使用说明

持久分层内存MCP服务器

一种生产就绪的模型上下文协议（MCP）服务器，为AI代理提供持久的分层内存。具有语义相似性搜索、自动生命周期管理和多层存储（工作、短期、长期记忆）功能。

特性

分层存储层
- 工作内存（分钟）-当前上下文，内存缓存
- 短期记忆（天/周）-最近的交互，带TTL的向量存储
- 长期记忆（月）-整合知识，永久存储
语义搜索
- 基于嵌入的向量相似性搜索
- 按层、标签、重要性过滤
- 任务的上下文感知回忆
自动生命周期管理
- 基于时间衰减的重要性评分
- 层间自动升级/降级
- 巩固旧记忆
- 基于TTL和相关性的遗忘
多后端支持
- 内存（开发/测试）
- Weaviate（自托管）
- 松果（管理）
多个嵌入提供程序
- OpenAI（文本嵌入3-small）
- 基于本地TF-IDF（无外部API）

安装

npm install @anthropic-ai/memory-mcp-server

或者从源代码构建：

git clone https://github.com/anthropics/memory-mcp-server.git
cd memory-mcp-server
npm install
npm run build

配置

环境变量

创建一个 .env 文件（参见 .env.example):

# Vector Store Selection (memory, weaviate, pinecone)
VECTOR_STORE_TYPE=memory

# Weaviate Configuration
WEAVIATE_URL=http://localhost:8080
WEAVIATE_API_KEY=optional

# Pinecone Configuration
PINECONE_API_KEY=your-api-key
PINECONE_INDEX=memory-mcp

# Embedding Configuration
EMBEDDING_PROVIDER=openai
OPENAI_API_KEY=your-api-key
OPENAI_EMBEDDING_MODEL=text-embedding-3-small
OPENAI_EMBEDDING_DIMENSIONS=1536

# Memory Layer TTL (milliseconds)
WORKING_MEMORY_TTL=1800000          # 30 minutes
SHORT_TERM_MEMORY_TTL=604800000     # 7 days
LONG_TERM_MEMORY_TTL=31536000000    # 1 year

# Consolidation
CONSOLIDATION_THRESHOLD=100         # Memories before consolidation
CONSOLIDATION_AGE=2592000000        # 30 days

# Importance Decay
DECAY_RATE=0.1                      # Exponential decay rate
DECAY_INTERVAL=86400000             # Daily decay

Claude桌面配置

添加到您的Claude Desktop配置文件中：

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json 视窗: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "memory": {
      "command": "node",
      "args": ["path/to/memory-mcp-server/build/index.js"],
      "env": {
        "VECTOR_STORE_TYPE": "memory",
        "EMBEDDING_PROVIDER": "openai",
        "OPENAI_API_KEY": "your-api-key-here"
      }
    }
  }
}

工具

记忆库

将信息与元数据一起存储在持久内存中。

参数：

content （string，必填）：要存储的内容
importance （数字，0-1，默认值：0.5）：重要性得分
tags （字符串数组，默认值：[]）：类别标记
source （字符串：“user”|“agent”|“system”，默认值：“agent”）：源
layer （字符串：“工作”|“短期”|“长期”）：显式层

例子：

await memory_store({
  content: "User prefers concise responses with code examples",
  importance: 0.9,
  tags: ["preferences", "communication-style"]
})

记忆搜索

使用语义相似性搜索记忆。

参数：

query （字符串，必填）：搜索查询
limit （数字，默认值：10）：最大结果
layerFilter （字符串数组）：按层过滤
minRelevance （数字，0-1，默认值：0）：最小相似性阈值
tags （字符串数组）：按标签筛选

例子：

await memory_search({
  query: "user preferences for code formatting",
  limit: 5,
  minRelevance: 0.5
})

memory_recall

检索特定任务的上下文相关记忆。

参数：

task （字符串，必填）：任务描述
context （字符串，可选）：附加上下文
limit （数字，默认值：10）：最大内存

例子：

await memory_recall({
  task: "Help debug a React component",
  context: "User is working on a dashboard project",
  limit: 10
})

记忆_巩固

总结并压缩旧记忆。

参数：

olderThan （数字，可选）：时间戳过滤器
targetSize （数字，默认值：50）：目标计数
layer （字符串，默认值：“短期”）：要合并的层

例子：

await memory_consolidate({
  targetSize: 50,
  layer: "short-term"
})

记忆_遗忘

明确地或根据标准删除记忆。

参数：

memoryId （字符串，可选）：特定内存ID
olderThan （数字，可选）：时间戳过滤器
layer （字符串，可选）：要清除的图层
reason （字符串，可选）：审核原因

例子：

await memory_forget({
  olderThan: Date.now() - 30 * 24 * 60 * 60 * 1000, // 30 days ago
  layer: "working",
  reason: "Cleanup expired working memories"
})

memory_list

使用筛选列出所有存储的内存。

参数：

layer （字符串，可选）：按层过滤
tags （字符串数组，可选）：按标签筛选
limit （数字，默认值：100）：最大结果

memory_stats

获取有关存储内存的统计信息。

退货：

totalMemories：总计数
byLayer：每层计数
avgImportance：平均重要性
oldestMemory：最旧的时间戳
newestMemory：最新时间戳

