local-only server

The server can only run on the client’s local machine because it depends on local resources.

Integrations

Collaboration between GitHub users @jasonkneen and @ExpressionsBot
Uses TensorFlow.js for efficient tensor operations in the neural memory model with operations wrapped in tf.tidy() for proper memory management
Implements a type-safe implementation with TypeScript including type-safe MCP tool definitions

🧠 MCP - Implementación del servidor de memoria Titan

Colaboración entre @jasonkneen y @ExpressionsBot

Síguenos en X

Una implementación inspirada en el artículo de Google Research "IA generativa para programación: un marco de trabajo común" . Este servidor proporciona un sistema de memoria neuronal capaz de aprender y predecir secuencias, manteniendo el estado mediante un vector de memoria, siguiendo los principios descritos en la investigación para mejorar la generación y comprensión del código.

Antecedentes de investigación

Esta implementación se basa en los conceptos presentados en el artículo de investigación de Google (Muennighoff et al., 2024), que presenta un marco para evaluar y mejorar los modelos de generación de código. El servidor de memoria Titan implementa conceptos clave del artículo:

Aprendizaje de secuencias con memoria aumentada
Métrica de sorpresa para la detección de novedad
Optimización de colectores para un aprendizaje estable
Mantenimiento del estado mediante vectores de memoria

Estas características se alinean con los objetivos del documento de mejorar la comprensión y la generación de código a través de una mejor gestión de la memoria y el estado.

🚀 Características

Modelo de memoria neuronal con dimensiones configurables
Aprendizaje y predicción de secuencias
Cálculo de métricas de sorpresa
Persistencia del modelo (guardar/cargar)
Gestión del estado de la memoria
Integración completa de la herramienta MCP

📦 Instalación

# Install dependencies
npm install

# Build the project
npm run build

# Run tests
npm test

🛠️ Herramientas MCP disponibles

1. 🎯 modelo_init

Inicialice el modelo de memoria Titan con una configuración personalizada.

{
  inputDim?: number;  // Input dimension (default: 64)
  outputDim?: number; // Output/Memory dimension (default: 64)
}

2. 📚 paso_de_tren

Realice un único paso de entrenamiento con vectores de estado actual y siguiente.

{
  x_t: number[];    // Current state vector
  x_next: number[]; // Next state vector
}

3. 🔄 forward_pass

Ejecute un pase hacia adelante a través del modelo con un vector de entrada.

{
  x: number[]; // Input vector
}

4. 💾 guardar_modelo

Guarde el modelo en una ruta especificada.

{
  path: string; // Path to save the model
}

5. 📂 modelo_de_carga

Cargar el modelo desde una ruta especificada.

{
  path: string; // Path to load the model from
}

6. ℹ️ obtener_estado

Obtenga el estado y la configuración actuales del modelo.

{} // No parameters required

7. 🔄 secuencia_de_entrenamiento

Entrene el modelo en una secuencia de vectores.

{
  sequence: number[][]; // Array of vectors to train on
}

🌟 Ejemplo de uso

// Initialize model
await callTool('init_model', { inputDim: 64, outputDim: 64 });

// Train on a sequence
const sequence = [
  [1, 0, 0, /* ... */],
  [0, 1, 0, /* ... */],
  [0, 0, 1, /* ... */]
];
await callTool('train_sequence', { sequence });

// Run forward pass
const result = await callTool('forward_pass', {
  x: [1, 0, 0, /* ... */]
});

🔧 Detalles técnicos

Creado con TensorFlow.js para operaciones tensoriales eficientes
Utiliza optimización de colectores para un aprendizaje estable
Implementa la métrica de sorpresa para la detección de novedades.
Gestión de memoria con limpieza adecuada de tensores
Implementación de tipos seguros con TypeScript
Manejo integral de errores

🧪 Pruebas

El proyecto incluye pruebas exhaustivas que cubren:

Inicialización y configuración del modelo
Entrenamiento y operaciones de pase adelantado
Gestión del estado de la memoria
Persistencia del modelo
Casos extremos y manejo de errores
Limpieza de tensores y gestión de memoria

Ejecutar pruebas con:

npm test

🔍 Notas de implementación

Todas las operaciones tensoriales están envueltas en tf.tidy() para una gestión adecuada de la memoria
Implementa un manejo adecuado de errores con mensajes de error detallados
Utiliza definiciones de herramientas MCP de tipo seguro
Mantiene el estado de la memoria entre operaciones
Maneja problemas de precisión de punto flotante con tolerancia épsilon

📝 Licencia

Licencia MIT: ¡siéntete libre de usarla y modificarla según sea necesario!

This server cannot be installed

-

security - not tested

F

license - not found

-

quality - not tested

Permite el aprendizaje de secuencias de memoria neuronal con un modelo de memoria aumentada para una mejor comprensión y generación de código, con gestión de estados, detección de novedades y persistencia del modelo.

Related Resources

Reddit Discussion about this server

MCP - Titan Memory Server