xxx
LLM_MODEL=anthropic/claude-3.5-sonnet

LLM_PROVIDER=deepseek
LLM_BASE_URL=https://api.deepseek.com/v1
LLM_API_KEY=sk-xxx
LLM_MODEL=deepseek-chat

VECTOR_STORE_PROVIDER=qdrant
QDRANT_PATH=./mem0_data
QDRANT_COLLECTION=mem0_memories

VECTOR_STORE_PROVIDER=qdrant
QDRANT_HOST=localhost
QDRANT_PORT=6333
QDRANT_COLLECTION=mem0_memories

# 方式 1：使用 docker compose（推荐）
docker compose up -d qdrant

# 方式 2：直接使用 docker run
docker run -d \
  --name qdrant-vectordb \
  -p 6333:6333 \
  -p 6334:6334 \
  -v qdrant-storage:/qdrant/storage \
  qdrant/qdrant:latest

VECTOR_STORE_PROVIDER=pgvector
DATABASE_URL=postgresql://user:password@localhost:5432/mem0

VECTOR_STORE_PROVIDER=chroma
CHROMA_PATH=./chroma_data

# 启动所有服务（包括 MCP 服务和 Qdrant）
docker compose up -d

# 仅启动 Qdrant 服务
docker compose up -d qdrant

# 查看服务状态
docker compose ps

# 停止服务
docker compose down

# 清理所有数据（包括数据卷）
docker compose down -v

VECTOR_STORE_PROVIDER=qdrant
QDRANT_HOST=localhost
QDRANT_PORT=6333
QDRANT_COLLECTION=mem0_memories

TRANSPORT=streamable-http uv run python -m mcp_ai_memory.server

{
  "mcpServers": {
    "mem0-local": {
      "transport": "http",
      "url": "http://localhost:8050/mcp"
    }
  }
}

{
  "mcpServers": {
    "mem0-local": {
      "command": "uv",
      "args": ["run", "--directory", "/path/to/mcp-ai-memory", "python", "-m", "mcp_ai_memory.server"],
      "env": {
        "TRANSPORT": "stdio",
        "LLM_PROVIDER": "ollama",
        "LLM_BASE_URL": "http://localhost:11434",
        "LLM_MODEL": "qwen2.5:7b",
        "EMBEDDING_PROVIDER": "ollama",
        "EMBEDDING_MODEL": "nomic-embed-text",
        "EMBEDDING_DIMS": "768",
        "VECTOR_STORE_PROVIDER": "qdrant",
        "QDRANT_PATH": "/path/to/mem0_data"
      }
    }
  }
}

{
  "mcpServers": {
    "mem0-local": {
      "command": "python",
      "args": ["-m", "mcp_ai_memory.server"],
      "env": {
        "TRANSPORT": "stdio",
        "LLM_PROVIDER": "ollama",
        "LLM_BASE_URL": "http://localhost:11434",
        "LLM_MODEL": "qwen2.5:7b",
        "EMBEDDING_PROVIDER": "ollama",
        "EMBEDDING_MODEL": "nomic-embed-text",
        "EMBEDDING_DIMS": "768",
        "VECTOR_STORE_PROVIDER": "qdrant",
        "QDRANT_PATH": "/path/to/mem0_data"
      }
    }
  }
}

{
  "mcpServers": {
    "mem0-local": {
      "command": "docker",
      "args": [
        "run", "--rm", "-i",
        "-e", "TRANSPORT=stdio",
        "-e", "LLM_PROVIDER",
        "-e", "LLM_BASE_URL",
        "-e", "LLM_API_KEY",
        "-e", "LLM_MODEL",
        "-e", "EMBEDDING_MODEL",
        "-e", "EMBEDDING_DIMS",
        "-v", "./mem0_data:/app/mem0_data",
        "mcp-ai-memory"
      ],
      "env": {
        "LLM_PROVIDER": "openai",
        "LLM_BASE_URL": "https://api.openai.com/v1",
        "LLM_API_KEY": "sk-xxx",
        "LLM_MODEL": "gpt-4o-mini",
        "EMBEDDING_MODEL": "text-embedding-3-small",
        "EMBEDDING_DIMS": "1536"
      }
    }
  }
}

