使用说明

🧠 LLM内存MCP服务器

你的人工智能助手终于有了一个共享的大脑。

一个记忆。每个平台。零上下文丢失。

保存一个事实光标 → 回忆一下 克劳德 → 在中搜索 VS Code → 在中更新它 双子座 → 到处都是。

🔥 为什么2000多名开发人员正在转向共享AI内存

无LLM内存	有LLM内存
😤 “我已经告诉克劳德我的技术栈了……”	🧠 每个AI都知道你在第一条消息上的堆栈
😤 “Cursor不知道我在Copilot做了什么…”	🧠 始终提供完整的跨平台环境
😤 “我一直在重复我的偏好…”	🧠 首选项自动检测并自动保存
😤 “我的AI忘记了我们的整个调试过程…”	🧠 对话保留可搜索的历史记录
😤 “我丢失了那个有用的代码片段…”	🧠 程序内存存储每个模式

⚡ 是什么让这与众不同

🏗️ 4层内存架构

不仅仅是一个键值存储。A. 认知记忆系统 受到人类记忆的启发：

短期的 --工作上下文（自动过期）
语义 --事实、偏好、决定（永久）
情节性的 --对话历史记录（可搜索）
程序性 --代码模式和操作方法

🔍 混合AI搜索

每 recall 查询搜索 一次全部4层，排名如下：

Score = semantic_similarity × 0.30
      + text_relevance     × 0.20
      + recency            × 0.25
      + importance          × 0.25

由...驱动 pgvector HNSW + GIN全文 指数。

🤖 自动注入智能

当任何AI连接时，它 自动地:

开始时加载您的工作上下文
回忆与主题相关的记忆
静默检测并保存偏好
最后保存对话
提取知识并巩固记忆

无需手动提示。

⚔️ 跨平台冲突解决

当光标说“用户更喜欢标签”和 克劳德 说“用户更喜欢空格”：

🔍 自动检测 通过向量相似性
📋 冲突队列 并排比较
🎯 4种解决策略：保持现有，使用新，合并，两者都保留
📊 版本历史 每一次知识变化

🚀 快速开始

从0到共享AI内存需要60秒。

先决条件

码头工人 &Docker编写
任何兼容MCP的AI平台

选项A：一个命令设置（推荐）

git clone https://github.com/ranjanjyoti152/LLM-MCP.git
cd LLM-MCP
./setup.sh

安装脚本会自动检测 光标、VS代码、Gemini CLI、Claude Desktop、Windsurf 并生成配置文件。

选项B：手动

git clone https://github.com/ranjanjyoti152/LLM-MCP.git
cd LLM-MCP
docker compose up -d --build

验证

docker compose ps
# llm-mcp-postgres    Up (healthy)   0.0.0.0:4569->5432
# llm-mcp-ollama      Up (healthy)   0.0.0.0:9050->9050
# llm-mcp-server      Up             0.0.0.0:4040->4040
# llm-mcp-dashboard   Up             0.0.0.0:4041->4041

第一次开机需要几分钟。 Ollama拉 nomic-embed-text 在报告健康之前嵌入模型（~274MB），服务器+仪表板等待健康检查。看着它 docker compose logs -f ollama（如果Ollama在请求时无法访问，服务器将回退到本地哈希嵌入器，因此写入仍然成功。）

试试看！

问你的AI：

“保存一个知识条目：我更喜欢Python作为后端，TypeScript作为前端。”

切换至 任何其他AI 并询问：

“我的编程语言偏好是什么？”

✨ 它记得。 跨越每一个平台。永远。

📊 Web仪表板

住在 http://localhost:4041 --功能齐全的内存管理UI。

📈 Overview _{Bento grid metrics, health stats, platform charts}	🧠 Knowledge _{Search, filter, version history per entry}
📝 Conversations _{Full episodic memory with message threads}	⚔️ Conflicts _{Side-by-side comparison, 1-click resolve}
🕐 Timeline _{Unified activity feed across all memory types}	🔧 Maintenance _{Cleanup, consolidate, decay, compress}