建筑

┌─────────────────────────────────────────────────────────────┐
│                   Memory MCP Server                         │
├─────────────────────────────────────────────────────────────┤
│  Memory Layers:                                             │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐      │
│  │ Working      │  │ Short-Term   │  │ Long-Term    │      │
│  │ (30 min TTL) │  │ (7 day TTL)  │  │ (1 year TTL) │      │
│  └──────────────┘  └──────────────┘  └──────────────┘      │
│         │                 │                  │              │
│         └─────────────────┴──────────────────┘              │
│                           │                                 │
│                   ┌───────▼────────┐                        │
│                   │ Vector Store   │                        │
│                   │ (Memory/       │                        │
│                   │  Weaviate/     │                        │
│                   │  Pinecone)     │                        │
│                   └────────────────┘                        │
│                                                           │
│  Lifecycle:                                               │
│  - Semantic search (cosine similarity)                    │
│  - Temporal decay (forgetting curve)                      │
│  - Importance scoring (attention mechanism)               │
│  - Consolidation (summarization)                          │
│  - Automatic promotion/demotion                           │
└─────────────────────────────────────────────────────────────┘

发展

# Install dependencies
npm install

# Build TypeScript
npm run build

# Watch mode for development
npm run watch

# Run tests
npm test

# Run tests with coverage
npm run test:coverage

# Lint code
npm run lint

# Format code
npm run format

内存生命周期

存储
- 根据重要性为新记忆分配一个层
- 为语义搜索生成嵌入
- 元数据包括时间戳、重要性、来源、标签
访问
- 每次访问都会更新访问计数和上次访问时间
- 频繁访问的内存被提升到更高的层次
衰变
- 重要性分数随时间衰减（指数衰减）
- 低重要性，旧记忆被降级或删除
整合
- 旧记忆按主题分组
- 组被总结成单个记忆
- 原始记忆被删除
遗忘
- 基于TTL的过期
- 显式删除
- 按层或时间戳进行批量清理

矢量存储后端

内存中（默认）

最适合：

开发和测试
小规模部署
无基础设施设置

限制：

重启后不持久
受可用RAM限制

Weaviate

最适合：

自托管部署
完全控制数据
混合搜索功能

设置：

docker run -p 8080:8080 weaviate/weaviate:latest

松果

最适合：

生产部署
管理服务
自动缩放

设置：

# Create index via Pinecone console
# Configure PINECONE_API_KEY and PINECONE_INDEX

嵌入提供者

OpenAI（推荐）

text-embedding-3-small：1536个维度，快速，经济高效
需要API密钥
最佳语义质量

本地（仅限开发）

基于TF-IDF的嵌入
不需要外部API
语义质量较低
512个维度

最佳实践

使用适当的重要性评分
- 1.0：关键信息（用户偏好、API密钥）
- 0.7-0.9：重要背景（项目细节、目标）
- 0.4-0.6：一般信息（对话、观察）
- 0.1-0.3：瞬态信息（临时注释）
标记你的记忆
- 使用描述性标签便于检索
- 包括类别、项目或用户标识符
- 合并后标记“合并”
定期合并
- 活动系统每周运行一次
- 根据存储需求调整targetSize
- 检查合并记忆的质量
监控内存运行状况
- 使用 memory_stats 检查分布情况
- 注意任何层的内存膨胀
- 根据需要调整TTL值

故障排除

问题：“矢量存储未初始化”

解决方案： 检查您的环境变量和矢量存储配置。

问题：“OpenAI API错误”

解决方案： 验证您的OPENAI_API_KEY是否有效并具有API信用。

问题：“未找到相关记忆”

解决方案：

检查是否存在记忆 memory_list
试着降低 minRelevance 阈值
使用更广泛的搜索查询

问题：“内存层已满”

解决方案：

跑 memory_consolidate 压缩旧记忆
在配置中调整TTL值
使用 memory_forget 清理

许可证

麻省理工学院

贡献

欢迎投稿！请阅读我们的贡献指南，并将pull请求提交到主存储库。

支持

GitHub问题：https://github.com/anthropics/memory-mcp-server/issues
MCP文件：https://github.com/modelcontextprotocol

使用说明

持久分层内存MCP服务器

特性

安装

配置

环境变量

Claude桌面配置

工具

记忆库

记忆搜索

memory_recall

记忆_巩固

记忆_遗忘

memory_list

memory_stats

建筑

发展

内存生命周期

矢量存储后端

内存中（默认）

Weaviate

松果

嵌入提供者

OpenAI（推荐）

本地（仅限开发）

最佳实践

故障排除

问题：“矢量存储未初始化”

问题：“OpenAI API错误”

问题：“未找到相关记忆”

问题：“内存层已满”

许可证

贡献

支持

相关 MCP

AI持久记忆服务器

Zotero文献库搜索与阅读MCP服务

Qdrant向量搜索MCP服务器

本地LLM模型控制协议

文档搜索服务

Laravel文档聚合工具