"请记住我喜欢吃辣的食物，不吃海鲜"
→ 调用 add_memory(text="用户喜欢辣食，不吃海鲜")

"我之前说过什么饮食偏好？"
→ 调用 search_memories(query="饮食偏好 食物喜好")

"更新一下，我现在也开始吃海鲜了"
→ 调用 update_memory(memory_id="xxx", text="用户喜欢辣食，现在也吃海鲜")

"删除关于我饮食偏好的记录"
→ 先 search_memories 找到相关记忆
→ 再 delete_memory(memory_id="xxx")

mkdir -p ~/.cursor/skills/project-memory-sync
cp .cursor/skills/project-memory-sync/SKILL.md ~/.cursor/skills/project-memory-sync/

用户: "帮我熟悉一下这个项目"
用户: "这个项目的核心功能是什么？"
用户: "介绍一下项目的设计架构"

→ Agent 会先搜索已有记忆，结合代码分析回答
→ 如果发现新的重要信息，会自动保存到记忆

用户: (修改了 API 接口)
用户: (新增了一个功能模块)
用户: (删除了某个功能)

→ Agent 会自动分析变更内容
→ 选择 add_memory / update_memory / delete_memory 同步记忆

"mcp-ai-memory 项目使用 Mem0 库实现长期记忆存储，支持 Qdrant 和 pgvector 向量库"
"mcp-ai-memory 的 add_memory 接口支持 text、messages、user_id、metadata 等参数"
"项目支持 Streamable HTTP、SSE 和 stdio 三种传输模式，推荐使用 streamable-http"

# 使用增强型（默认）
FACT_EXTRACTION_PROMPT_TYPE=default

# 使用原版型
FACT_EXTRACTION_PROMPT_TYPE=personal

CUSTOM_FACT_EXTRACTION_PROMPT_FILE=/path/to/custom_prompt.txt

CUSTOM_FACT_EXTRACTION_PROMPT="Your custom prompt here..."

# 启动所有服务
docker compose up -d

docker compose up -d

BACKUP_INTERVAL_HOURS=6        # 备份间隔（小时）
BACKUP_RETAIN_COUNT=7          # 保留快照数量

# 创建快照
curl -X POST "http://localhost:6333/collections/你的collection名/snapshots"

# 查看所有快照
curl "http://localhost:6333/collections/你的collection名/snapshots"

{
  "result": [
    {
      "name": "legoutech_ai_memory-8109846939920624-2026-02-05-09-42-43.snapshot",
      "creation_time": "2026-02-05T09:42:43",
      "size": 933376
    }
  ],
  "status": "ok"
}

# 1. 查看可用快照
curl "http://localhost:6333/collections/你的collection名/snapshots"

# 2. 从快照恢复（替换为实际的快照文件名）
curl -X PUT "http://localhost:6333/collections/你的collection名/snapshots/recover" \
  -H "Content-Type: application/json" \
  -d '{
    "location": "file:///qdrant/snapshots/你的collection名/快照文件名.snapshot"
  }'

curl -X PUT "http://localhost:6333/collections/你的collection名/snapshots/recover" \
  -H "Content-Type: application/json" \
  -d '{
    "location": "https://your-backup-server.com/snapshots/backup.snapshot"
  }'

curl -X DELETE "http://localhost:6333/collections/你的collection名/snapshots/快照文件名.snapshot"

# 下载快照文件
curl -o backup.snapshot \
  "http://localhost:6333/collections/你的collection名/snapshots/快照文件名.snapshot"

# 停止所有相关进程
pkill -f mcp_ai_memory
pkill -f mem0

# 清理本地 Qdrant 文件
rm -rf ./mem0_data

# 重新启动
docker compose up -d qdrant
TRANSPORT=sse uv run python -m mcp_ai_memory.server

# 检查服务状态
ps aux | grep mcp_ai_memory

# 查看服务日志
tail -f /tmp/mcp_server.log

# 测试连接
curl http://localhost:8050/sse