8个选项卡 ·黑暗主题·自动刷新·Chart.js可视化·冲突解决UI·版本历史模型

🏗️ 建筑

┌─────────────────────────────────────────────────────────────────────────┐
│                           AI PLATFORMS                                   │
│                                                                         │
│  ┌──────────┐ ┌────────┐ ┌─────────┐ ┌────────┐ ┌───────┐ ┌────────┐  │
│  │ Windsurf │ │ Cursor │ │ VS Code │ │ Claude │ │Gemini │ │ Codex  │  │
│  └─────┬────┘ └───┬────┘ └────┬────┘ └───┬────┘ └──┬────┘ └───┬────┘  │
│        └───────────┴──────────┴──────────┴─────────┴──────────┘        │
│                                │                                        │
└────────────────────────────────┼────────────────────────────────────────┘
                                 │ MCP (Streamable HTTP)
                                 ▼
        ┌────────────────────────────────────────────────┐
        │         🧠 LLM Memory MCP Server :4040         │
        │                                                │
        │  39 Tools · 9 Prompts · 3 Resources            │
        │  Auto-injected instructions for every LLM      │
        │  Background scheduler (cleanup/decay/compress)  │
        │  Version tracking · Conflict resolution         │
        │                                                │
        │  📊 Dashboard UI :4041                          │
        │  19 REST endpoints · 8-tab interface            │
        └────────────────────┬───────────────────────────┘
                             │
                             ▼
        ┌────────────────────────────────────────────────┐
        │       PostgreSQL 16 + pgvector :4569            │
        │                                                │
        │  ┌─────────┐ ┌──────────┐ ┌───────────┐       │
        │  │Episodic  │ │ Semantic │ │Short-term │       │
        │  │convos +  │ │knowledge │ │TTL-expire │       │
        │  │messages  │ │+ vectors │ │+ consolid │       │
        │  └─────────┘ └──────────┘ └───────────┘       │
        │  ┌─────────┐ ┌──────────┐ ┌───────────┐       │
        │  │Procedural│ │Versions  │ │Conflicts  │       │
        │  │code snips│ │changelog │ │cross-plat │       │
        │  └─────────┘ └──────────┘ └───────────┘       │
        │                                                │
        │  HNSW vector index + GIN full-text index       │
        │  Hybrid search: semantic + keyword ranking      │
        └────────────────────────────────────────────────┘

🎯 支持平台

平台	运输	状态
帆板运动	流式HTTP	✅ 准备好了
光标	流式HTTP	✅ 准备好了
VS Code +GitHub Copilot	流式HTTP	✅ 准备好了
克劳德桌面版	可流式传输HTTP/stdio	✅ 准备好了
Gemini CLI	流式HTTP	✅ 准备好了
反重力（谷歌）	流式HTTP	✅ 准备好了
ChatGPT （MCP兼容）	流式HTTP	✅ 准备好了
法典（OpenAI）	流式HTTP	✅ 准备好了
任何兼容MCP的客户端	可流式传输HTTP	✅ 准备好了

🔧 平台配置

帆板运动

选项A --通过用户界面： 设置→ MCP → 添加服务器 → 粘贴URL。

选项B --配置文件(.windsurf/mcp_config.json):

{
  "mcpServers": {
    "llm-memory": {
      "serverUrl": "http://localhost:4040/mcp"
    }
  }
}

反重力（谷歌）

选项A --通过UI：转到 设置→ MCP服务器→ Add 并粘贴URL。

选项B --通过配置文件(mcp_config.json):

{
  "mcpServers": {
    "llm-memory": {
      "serverUrl": "http://localhost:4040/mcp"
    }
  }
}

光标

选项A --通过用户界面： 设置→ MCP服务器→ 添加新的MCP服务器

选项B --项目级配置(.cursor/mcp.json):

{
  "mcpServers": {
    "llm-memory": {
      "url": "http://localhost:4040/mcp"
    }
  }
}

选项C --全局配置(~/.cursor/mcp.json)--适用于所有项目。

VS代码+GitHub副本

选项A --通过命令面板： Ctrl+Shift+P → MCP: Add Server → HTTP → enter http://localhost:4040/mcp

选项B --工作区配置(.vscode/mcp.json):

{
  "servers": {
    "llm-memory": {
      "type": "http",
      "url": "http://localhost:4040/mcp"
    }
  }
}

选项C --用户设置（全局）：将相同的配置添加到您的VS Code用户 settings.json 在...之下 "mcp".

Gemini CLI

编辑 ~/.gemini/settings.json:

{
  "mcpServers": {
    "llm-memory": {
      "httpUrl": "http://localhost:4040/mcp"
    }
  }
}

克劳德代码（CLI）

选项A——一个命令（HTTP）：

claude mcp add --transport http llm-memory http://localhost:4040/mcp

选项B——通过Docker本地（stdio）：

claude mcp add llm-memory -- docker exec -i llm-mcp-server python server.py stdio

添加 --scope user 使用任一命令，使服务器在所有项目中都可用（默认范围是当前项目）。证实 claude mcp list.

