Skip to main content
Glama

MCP Memory Service

MCP-Speicherdienst

Ein MCP-Server, der semantischen Speicher und persistente Speicherfunktionen für Claude Desktop mithilfe von ChromaDB und Satztransformatoren bereitstellt. Dieser Dienst ermöglicht Langzeitspeicherung mit semantischen Suchfunktionen und eignet sich daher ideal für die Kontextpflege über Konversationen und Instanzen hinweg.

Helfen

Sprechen Sie mit TalkToGitHub mit dem Repo!

Merkmale

  • Semantische Suche mit Satztransformatoren
  • Zeitbasiertes Erinnern in natürlicher Sprache (z. B. „letzte Woche“, „gestern Morgen“)
  • Tag-basiertes Speicherabrufsystem
  • Persistenter Speicher mit ChromaDB
  • Automatische Datenbanksicherungen
  • Tools zur Speicheroptimierung
  • Genaue Übereinstimmungssuche
  • Debug-Modus für Ähnlichkeitsanalyse
  • Überwachung der Datenbankintegrität
  • Duplikaterkennung und -bereinigung
  • Anpassbares Einbettungsmodell
  • Plattformübergreifende Kompatibilität (Apple Silicon, Intel, Windows, Linux)
  • Hardwarebewusste Optimierungen für verschiedene Umgebungen
  • Anmutige Fallbacks für begrenzte Hardwareressourcen

Installation

Schnellstart (empfohlen)

Das erweiterte Installationsskript erkennt Ihr System automatisch und installiert die entsprechenden Abhängigkeiten:

# Clone the repository git clone https://github.com/doobidoo/mcp-memory-service.git cd mcp-memory-service # Create and activate a virtual environment python -m venv venv source venv/bin/activate # On Windows: venv\Scripts\activate # Run the installation script python install.py

Das Skript install.py führt Folgendes aus:

  1. Ermitteln Sie Ihre Systemarchitektur und verfügbare Hardwarebeschleuniger
  2. Installieren Sie die entsprechenden Abhängigkeiten für Ihre Plattform
  3. Konfigurieren Sie die optimalen Einstellungen für Ihre Umgebung
  4. Überprüfen Sie die Installation und stellen Sie bei Bedarf eine Diagnose bereit

Docker-Installation

Sie können den Memory Service mit Docker ausführen:

# Using Docker Compose (recommended) docker-compose up # Using Docker directly docker build -t mcp-memory-service . docker run -p 8000:8000 -v /path/to/data:/app/chroma_db -v /path/to/backups:/app/backups mcp-memory-service

Wir bieten mehrere Docker Compose-Konfigurationen für verschiedene Szenarien:

  • docker-compose.yml – Standardkonfiguration mit Pip-Installation
  • docker-compose.uv.yml – Alternative Konfiguration mit UV-Paketmanager
  • docker-compose.pythonpath.yml – Konfiguration mit expliziten PYTHONPATH-Einstellungen

So verwenden Sie eine alternative Konfiguration:

docker-compose -f docker-compose.uv.yml up

Windows-Installation (Sonderfall)

Windows-Benutzer können aufgrund der plattformspezifischen Verfügbarkeit von Wheels auf Probleme bei der PyTorch-Installation stoßen. Verwenden Sie unser Windows-spezifisches Installationsskript:

# After activating your virtual environment python scripts/install_windows.py

Dieses Skript behandelt:

  1. Erkennen der CUDA-Verfügbarkeit und -Version
  2. Installieren der entsprechenden PyTorch-Version von der richtigen Index-URL
  3. Installieren anderer Abhängigkeiten ohne Konflikte mit PyTorch
  4. Überprüfen der Installation

Installation über Smithery

So installieren Sie Memory Service für Claude Desktop automatisch über Smithery :

npx -y @smithery/cli install @doobidoo/mcp-memory-service --client claude

Detaillierte Installationsanleitung

Ausführliche Installationsanweisungen und Hinweise zur Fehlerbehebung finden Sie im Installationshandbuch .

