MCP-Speicher

Ein Model Context Protocol (MCP)-Server, der Speicherlösungen für datenreiche Anwendungen mit effizienten Wissensgraphenfunktionen implementiert.

Überblick

Dieser MCP-Server implementiert eine Speicherlösung für datenintensive Anwendungen, die die Suche nach Informationen aus verschiedenen Quellen, einschließlich hochgeladener Dateien, erfordern. Er nutzt intern HippoRAG zur Speicherverwaltung über einen effizienten Wissensgraphen. HippoRAG ist eine erforderliche Abhängigkeit für dieses Paket.

Related MCP server: Memory Custom

Merkmale

• Sitzungsbasierter Speicher : Erstellen und verwalten Sie Speicher für bestimmte Chat-Sitzungen

• Effizienter Wissensgraph : Verwendet HippoRAG zur Speicherverwaltung

• Unterstützung mehrerer Transporte : Funktioniert sowohl mit Standard- als auch mit SSE-Transporten

• Suchfunktionen : Suchen Sie nach Informationen aus verschiedenen Quellen, einschließlich hochgeladener Dateien

• Automatisches Ressourcenmanagement : TTL-basierte Bereinigung sowohl für Sitzungen als auch für Speicherinstanzen

Installation

Von PyPI installieren:

Oder von der Quelle installieren:

Hinweis: HippoRAG ist eine erforderliche Abhängigkeit für die Funktion von mcp-mem.

Verwendung

Sie können den MCP-Server direkt ausführen:

Standardmäßig wird der Standardtransport verwendet. So verwenden Sie den SSE-Transport:

Sie können auch Host und Port für den SSE-Transport angeben:

Konfiguration

Grundkonfiguration

Um dieses Tool mit Claude in Windsurf zu verwenden, fügen Sie Ihrer MCP-Konfigurationsdatei die folgende Konfiguration hinzu:

Das command sollte auf das Verzeichnis verweisen, in dem Sie das Python-Paket mit Pip installiert haben.

Konfiguration der Umgebungsvariablen

Sie können die von mcp-mem verwendeten LLM- und Einbettungsmodelle über Umgebungsvariablen konfigurieren:

• EMBEDDING_MODEL_NAME : Name des zu verwendenden Einbettungsmodells (Standard: „text-embedding-3-large“)

• EMBEDDING_BASE_URL : Basis-URL für die Einbettungs-API (optional)

• LLM_NAME : Name des zu verwendenden LLM-Modells (Standard: „gpt-4o-mini“)

• LLM_BASE_URL : Basis-URL für die LLM-API (optional)

• OPENAI_API_KEY : OpenAI-API-Schlüssel (erforderlich)

Speicherverwaltungskonfiguration

Der Server umfasst Funktionen zur automatischen Ressourcenverwaltung:

• Sitzungs-TTL : Entfernt Sitzungsverzeichnisse automatisch nach einer bestimmten Anzahl von Tagen der Inaktivität. Wird mit dem Konfigurationsparameter session_ttl_days festgelegt (Standard: Keine – deaktiviert).

• Instanz-TTL : Entlädt HippoRAG-Instanzen nach einer bestimmten Inaktivitätsdauer automatisch aus dem Speicher. Die Einstellung erfolgt über den Konfigurationsparameter instance_ttl_minutes (Standard: 30 Minuten).

  Diese Funktion hilft bei der Verwaltung der Speichernutzung, indem inaktive Instanzen entladen werden, während die zugrunde liegenden Daten erhalten bleiben. Beim erneuten Zugriff auf eine entladene Instanz wird sie automatisch von der Festplatte neu geladen.

Anwendungsbeispiel:

Der Einfachheit halber können Sie das bereitgestellte Beispielskript verwenden:

Verfügbare Tools

Der MCP-Server bietet die folgenden Tools:

• create_memory : Erstellen Sie einen neuen Speicher für eine bestimmte Chat-Sitzung

• store_memory : Speicher zu einer bestimmten Sitzung hinzufügen

• retrieve_memory : Speicher aus einer bestimmten Sitzung abrufen

Entwicklung

Installation für die Entwicklung

Ausführen von Tests

Codestil

Dieses Projekt verwendet Black zur Formatierung, isort zur Importsortierung und flake8 zum Lint-Test:

Beitragen

Beiträge sind willkommen! Senden Sie gerne einen Pull Request.

Lizenz

Dieses Projekt ist unter der MIT-Lizenz lizenziert – Einzelheiten finden Sie in der Datei LICENSE .