A. project-memory 技能也在船上 .claude/skills/ --服务器连接后，调用/保存/压缩行为会自动触发，就像安装技能一样。

克劳德桌面版

选项A——本地（最佳性能）： 直接通过Docker连接——不需要额外的工具。

首选 设置→ 开发者→ 编辑配置 (claude_desktop_config.json):

{
  "mcpServers": {
    "llm-memory": {
      "command": "docker",
      "args": [
        "exec",
        "-i",
        "llm-mcp-server",
        "python",
        "server.py",
        "stdio"
      ]
    }
  }
}

ChatGPT/Codex/其他MCP客户端

对于通过HTTP支持MCP的任何平台，请使用：

Endpoint:   http://localhost:4040/mcp
Transport:  Streamable HTTP (JSON-RPC over POST with optional SSE streaming)

🛠️ 39 MCP工具

💬 Conversations (Episodic Memory)

工具	它做什么
`save_conversation`	保存包含消息、元数据、重要性、结果的完整对话
`search_memory`	所有对话的全文+语义搜索
`get_recent_conversations`	按平台分类的最新对话
`get_conversation_by_id`	检索包含所有消息的特定对话
`add_message_to_conversation`	将消息附加到现有对话中
`tag_conversation`	添加/删除标签
`delete_memory`	按ID删除对话或知识

🧠 Knowledge (Semantic Memory)

工具	它做什么
`save_knowledge`	存储事实/偏好/指示/决定
`save_knowledge_smart`	冲突感知保存 --检测重复项和跨平台冲突
`search_knowledge`	按查询、类别、标签搜索
`list_all_knowledge`	带类别过滤器的分页列表
`get_knowledge_by_category`	一个类别中的所有条目
`get_related_knowledge`	按向量接近度分类的类似条目
`update_knowledge`	更新为自动版本快照
`auto_extract_preferences`	从对话文本中批量提取首选项
`get_context_summary`	结合知识+对话语境

⏱️ Working Memory (Short-term)

工具	它做什么
`save_short_term_memory`	使用TTL自动到期保存瞬态上下文
`get_working_context`	加载所有活动会话上下文
`consolidate_memories`	推广重要STM→ 长期知识

💻 Code & Projects (Procedural Memory)

工具	它做什么
`save_code_snippet`	使用语言、标签和描述保存可重用代码
`search_code_snippets`	按关键字、语言、标签搜索
`save_project_context`	保存项目级技术栈和架构
`get_project_context`	按名称检索项目上下文

🔍 Search & Retrieval

工具	它做什么
`recall`	主要的 --一次搜索所有4个内存层，按综合得分排名；通过 `project` 促进主动回购
`search_by_tags`	跨类型标签搜索
`compact_context`	令牌保护程序 --将庞大的上下文块卸载到内存中，返回密集的摘要+回忆句柄

⚔️ Versioning & Conflicts

工具	它做什么
`knowledge_history`	任何知识输入的完整版本时间表
`rollback_knowledge`	还原到任何以前的版本
`list_conflicts`	查看未决/已解决的跨平台冲突
`resolve_conflict`	用策略解决：保持存在、使用新、合并、保持两者

🔧 Maintenance & Utility

工具	它做什么
`count_memories`	统计所有内存类型
`summarize_platform_activity`	每个平台的统计数据
`cleanup_expired_memories`	删除过期的STM和知识
`decay_memories`	降低旧记忆的重要性
`export_memories`	完整JSON备份
`import_memories`	从备份还原（带数据消除）
`clear_platform_data`	删除平台的所有数据⚠️

📡 3 MCP资源

URI	描述
`memory://stats`	数据库统计和计数
`memory://platforms`	所有存储数据的平台
`memory://health`	所有内存层的系统健康状况

🎯 9个智能提示

关键工作流的自动发现提示模板：

提示	它做什么
`start_conversation`	使用全内存上下文进行初始化
`end_conversation`	保存一切+提取知识
`compact_now`	将长上下文卸载到内存中以减少令牌使用
`save_user_preference`	结构化偏好存储
`recall_everything`	在所有内存中进行深度搜索
`resolve_all_conflicts`	指导性冲突解决
`memory_maintenance`	运行所有维护任务
`onboard_new_user`	首次设置和偏好捕获
`debug_session`	上下文感知调试工作流

💬 将提示作为命令调用

MCP提示显示为 斜杠命令，但确切的语法取决于平台。服务器注册为 llm-memory 在上述所有配置中。提示参数在命令后以空格分隔传递。

Claude Code (CLI)

