Servidor de memoria de gráficos de conocimiento

Una implementación básica de memoria persistente mediante un grafo de conocimiento local. Esto permite a Claude recordar información sobre el usuario en los chats y aprender de errores pasados mediante un sistema de lecciones.

Conceptos básicos

Entidades

Las entidades son los nodos principales del grafo de conocimiento. Cada entidad tiene:

• Un nombre único (identificador)
• Un tipo de entidad (por ejemplo, "persona", "organización", "evento")
• Una lista de observaciones

Ejemplo:

Relaciones

Las relaciones definen conexiones dirigidas entre entidades. Siempre se almacenan en voz activa y describen cómo las entidades interactúan o se relacionan entre sí.

Ejemplo:

Observaciones

Las observaciones son fragmentos discretos de información sobre una entidad. Son:

• Almacenados como cadenas
• Adjunto a entidades específicas
• Se puede agregar o quitar de forma independiente.
• Debe ser atómico (un hecho por observación)

Ejemplo:

Lecciones

Las lecciones son entidades especiales que recopilan conocimiento sobre los errores y sus soluciones. Cada lección tiene:

• Un nombre único (identificador)
• Información del patrón de error (tipo, mensaje, contexto)
• Pasos de la solución y verificación
• Seguimiento de la tasa de éxito
• Contexto ambiental
• Metadatos (gravedad, marcas de tiempo, frecuencia)

Ejemplo:

API

Herramientas

• crear_entidades
  • Crear múltiples entidades nuevas en el gráfico de conocimiento
  • Entrada: entities (matriz de objetos)
    • Cada objeto contiene:
      • name (cadena): identificador de entidad
      • entityType (cadena): clasificación de tipos
      • observations (string[]): Observaciones asociadas
  • Ignora entidades con nombres existentes
• crear_relaciones
  • Crear múltiples relaciones nuevas entre entidades
  • Entrada: relations (matriz de objetos)
    • Cada objeto contiene:
      • from (string): Nombre de la entidad de origen
      • to (cadena): nombre de la entidad de destino
      • relationType (cadena): Tipo de relación en voz activa
  • Omite relaciones duplicadas
• añadir_observaciones
  • Agregar nuevas observaciones a entidades existentes
  • Entrada: observations (matriz de objetos)
    • Cada objeto contiene:
      • entityName (cadena): entidad de destino
      • contents (string[]): Nuevas observaciones para agregar
  • Devuelve observaciones agregadas por entidad
  • Falla si la entidad no existe
• eliminar_entidades
  • Eliminar entidades y sus relaciones
  • Entrada: entityNames (cadena[])
  • Eliminación en cascada de relaciones asociadas
  • Operación silenciosa si la entidad no existe
• eliminar_observaciones
  • Eliminar observaciones específicas de las entidades
  • Entrada: deletions (matriz de objetos)
    • Cada objeto contiene:
      • entityName (cadena): entidad de destino
      • observations (string[]): Observaciones para eliminar
  • Funcionamiento silencioso si no existe observación
• eliminar_relaciones
  • Eliminar relaciones específicas del gráfico
  • Entrada: relations (matriz de objetos)
    • Cada objeto contiene:
      • from (string): Nombre de la entidad de origen
      • to (cadena): nombre de la entidad de destino
      • relationType (cadena): tipo de relación
  • Operación silenciosa si no existe relación
• leer_gráfico
  • Lea el gráfico de conocimiento completo
  • No se requiere entrada
  • Devuelve la estructura gráfica completa con todas las entidades y relaciones
• nodos de búsqueda
  • Búsqueda de nodos según la consulta
  • Entrada: query (cadena)
  • Búsquedas en:
    • Nombres de entidades
    • Tipos de entidad
    • Contenido de la observación
  • Devuelve entidades coincidentes y sus relaciones.
• nodos abiertos
  • Recuperar nodos específicos por nombre
  • Entrada: names (cadena[])
  • Devoluciones:
    • Entidades solicitadas
    • Relaciones entre las entidades solicitadas
  • Omite silenciosamente nodos inexistentes

