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 - Titan メモリサーバーの実装

Xでフォローしてください

Google Researchの論文「プログラミングのための生成AI：共通タスクフレームワーク」に着想を得た実装。このサーバーは、コード生成と理解を向上させるための研究で概説された原則に従い、メモリベクトルを介して状態を維持しながらシーケンスを学習および予測できるニューラルメモリシステムを提供します。

📚 研究背景

この実装は、コード生成モデルの評価と改善のためのフレームワークを紹介するGoogle Researchの論文（Muennighoff et al., 2024）で提示された概念に基づいています。Titan Memory Serverは、この論文の主要な概念を実装しています。

記憶拡張シーケンス学習
新奇性検出のための驚き指標
安定学習のための多様体最適化
メモリベクトルによる状態維持

これらの機能は、メモリと状態の管理を改善することでコードの理解と生成を改善するという論文の目標と一致しています。

🚀 機能

構成可能な次元を持つ神経記憶モデル
シーケンス学習と予測
驚きのメトリック計算
モデルの永続性（保存/読み込み）
メモリ状態管理
完全なMCPツール統合

📦 インストール

# Install dependencies
npm install

# Build the project
npm run build

# Run tests
npm test

🛠️ 利用可能なMCPツール

1. 🎯 init_model

カスタム構成で Titan Memory モデルを初期化します。

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

2. 📚 train_step

現在の状態ベクトルと次の状態ベクトルを使用して、単一のトレーニングステップを実行します。

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

3. 🔄 forward_pass

入力ベクトルを使用してモデルを順方向にパスします。

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

4. 💾 save_model

モデルを指定されたパスに保存します。

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

5. 📂 load_model

指定されたパスからモデルを読み込みます。

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

6. ℹ️ get_status

現在のモデルのステータスと構成を取得します。

{} // No parameters required

7. 🔄 train_sequence

ベクトルのシーケンスでモデルをトレーニングします。

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

🌟 使用例

// 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, /* ... */]
});

🔧 技術的な詳細

効率的なテンソル演算のためにTensorFlow.jsで構築
安定した学習のために多様体最適化を使用する
新規性検出のためのサプライズメトリックを実装
適切なテンソルのクリーンアップによるメモリ管理
TypeScriptによる型安全な実装
包括的なエラー処理

🧪 テスト

このプロジェクトには、以下を網羅した包括的なテストが含まれます。

モデルの初期化と構成
訓練とフォワードパス操作
メモリ状態管理
モデルの永続性
エッジケースとエラー処理
テンソルのクリーンアップとメモリ管理

次のテストを実行します:

npm test

🔍 実装ノート

すべてのテンソル演算は適切なメモリ管理のためにtf.tidy()でラップされています。
詳細なエラーメッセージで適切なエラー処理を実装します
型安全なMCPツール定義を使用する
操作間のメモリ状態を維持する
イプシロン許容値による浮動小数点精度の問題を処理する

📝 ライセンス

MIT ライセンス - 必要に応じて自由に使用および変更できます。

This server cannot be installed

-

security - not tested

F

license - not found

-

quality - not tested

メモリ拡張モデルを使用したニューラルメモリシーケンス学習を可能にし、状態管理、新規性検出、モデルの永続性などの機能を備え、コードの理解と生成を改善します。

Related Resources

Reddit Discussion about this server

MCP - Titan Memory Server