提示显示为 /mcp__<server>__<prompt>:

/mcp__llm-memory__start_conversation claude-code "auth refactor"
/mcp__llm-memory__recall_everything "database decisions"
/mcp__llm-memory__compact_now my-repo claude-code
/mcp__llm-memory__end_conversation claude-code "Auth refactor" success

跑 /mcp 列出连接的服务器并浏览其提示。您通常不需要这些命令——在服务器连接的情况下，回调/保存/压缩会自动发生——但这些命令是用于显式控制的。

VS Code + GitHub Copilot

提示在Copilot聊天中显示为 /mcp.<server>.<prompt>:

/mcp.llm-memory.start_conversation
/mcp.llm-memory.recall_everything

类型 / 在聊天框中查看列表；聊天会提示你每个论点。

Claude Desktop

点击 + 消息框中的（附件）按钮，选择 llm-memory，然后从列表中选择一个提示。在提示时填写参数。将表面提示为可重复使用的模板，而不是键入斜线命令。

Gemini CLI

MCP直接提示注册为斜线命令：

/start_conversation
/recall_everything

跑 /mcp 查看连接的服务器及其可用提示。

Cursor / Windsurf / ChatGPT

这些客户专注于 自动调用工具 而不是斜线命令提示。只需用自然语言描述你想要什么，模型就会调用底层工具：

"Recall everything you know about this project's database decisions."
"Save this preference: I always use async/await."
"Compact this conversation into memory to save tokens."

同样的 recall / save_knowledge_smart / compact_context 工具在下面运行。

🧬 自动注射行为

当任何AI连接到此MCP服务器时，它 自动接收行为指令 --无需用户操作：

┌─────────────────────────────────────────────────────────────┐
│  CONVERSATION START (automatic)                              │
│  1. get_working_context() — load session context             │
│  2. recall("<topic>") — search all memory for relevance      │
│  3. Personalize response using recalled memories             │
│  4. save_short_term_memory() — track current task            │
├─────────────────────────────────────────────────────────────┤
│  DURING CONVERSATION (automatic, silent)                     │
│  • Detect preferences → save_knowledge_smart()               │
│  • Detect facts → save_knowledge_smart()                     │
│  • Detect decisions → save_knowledge_smart()                 │
│  • Detect code patterns → save_code_snippet()                │
│  • All saves are conflict-aware (dedup + cross-platform)     │
├─────────────────────────────────────────────────────────────┤
│  CONVERSATION END (automatic)                                │
│  1. save_conversation() — with importance + outcome          │
│  2. auto_extract_preferences() — batch knowledge extraction  │
│  3. consolidate_memories() — promote STM → long-term         │
└─────────────────────────────────────────────────────────────┘

结果： 每个AI助手从连接的那一刻起就具有记忆感知能力。没有设置。没有提示。它只是工作。

📁 项目结构

LLM-MCP/
├── server.py               # MCP server — 39 tools, 9 prompts, 3 resources
├── db.py                   # Async DB layer (asyncpg + pgvector + FTS)
├── embeddings.py           # Embedding engine (local/ollama/openai)
├── dashboard.py            # REST API for web dashboard (Starlette)
├── static/
│   └── index.html          # Dashboard UI (Tailwind + Chart.js)
├── prompts/
│   ├── system_prompt.md    # Standalone system prompt for any LLM
│   └── quick_prompts.md    # 12 copy-paste prompt templates
├── docker-compose.yml      # PostgreSQL + MCP Server + Dashboard
├── Dockerfile              # Python 3.12 slim container
├── setup.sh                # One-command auto-setup script
├── .env                    # Environment configuration
├── requirements.txt        # Python dependencies
├── test_client.py          # End-to-end test suite
├── test_versioning.py      # Versioning & conflict resolution tests
└── test_prompts.py         # MCP prompt discovery tests

⚙️ 配置

所有设置通过 .env:

变量	默认值	描述
`POSTGRES_PORT`	`4569`	PostgreSQL主机端口
`MCP_PORT`	`4040`	MCP服务器端口
`DASHBOARD_PORT`	`4041`	仪表板UI端口
`POSTGRES_USER`	`mcp_user`	数据库用户
`POSTGRES_PASSWORD`	`mcp_secure_pass_2026`	数据库密码
`POSTGRES_DB`	`mcp_memory`	数据库名称
`EMBEDDING_PROVIDER`	`ollama`	`local` / `ollama` / `openai`
`OLLAMA_PORT`	`9050`	捆绑的Ollama API的主机端口
`OLLAMA_MODEL`	`nomic-embed-text`	嵌入模型Ollama拉上第一个启动（~274MB）
`OLLAMA_DIM`	`768`	矢量维度——仅在切换到非768维模型时才更改
`MAINTENANCE_INTERVAL_MINUTES`	`30`	后台调度程序间隔