Herramientas de gestión de lecciones

• crear_lección
  • Crear una nueva lección a partir de un error y su solución
  • Entrada: lesson (objeto)
    • Contiene:
      • name (cadena): identificador único
      • entityType (cadena): Debe ser "lección"
      • observations (string[]): Notas sobre el error y la solución
      • errorPattern (objeto): Detalles del error
        • type (cadena): Categoría del error
        • message (cadena): Mensaje de error
        • context (cadena): dónde ocurrió el error
        • stackTrace (cadena, opcional): seguimiento de la pila
      • metadata (objeto): Información adicional
        • severity ("baja" | "media" | "alta" | "crítica")
        • environment (objeto): Detalles del sistema
        • frequency (número): Veces encontradas
        • successRate (número): tasa de éxito de la solución
      • verificationSteps (matriz): Verificación de la solución
        • Cada paso contiene:
          • command (cadena): Acción a realizar
          • expectedOutput (cadena): resultado esperado
          • successIndicators (string[]): Marcadores de éxito
  • Inicializa automáticamente las marcas de tiempo de los metadatos
  • Valida todos los campos obligatorios
• encontrar_errores_similares
  • Encuentre errores similares y sus soluciones
  • Entrada: errorPattern (objeto)
    • Contiene:
      • type (cadena): Categoría de error
      • message (cadena): Mensaje de error
      • context (cadena): Contexto de error
  • Devuelve lecciones coincidentes ordenadas por tasa de éxito
  • Utiliza coincidencia difusa para mensajes de error
• actualización_lección_éxito
  • Actualizar el seguimiento del éxito de una lección
  • Aporte:
    • lessonName (cadena): Lección a actualizar
    • success (booleano): si la solución funcionó
  • Actualizaciones:
    • Tasa de éxito (promedio ponderado)
    • Contador de frecuencia
    • Marca de tiempo de la última actualización
• obtener recomendaciones de lecciones
  • Obtenga lecciones relevantes para el contexto actual
  • Entrada: context (cadena)
  • Búsquedas en:
    • Tipo de error
    • Mensaje de error
    • Contexto de error
    • Observaciones de la lección
  • Devuelve lecciones ordenadas por:
    • Relevancia del contexto
    • Tasa de éxito
  • Incluye detalles completos de la solución.

Gestión de archivos

El servidor ahora maneja dos tipos de archivos:

• memory.json : almacena entidades y relaciones básicas
• lesson.json : almacena entidades de lección con patrones de error

Los archivos se dividen automáticamente si superan las 1000 líneas para mantener el rendimiento.

Configuración del cliente Cursor MCP

Para integrar este servidor de memoria con el cliente Cursor MCP, siga estos pasos:

1. Clonar el repositorio:

2. Dependencias de instalación:

3. Construir el proyecto:

4. Configurar el servidor:

• Localice la ruta completa al archivo del servidor creado: /path/to/the/dist/index.js
• Inicie el servidor usando Node.js: node /path/to/the/dist/index.js

5. Activar en Cursor:

• Utilice el atajo de teclado Ctrl+Shift+P
• Escribe "recargar ventana" y selecciónalo
• Espere unos segundos a que se active el servidor MCP
• Seleccione el tipo de stdio cuando se le solicite

El servidor de memoria ahora debería estar integrado con su cliente Cursor MCP y listo para usar.

Uso con Claude Desktop

Configuración

Agregue esto a su claude_desktop_config.json:

Estibador

NPX

NPX con configuración personalizada

El servidor se puede configurar utilizando las siguientes variables de entorno:

• MEMORY_FILE_PATH : Ruta al archivo JSON de almacenamiento de memoria (predeterminado: memory.json en el directorio del servidor)

Indicador del sistema

El indicador para utilizar la memoria depende del caso de uso. Cambiarlo ayudará al modelo a determinar la frecuencia y los tipos de memorias creadas.

Aquí tienes un ejemplo de mensaje para personalizar el chat. Puedes usarlo en el campo "Instrucciones personalizadas" de un proyecto de Claude.ai .

Edificio

Estibador:

Licencia

Este servidor MCP cuenta con la licencia MIT. Esto significa que puede usar, modificar y distribuir el software libremente, sujeto a los términos y condiciones de la licencia MIT. Para más detalles, consulte el archivo de LICENCIA en el repositorio del proyecto.

Nuevas herramientas

• crear_lección
  • Crear una nueva lección a partir de un error y su solución
  • Entrada: lesson (objeto)
    • Contiene patrón de error, pasos de solución y metadatos.
    • Realiza un seguimiento automático del tiempo de creación y las actualizaciones.
    • Verifica que los pasos de la solución estén completos
• encontrar_errores_similares
  • Encuentre errores similares y sus soluciones
  • Entrada: errorPattern (objeto)
    • Contiene tipo de error, mensaje y contexto.
    • Devuelve lecciones coincidentes ordenadas por tasa de éxito
    • Incluye soluciones relacionadas y pasos de verificación.
• actualización_lección_éxito
  • Actualizar el seguimiento del éxito de una lección
  • Aporte:
    • lessonName (cadena): Lección a actualizar
    • success (booleano): si la solución funcionó
  • Actualiza las métricas de frecuencia y tasa de éxito
• obtener recomendaciones de lecciones
  • Obtenga lecciones relevantes para el contexto actual
  • Entrada: context (cadena)
  • Devuelve lecciones ordenadas por relevancia y tasa de éxito
  • Incluye detalles completos de la solución y pasos de verificación.

GRANDES CRÉDITOS AL PROPIETARIO DE ESTE REPO POR EL CÓDIGO BASE QUE MEJORÉ CON LECCIONES Y ADMINISTRACIÓN DE ARCHIVOS

¡Muchas gracias! https://github.com/modelcontextprotocol/servers jerome3o-anthropic https://github.com/modelcontextprotocol/servers/tree/main/src/memory