Базовая память
Базовая память позволяет вам создавать устойчивые знания посредством естественных разговоров с Большими языковыми моделями (LLM), такими как Клод, сохраняя все в простых файлах Markdown на вашем компьютере. Он использует протокол контекста модели (MCP), чтобы любой совместимый LLM мог читать и записывать в вашу локальную базу знаний.
Продолжайте разговор с того места, где вы остановились.
- Помощники на основе искусственного интеллекта могут загружать контекст из локальных файлов в новый разговор
- Заметки сохраняются локально в виде файлов Markdown в режиме реального времени.
- Не требуется никаких знаний проекта или специальных подсказок.
https://github.com/user-attachments/assets/a55d8238-8dd0-454a-be4c-8860dbbd0ddc
Быстрый старт
# Install with uv (recommended)
uv tool install basic-memory
# Configure Claude Desktop (edit ~/Library/Application Support/Claude/claude_desktop_config.json)
# Add this to your config:
{
"mcpServers": {
"basic-memory": {
"command": "uvx",
"args": [
"basic-memory",
"mcp"
]
}
}
}
# Now in Claude Desktop, you can:
# - Write notes with "Create a note about coffee brewing methods"
# - Read notes with "What do I know about pour over coffee?"
# - Search with "Find information about Ethiopian beans"
Вы можете просмотреть общий контекст через файлы в ~/basic-memory (расположение каталога по умолчанию).
Альтернативная установка через кузницу
Вы можете использовать Smithery для автоматической настройки базовой памяти для Claude Desktop:
npx -y @smithery/cli install @basicmachines-co/basic-memory --client claude
Это устанавливает и настраивает базовую память без необходимости ручного редактирования файла конфигурации Claude Desktop. Сервер Smithery размещает компонент сервера MCP, в то время как ваши данные остаются локально сохраненными в виде файлов Markdown.
Глама.ай
Почему базовая память?
Большинство взаимодействий LLM эфемерны — вы задаете вопрос, получаете ответ, и все забывается. Каждый разговор начинается заново, без контекста или знаний из предыдущих. Текущие обходные пути имеют ограничения:
- Истории чатов фиксируют разговоры, но не являются структурированными знаниями.
- Системы RAG могут запрашивать документы, но не позволяют LLM писать ответ
- Векторные базы данных требуют сложных настроек и часто находятся в облаке.
- Для поддержки графов знаний обычно требуются специализированные инструменты.
Базовая память решает эти проблемы с помощью простого подхода: структурированные файлы Markdown, которые могут читать и писать как люди, так и LLM. Ключевые преимущества:
- Локально: все знания хранятся в файлах, которые вы контролируете
- Двунаправленный: и вы, и LLM читаете и пишете в одни и те же файлы
- Структурированный, но простой: использует знакомый Markdown с сема��тическими шаблонами
- Проходимый граф знаний: LLM могут отслеживать связи между темами
- Стандартные форматы: Работает с существующими редакторами, такими как Obsidian.
- Облегченная инфраструктура: только локальные файлы, индексированные в локальной базе данных SQLite.
С помощью базовой памяти вы можете:
- Ведите беседы, которые основываются на предыдущих знаниях
- Создавайте структурированные заметки во время естественных разговоров
- Общайтесь с магистрами права, которые помнят, о чем вы уже говорили ранее
- Семантически перемещайтесь по графу знаний
- Держите все локально и под своим контролем
- Используйте знакомые инструменты, такие как Obsidian, для просмотра и редактирования заметок
- Создайте личную базу знаний, которая будет расти со временем
Как это работает на практике
Допустим, вы изучаете методы заваривания кофе и хотите закрепить свои знания. Вот как это работает:
- Начните с обычного чата:
I've been experimenting with different coffee brewing methods. Key things I've learned:
- Pour over gives more clarity in flavor than French press
- Water temperature is critical - around 205°F seems best
- Freshly ground beans make a huge difference
...продолжить разговор.
- Попросите магистра права помочь структурировать эти знания:
"Let's write a note about coffee brewing methods."
LLM создает новый файл Markdown в вашей системе (который вы можете мгновенно увидеть в Obsidian или вашем редакторе):
---
title: Coffee Brewing Methods
permalink: coffee-brewing-methods
tags:
- coffee
- brewing
---
# Coffee Brewing Methods
## Observations
- [method] Pour over provides more clarity and highlights subtle flavors
- [technique] Water temperature at 205°F (96°C) extracts optimal compounds
- [principle] Freshly ground beans preserve aromatics and flavor
## Relations
- relates_to [[Coffee Bean Origins]]
- requires [[Proper Grinding Technique]]
- affects [[Flavor Extraction]]
Заметка содержит семантическое содержание и ссылки на другие темы с помощью простого форматирования Markdown.
- Вы видите этот файл на своем компьютере в режиме реального времени в текущем каталоге проекта (по умолчанию
~/$HOME/basic-memory ).
- Синхронизация в реальном времени включена по умолчанию в версии v0.12.0.
- В чате с LLM вы можете упомянуть тему:
Look at `coffee-brewing-methods` for context about pour over coffee
LLM теперь может создавать богатый контекст из графа знаний. Например:
Following relation 'relates_to [[Coffee Bean Origins]]':
- Found information about Ethiopian Yirgacheffe
- Notes on Colombian beans' nutty profile
- Altitude effects on bean characteristics
Following relation 'requires [[Proper Grinding Technique]]':
- Burr vs. blade grinder comparisons
- Grind size recommendations for different methods
- Impact of consistent particle size on extraction
Каждый связанный документ может привести к более глубокому контексту, создавая богатое семантическое понимание вашей базы знаний.
