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 메모리 서버 구현

X에서 우리를 팔로우하세요

Google Research의 논문 "프로그래밍을 위한 생성적 AI: 공통 작업 프레임워크" 에서 영감을 받은 구현입니다. 이 서버는 메모리 벡터를 통해 상태를 유지하면서 시퀀스를 학습하고 예측할 수 있는 신경 메모리 시스템을 제공하며, 연구에 제시된 코드 생성 및 이해 향상 원칙을 따릅니다.

📚 연구 배경

이 구현은 코드 생성 모델을 평가하고 개선하기 위한 프레임워크를 소개하는 Google Research 논문(Muennighoff et al., 2024)에 제시된 개념을 기반으로 합니다. Titan Memory Server는 해당 논문의 핵심 개념을 구현합니다.

메모리 증강 시퀀스 학습
참신함 감지를 위한 놀라움 지표
안정적인 학습을 위한 매니폴드 최적화
메모리 벡터를 통한 상태 유지

이러한 기능은 더 나은 메모리 및 상태 관리를 통해 코드 이해와 생성을 개선한다는 본 논문의 목표와 일치합니다.

🚀 특징

구성 가능한 차원을 갖춘 신경 기억 모델
시퀀스 학습 및 예측
놀라운 메트릭 계산
모델 지속성(저장/로드)
메모리 상태 관리
전체 MCP 도구 통합

📦 설치

지엑스피1

🛠️ 사용 가능한 MCP 도구

1. 🎯 init_model

사용자 지정 구성으로 Titan 메모리 모델을 초기화합니다.

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

2. 📚 트레인_스텝

현재 및 다음 상태 벡터를 사용하여 단일 교육 단계를 수행합니다.

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

3. 🔄 포워드 패스

입력 벡터를 사용하여 모델에 대한 전방 패스를 실행합니다.

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

4. 💾 모델 저장

모델을 지정된 경로에 저장합니다.

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

5. 📂 로드_모델

지정된 경로에서 모델을 로드합니다.

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

6. ℹ️ get_status

현재 모델 상태와 구성을 확인하세요.

{} // No parameters required

7. 🔄 훈련 시퀀스

벡터 시퀀스에 대해 모델을 학습합니다.

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

🌟 사용 예시

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

🔧 기술 세부 사항

효율적인 텐서 작업을 위해 TensorFlow.js로 구축됨
안정적인 학습을 위해 매니폴드 최적화를 사용합니다.
참신함 감지를 위한 놀라움 측정법 구현
적절한 텐서 정리를 통한 메모리 관리
TypeScript를 사용한 유형 안전 구현
포괄적인 오류 처리

🧪 테스트

이 프로젝트에는 다음을 포함하는 포괄적인 테스트가 포함됩니다.

모델 초기화 및 구성
훈련 및 포워드 패스 작업
메모리 상태 관리
모델 지속성
에지 케이스와 오류 처리
텐서 정리 및 메모리 관리

다음을 사용하여 테스트를 실행합니다.

npm test

🔍 구현 참고 사항

모든 텐서 연산은 적절한 메모리 관리를 위해 tf.tidy() 로 래핑됩니다.
자세한 오류 메시지로 적절한 오류 처리를 구현합니다.
유형 안전 MCP 도구 정의를 사용합니다.
작업 간 메모리 상태를 유지합니다.
엡실론 허용 오차를 통한 부동 소수점 정밀도 문제 처리

📝 라이센스

MIT 라이센스 - 필요에 따라 자유롭게 사용하고 수정하세요!

This server cannot be installed

-

security - not tested

F

license - not found

-

quality - not tested

향상된 코드 이해와 생성을 위한 메모리 증강 모델을 통해 신경 메모리 시퀀스 학습을 활성화하고, 상태 관리, 새로운 기능 감지, 모델 지속성 기능을 제공합니다.

Related Resources

Reddit Discussion about this server

MCP - Titan Memory Server