局域网接入

替换 localhost 使用远程AI平台的机器IP：

http://192.168.x.x:4040/mcp       # MCP Server
http://192.168.x.x:4041            # Dashboard

🗄️ 数据库模式

8张桌子 使用混合搜索索引：

┌─────────────────┐     ┌──────────────────┐
│  conversations   │────▶│    messages       │  Episodic memory
│  (importance,    │     │  (role, content,  │
│   outcome,       │     │   embedding)      │
│   embedding)     │     └──────────────────┘
└─────────────────┘

┌─────────────────┐     ┌──────────────────┐
│   knowledge      │────▶│knowledge_versions│  Semantic memory
│  (category,      │     │  (version, diff,  │  + version history
│   version,       │     │   changed_by)     │
│   embedding)     │     └──────────────────┘
└─────────────────┘

┌─────────────────┐     ┌──────────────────┐
│short_term_memory │     │memory_conflicts  │  Working memory
│  (TTL, context,  │     │  (existing vs    │  + conflict tracking
│   consolidated)  │     │   conflicting)   │
└─────────────────┘     └──────────────────┘

┌─────────────────┐     ┌──────────────────┐
│  code_snippets   │     │    projects       │  Procedural memory
│  (language,      │     │  (tech_stack,     │  + project context
│   embedding)     │     │   architecture)   │
└─────────────────┘     └──────────────────┘

指标： HNSW（向量相似性）+GIN（全文搜索）+B-tree（重要性、过期）用于亚毫秒混合查询。

🧪 测试

# Full test suite
python test_client.py

# Versioning & conflict resolution
python test_versioning.py

# MCP prompt discovery
python test_prompts.py

Manual verification commands

# Check services
docker compose ps

# PostgreSQL direct query
docker exec llm-mcp-postgres psql -U mcp_user -d mcp_memory \
  -c "SELECT COUNT(*) as knowledge FROM knowledge;"

# MCP server logs
docker logs -f llm-mcp-server

# Dashboard logs
docker logs -f llm-mcp-dashboard

# Restart everything
docker compose restart

📋 Docker命令

命令	描述
`docker compose up -d --build`	启动所有服务
`docker compose down`	停止所有服务
`docker compose logs -f mcp-server`	流式服务器日志
`docker compose logs -f dashboard`	流式仪表板日志
`docker compose down -v`	停下& 删除所有数据 ⚠️

🔒 安全

绑定到 127.0.0.1 仅适用于本地： MCP_HOST=127.0.0.1
改变 POSTGRES_PASSWORD 生产中
添加带有TLS的反向代理（nginx/Caddy）以进行远程访问
默认情况下无身份验证——专为本地/可信网络使用而设计

🗺️ 路线图

[x] 基于pgvector嵌入的语义搜索
[x] 自动对话摘要（压缩）
[x] 内存过期和存档策略
[x] 后台维护调度程序
[x] 多层记忆（短期、语义、情景、程序）
[x] 重要性评分和基于时间的衰减
[x] 一个命令自动设置脚本
[x] 内存版本控制和更改跟踪
[x] 跨平台冲突解决
[x] 具有实时可视化功能的Web仪表板
[x] 自动注入行为指令
[x] MCP提示工作流
[]用于多用户的身份验证/API密钥
[]关于新记忆的Webhook通知
[]用户之间的内存共享
[]云托管选项（不需要Docker）
[]移动伴侣应用程序

🤝 贡献

叉子存储库
创建特征分支(git checkout -b feature/amazing-feature)
提交您的更改(git commit -m 'Add amazing feature')
推到分行(git push origin feature/amazing-feature)
打开拉取请求

欢迎所有贡献——功能、错误修复、文档、翻译。

📄 许可证

MIT许可证——见许可证了解详情。

⭐ 如果这个项目能让你避免在人工智能面前重复自己，那就给它一颗星吧！

标记此回购 · 报告错误 · 请求功能

内置于❤️ 通过兰杰约蒂152

别再重复了。让你的AI共享一个大脑。

_{如果你觉得这很有用，可以考虑与使用多种人工智能工具的其他开发人员分享。}