Это создает двусторонний поток, где:
- Люди пишут и редактируют файлы Markdown
- LLM читают и пишут через протокол MCP
- Синхронизация обеспечивает единообразие всего
- Все знания сохраняются в локальных файлах.
Техническая реализация
Под капотом базовая память:
- Сохраняет все в файлах Markdown
- Использует базу данных SQLite для поиска и индексации
- Извлекает семантическое значение из простых шаблонов Markdown
- Файлы становятся объектами
Entity - Каждая
Entity может иметь Observations или факты, связанные с ней. Relations связывают сущности вместе, формируя граф знаний.
- Поддерживает локальный график знаний, полученный из файлов
- Обеспечивает двунаправленную синхронизацию между файлами и графом знаний.
- Реализует протокол контекста модели (MCP) для интеграции ИИ
- Предоставляет инструменты, которые позволяют помощникам на основе искусственного интеллекта перемещаться по графу знаний и манипулировать им
- Использует URL-адреса memory:// для ссылки на сущности в инструментах и диалогах.
Формат файла — просто Markdown с простой разметкой:
Каждый файл Markdown имеет:
Frontmatter
title: <Entity title>
type: <The type of Entity> (e.g. note)
permalink: <a uri slug>
- <optional metadata> (such as tags)
Наблюдения
Наблюдения — это факты о теме. Их можно добавить, создав список Markdown со специальным форматом, который может ссылаться на category , tags с использованием символа «#» и необязательный context .
Формат Markdown для наблюдений:
- [category] content #tag (optional context)
Примеры наблюдений:
- [method] Pour over extracts more floral notes than French press
- [tip] Grind size should be medium-fine for pour over #brewing
- [preference] Ethiopian beans have bright, fruity flavors (especially from Yirgacheffe)
- [fact] Lighter roasts generally contain more caffeine than dark roasts
- [experiment] Tried 1:15 coffee-to-water ratio with good results
- [resource] James Hoffman's V60 technique on YouTube is excellent
- [question] Does water temperature affect extraction of different compounds differently?
- [note] My favorite local shop uses a 30-second bloom time
Отношения
Отношения — это ссылки на другие темы. Они определяют, как сущности соединяются в графе знаний.
Формат разметки:
- relation_type [[WikiLink]] (optional context)
Примеры отношений:
- pairs_well_with [[Chocolate Desserts]]
- grown_in [[Ethiopia]]
- contrasts_with [[Tea Brewing Methods]]
- requires [[Burr Grinder]]
- improves_with [[Fresh Beans]]
- relates_to [[Morning Routine]]
- inspired_by [[Japanese Coffee Culture]]
- documented_in [[Coffee Journal]]
Использование с VS Code
Для установки в один клик нажмите одну из кнопок установки ниже...
Вы можете использовать Basic Memory с VS Code для легкого извлечения и сохранения информации во время кодирования. Нажмите кнопки установки выше для настройки в один клик или следуйте инструкциям по ручной установке ниже.
Ручная установка
Добавьте следующий блок JSON в файл настроек пользователя (JSON) в VS Code. Это можно сделать, нажав Ctrl + Shift + P и введя Preferences: Open User Settings (JSON) .
{
"mcp": {
"servers": {
"basic-memory": {
"command": "uvx",
"args": ["basic-memory", "mcp"]
}
}
}
}
При желании вы можете добавить его в файл .vscode/mcp.json в вашем рабочем пространстве. Это позволит вам поделиться конфигурацией с другими.
{
"servers": {
"basic-memory": {
"command": "uvx",
"args": ["basic-memory", "mcp"]
}
}
}
Использование с Claude Desktop
Базовая память построена с использованием протокола MCP (Model Context Protocol) и работает с настольным приложением Claude ( https://claude.ai/ ):
- Настройте Claude Desktop для использования базовой памяти:
Отредактируйте файл конфигурации MCP (обычно он находится в ~/Library/Application Support/Claude/claude_desktop_config.json для OS X):
{
"mcpServers": {
"basic-memory": {
"command": "uvx",
"args": [
"basic-memory",
"mcp"
]
}
}
}
Если вы хотите использовать определенный проект (см. Несколько проектов ), обновите конфигурацию Claude Desktop:
{
"mcpServers": {
"basic-memory": {
"command": "uvx",
"args": [
"basic-memory",
"--project",
"your-project-name",
"mcp"
]
}
}
}
- Синхронизируйте свои знания:
Базовая память синхронизирует файлы вашего проекта в режиме реального времени, если вы вносите изменения вручную.
- В Claude Desktop магистр права теперь может использовать следующие инструменты:
write_note(title, content, folder, tags) - Create or update notes
read_note(identifier, page, page_size) - Read notes by title or permalink
build_context(url, depth, timeframe) - Navigate knowledge graph via memory:// URLs
search_notes(query, page, page_size) - Search across your knowledge base
recent_activity(type, depth, timeframe) - Find recently updated information
canvas(nodes, edges, title, folder) - Generate knowledge visualizations
- Примеры подсказок для пробы:
"Create a note about our project architecture decisions"
"Find information about JWT authentication in my notes"
"Create a canvas visualization of my project components"
"Read my notes on the authentication system"
"What have I been working on in the past week?"
Более подробную информацию смотрите в документации , в том числе:
Лицензия
АГПЛ-3.0
Вклады приветствуются. См. руководство по вкладам для получения информации о настройке проекта локально и подаче PR.
История Звезды
Создано с ♥️ компанией Basic Machines