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 内存服务器实现

@jasonkneen和@ExpressionsBot之间的合作

在 X 上关注我们

受 Google Research 论文《用于编程的生成式 AI：一个通用任务框架》启发的实现。该服务器提供了一个神经记忆系统，该系统可以学习和预测序列，同时通过记忆向量保持状态，并遵循研究中概述的改进代码生成和理解的原则。

📚 研究背景

此实现借鉴了 Google 研究论文（Muennighoff 等人，2024）中提出的概念，该论文介绍了一个用于评估和改进代码生成模型的框架。Titan 内存服务器实现了该论文中的关键概念：

记忆增强序列学习
新颖性检测的意外指标
稳定学习的流形优化
通过记忆向量进行状态维护

这些特性与本文的目标一致，即通过更好的内存和状态管理来提高代码理解和生成。

🚀 功能

具有可配置维度的神经记忆模型
序列学习与预测
意外指标计算
模型持久性（保存/加载）
内存状态管理
完整的 MCP 工具集成

📦安装

# Install dependencies
npm install

# Build the project
npm run build

# Run tests
npm test

🛠️ 可用的 MCP 工具

1.🎯 init_model

使用自定义配置初始化 Titan 内存模型。

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

2. 📚 train_step

使用当前和下一个状态向量执行单个训练步骤。

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

3. 🔄 前向传递

使用输入向量对模型进行前向传递。

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

4. 💾save_model

将模型保存到指定路径。

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

5. 📂 load_model

从指定路径加载模型。

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

6. ℹ️ get_status

获取当前模型状态和配置。

{} // No parameters required

7. 🔄 train_sequence

在一系列向量上训练模型。

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

🌟 使用示例

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

🔧 技术细节

使用 TensorFlow.js 构建，实现高效的张量运算
使用流形优化实现稳定学习
实施用于新颖性检测的惊喜指标
通过适当的张量清理进行内存管理
使用 TypeScript 实现类型安全
全面的错误处理

🧪 测试

该项目包括全面的测试，涵盖：

模型初始化和配置
训练和前传操作
内存状态管理
模型持久化
边缘情况和错误处理
张量清理和内存管理

使用以下方式运行测试：

npm test

🔍 实施说明

所有张量操作都包装在tf.tidy()中，以便进行正确的内存管理
使用详细的错误消息实现正确的错误处理
使用类型安全的 MCP 工具定义
在操作之间保持内存状态
处理具有 epsilon 容差的浮点精度问题

📝 许可证

MIT 许可证 - 请随意使用并根据需要修改！

This server cannot be installed

-

security - not tested

F

license - not found

-

quality - not tested

通过记忆增强模型实现神经记忆序列学习，以改善代码理解和生成，具有状态管理、新颖性检测和模型持久性。

Related Resources

Reddit Discussion about this server

MCP - Titan Memory Server