Claude MCP-Konfiguration

Standardkonfiguration

Fügen Sie Ihrer Datei claude_desktop_config.json Folgendes hinzu:

{ "memory": { "command": "uv", "args": [ "--directory", "your_mcp_memory_service_directory", // e.g., "C:\\REPOSITORIES\\mcp-memory-service" "run", "memory" ], "env": { "MCP_MEMORY_CHROMA_PATH": "your_chroma_db_path", // e.g., "C:\\Users\\John.Doe\\AppData\\Local\\mcp-memory\\chroma_db" "MCP_MEMORY_BACKUPS_PATH": "your_backups_path" // e.g., "C:\\Users\\John.Doe\\AppData\\Local\\mcp-memory\\backups" } } }

Windows-spezifische Konfiguration (empfohlen)

Für Windows-Benutzer empfehlen wir die Verwendung des Wrapper-Skripts, um sicherzustellen, dass PyTorch ordnungsgemäß installiert ist:

{ "memory": { "command": "python", "args": [ "C:\\path\\to\\mcp-memory-service\\memory_wrapper.py" ], "env": { "MCP_MEMORY_CHROMA_PATH": "C:\\Users\\YourUsername\\AppData\\Local\\mcp-memory\\chroma_db", "MCP_MEMORY_BACKUPS_PATH": "C:\\Users\\YourUsername\\AppData\\Local\\mcp-memory\\backups" } } }

Das Wrapper-Skript wird:

  1. Überprüfen Sie, ob PyTorch installiert und richtig konfiguriert ist
  2. Installieren Sie PyTorch bei Bedarf mit der richtigen Index-URL
  3. Führen Sie den Speicherserver mit der entsprechenden Konfiguration aus

Benutzerhandbuch

Ausführliche Anweisungen zur Interaktion mit dem Speicherdienst in Claude Desktop:

  • Aufrufhandbuch - Lernen Sie die spezifischen Schlüsselwörter und Ausdrücke, die Speicheroperationen in Claude auslösen
  • Installationshandbuch - Detaillierte Einrichtungsanweisungen

Der Speicherdienst wird in Ihren Gesprächen mit Claude über natürliche Sprachbefehle aufgerufen. Beispiel:

  • Zum Speichern: „Bitte denken Sie daran, dass der Abgabetermin für mein Projekt der 15. Mai ist.“
  • Zum Abrufen: „Erinnern Sie sich, was ich Ihnen über die Deadline meines Projekts gesagt habe?“
  • Zum Löschen: „Bitte vergessen Sie, was ich Ihnen über meine Adresse gesagt habe.“

Eine vollständige Liste der Befehle und ausführliche Anwendungsbeispiele finden Sie im Aufrufhandbuch .

Speicheroperationen

Der Speicherdienst stellt über den MCP-Server die folgenden Vorgänge bereit:

Kernspeichervorgänge

  1. store_memory - Neue Informationen mit optionalen Tags speichern
  2. retrieve_memory - Semantische Suche nach relevanten Erinnerungen durchführen
  3. recall_memory - Erinnerungen mithilfe natürlicher Sprachzeitausdrücke abrufen
  4. search_by_tag – Finden Sie Erinnerungen mithilfe bestimmter Tags
  5. exact_match_retrieve - Finde Erinnerungen mit exakter Inhaltsübereinstimmung
  6. debug_retrieve - Erinnerungen mit Ähnlichkeitsbewertungen abrufen

Datenbankverwaltung

  1. create_backup - Datenbanksicherung erstellen
  2. get_stats - Speicherstatistiken abrufen
  3. optimize_db - Datenbankleistung optimieren
  4. check_database_health - Datenbank-Integritätsmetriken abrufen
  5. check_embedding_model - Modellstatus überprüfen

Speicherverwaltung

  1. delete_memory - Löscht bestimmten Speicher nach Hash
  2. delete_by_tag - Löscht alle Erinnerungen mit einem bestimmten Tag
  3. cleanup_duplicates - Doppelte Einträge entfernen

Konfigurationsoptionen

Konfigurieren Sie über Umgebungsvariablen:

CHROMA_DB_PATH: Path to ChromaDB storage BACKUP_PATH: Path for backups AUTO_BACKUP_INTERVAL: Backup interval in hours (default: 24) MAX_MEMORIES_BEFORE_OPTIMIZE: Threshold for auto-optimization (default: 10000) SIMILARITY_THRESHOLD: Default similarity threshold (default: 0.7) MAX_RESULTS_PER_QUERY: Maximum results per query (default: 10) BACKUP_RETENTION_DAYS: Number of days to keep backups (default: 7) LOG_LEVEL: Logging level (default: INFO) # Hardware-specific environment variables PYTORCH_ENABLE_MPS_FALLBACK: Enable MPS fallback for Apple Silicon (default: 1) MCP_MEMORY_USE_ONNX: Use ONNX Runtime for CPU-only deployments (default: 0) MCP_MEMORY_USE_DIRECTML: Use DirectML for Windows acceleration (default: 0) MCP_MEMORY_MODEL_NAME: Override the default embedding model MCP_MEMORY_BATCH_SIZE: Override the default batch size

Hardwarekompatibilität

PlattformArchitekturBeschleunigerStatus
macOSApple Silicon (M1/M2/M3)MPS✅ Vollständig unterstützt
macOSApple Silicon unter Rosetta 2CPU✅ Unterstützt mit Fallbacks
macOSIntelCPU✅ Vollständig unterstützt
Windowsx86_64CUDA✅ Vollständig unterstützt
Windowsx86_64DirectML✅ Unterstützt
Windowsx86_64CPU✅ Unterstützt mit Fallbacks
Linuxx86_64CUDA✅ Vollständig unterstützt
Linuxx86_64ROCm✅ Unterstützt
Linuxx86_64CPU✅ Unterstützt mit Fallbacks
LinuxARM64CPU✅ Unterstützt mit Fallbacks

Testen

# Install test dependencies pip install pytest pytest-asyncio # Run all tests pytest tests/ # Run specific test categories pytest tests/test_memory_ops.py pytest tests/test_semantic_search.py pytest tests/test_database.py # Verify environment compatibility python scripts/verify_environment_enhanced.py # Verify PyTorch installation on Windows python scripts/verify_pytorch_windows.py # Perform comprehensive installation verification python scripts/test_installation.py

Fehlerbehebung

Ausführliche Schritte zur Fehlerbehebung finden Sie in der Installationsanleitung .

Tipps zur schnellen Fehlerbehebung

  • Windows PyTorch-Fehler : Verwenden Sie python scripts/install_windows.py
  • macOS Intel-Abhängigkeitskonflikte : Verwenden Sie python install.py --force-compatible-deps
  • Rekursionsfehler : Führen Sie python scripts/fix_sitecustomize.py aus
  • Umgebungsüberprüfung : Führen Sie python scripts/verify_environment_enhanced.py aus
  • Speicherprobleme : Setzen Sie MCP_MEMORY_BATCH_SIZE=4 und versuchen Sie es mit einem kleineren Modell
  • Apple Silicon : Stellen Sie sicher, dass Python 3.10+ für ARM64 erstellt wurde, und setzen Sie PYTORCH_ENABLE_MPS_FALLBACK=1
  • Installationstest : Führen Sie python scripts/test_installation.py aus

Projektstruktur

mcp-memory-service/ ├── src/mcp_memory_service/ # Core package code │ ├── __init__.py │ ├── config.py # Configuration utilities │ ├── models/ # Data models │ ├── storage/ # Storage implementations │ ├── utils/ # Utility functions │ └── server.py # Main MCP server ├── scripts/ # Helper scripts ├── memory_wrapper.py # Windows wrapper script ├── install.py # Enhanced installation script └── tests/ # Test suite

Entwicklungsrichtlinien

  • Python 3.10+ mit Typhinweisen
  • Verwenden Sie Datenklassen für Modelle
  • Dreifach zitierte Docstrings für Module und Funktionen
  • Async/Await-Muster für alle E/A-Vorgänge
  • Befolgen Sie die PEP 8-Stilrichtlinien
  • Schließen Sie Tests für neue Funktionen ein

Lizenz

MIT-Lizenz – Einzelheiten finden Sie in der Datei „LICENSE“

Danksagung

  • ChromaDB-Team für die Vektordatenbank
  • Sentence Transformers-Projekt zum Einbetten von Modellen
  • MCP-Projekt zur Protokollspezifikation

Kontakt

Telegramm

Integrationen

Der MCP Memory Service kann mit verschiedenen Tools und Dienstprogrammen erweitert werden. Eine Liste der verfügbaren Optionen finden Sie unter Integrationen , darunter:

Related MCP Servers

  • -
    security
    F
    license
    -
    quality
    Provides memory/knowledge graph storage capabilities using Supabase, enabling multiple Claude instances to safely share and maintain a knowledge graph with features like entity storage, concurrent access safety, and full text search.
    Last updated -
    6
    JavaScript
    • Apple
    • Linux
  • A
    security
    A
    license
    A
    quality
    Enhances Claude AI with persistent memory storage for Infrastructure-as-Code components, supporting version tracking and relationship mapping for Terraform and Ansible resources.
    Last updated -
    23
    4
    Python
    MIT License
  • A
    security
    A
    license
    A
    quality
    A memory server for Claude that stores and retrieves knowledge graph data in DuckDB, enhancing performance and query capabilities for conversations with persistent user information.
    Last updated -
    8
    30
    40
    TypeScript
    MIT License
    • Apple
  • A
    security
    A
    license
    A
    quality
    Provides intelligent transcript processing capabilities for Claude, featuring natural formatting, contextual repair, and smart summarization powered by Deep Thinking LLMs.
    Last updated -
    4
    8
    TypeScript
    MIT License

View all related MCP servers

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/doobidoo/mcp-memory-service'

If you have feedback or need assistance with the MCP directory API, please join our Discord server