mcp-memento помогает ИИ-инструментам для программирования хранить полезные факты в одном месте. Он предоставляет вашему ассистенту простой уровень памяти, чтобы он мог сохранять заметки, детали проекта и ссылки на связи во время вашей работы.
Используйте его, когда хотите, чтобы ваш ИИ-инструмент запоминал информацию между сессиями, отслеживал части кодовой базы или вел небольшую базу знаний для проекта. Данные хранятся в SQLite, поэтому ваша информация остается в локальном файле на вашем компьютере.
Related MCP server: LumenCore
Откройте эту страницу и получите приложение:
После открытия страницы найдите последний релиз или основную опцию для скачивания.
Откройте страницу загрузки в браузере.
Получите версию приложения или пакет для Windows.
Сохраните файл в папку «Загрузки».
Если Windows покажет предупреждение безопасности, выберите «Сохранить» или «Подробнее», а затем «Выполнить».
Следуйте инструкциям на экране до завершения установки.
Запустите приложение из меню «Пуск» или из папки, в которую вы его сохранили.
Скачайте файл.
Переместите его в папку, которую сможете легко найти позже.
Дважды щелкните по файлу, чтобы запустить его.
Оставьте файл данных в том же месте, чтобы mcp-memento мог сохранять ваши данные памяти.
mcp-memento лучше всего работает на современном ПК с Windows, имеющем:
Windows 10 или Windows 11
Актуальную версию Python 3, если вы запускаете его из исходного кода
Достаточно свободного места для небольшой базы данных SQLite
Доступ к вашему ИИ-инструменту для программирования или редактору
Он создан для локального использования, поэтому не требует сложной настройки. Большинству пользователей достаточно просто скачать его и подключить к своему редактору или инструменту-агенту.
Хранит заметки для ИИ-агентов по программированию
Сохраняет память в локальной базе данных SQLite
Помогает связывать людей, файлы, задачи и идеи
Работает как сервер протокола Model Context Protocol (MCP)
Вписывается в рабочие процессы редакторов и ассистентов
Поддерживает использование в стиле базы знаний
Сохраняет контекст проекта доступным в течение долгого времени
Помогает сократить количество повторных объяснений вашему ИИ-инструменту
mcp-memento полезен, когда ИИ-ассистент постоянно забывает предыдущие детали. Вместо того чтобы повторять одни и те же заметки по проекту, вы можете сохранить их один раз и позволить инструменту прочитать их позже.
Распространенные варианты использования:
запоминание правил проекта
хранение заметок к файлам и папкам
отслеживание принятых решений по коду
связывание связанных задач
ведение небольшой базы знаний команды
предоставление ассистенту стабильного места для чтения и записи контекста
Если вы скачали готовый к запуску файл для Windows, откройте его и следуйте подсказкам.
Если вы используете его с редактором или ИИ-инструментом, подключите его, добавив данные сервера в настройки MCP этого инструмента. Многие инструменты позволяют добавить локальный сервер, указав путь к файлу приложения или команду запуска.
Типичный процесс настройки:
Скачайте приложение.
Запустите его в Windows.
Откройте ваш ИИ-инструмент или редактор.
Добавьте mcp-memento как MCP-сервер.
Сохраните настройки.
Протестируйте его, попросив ассистента сохранить заметку или вспомнить сохраненный факт.
mcp-memento создан для инструментов, поддерживающих протокол Model Context Protocol. Это включает в себя приложения-ассистенты и редакторы, которые могут взаимодействовать с локальными MCP-серверами.
Когда вы подключаете его, ваш инструмент может:
читать сохраненную память
сохранять новые факты
связывать элементы в вашей базе знаний
использовать прошлый контекст проекта во время будущих чатов
Если в вашем редакторе есть панель расширений, поищите раздел MCP или серверы. Добавьте туда mcp-memento и укажите путь к локальному приложению или исполняемому файлу, который вы скачали.
Приложение хранит данные в структурированном виде, что облегчает поиск и повторное использование. База данных может содержать:
заметки
факты о проекте
связи между элементами
записи памяти
ссылки на источники
рабочий контекст для задач программирования
Это облегчает ИИ-ассистенту выполнение задач без потери предыдущей информации.
Отслеживайте части вашего приложения, правила именования и уже принятые решения.
Сохраняйте заметки по дизайну и возвращайтесь к ним позже, не перепечатывая все заново.
Сохраняйте факты об API, файлах, инструментах и людях в одном локальном месте.
Используйте его с вашим редактором кода, чтобы ассистент мог читать и записывать память во время вашей работы.
mcp-memento создан, чтобы помочь вашему ассистенту быстро находить нужную информацию. Вы можете делать заметки короткими и прямыми, а затем повторно использовать их при необходимости.
Что стоит хранить:
назначение папки
что должна делать функция
правила проекта
известные ошибки
имена ключевых файлов
связи между функциями и задачами
Ваши данные памяти живут в SQLite на вашем компьютере. Это упрощает создание резервных копий, перемещение или проверку другими инструментами при необходимости.
Преимущества локального хранения:
простое хранение на основе файлов
легкое резервное копирование
легкое восстановление
отсутствие сложной настройки сервера
отлично подходит для личных проектов
После подключения mcp-memento попробуйте простой тест:
Попросите ассистента сохранить заметку о вашем проекте.
Попросите его вспомнить эту заметку в новом чате.
Попросите его связать два элемента проекта вместе.
Проверьте, использует ли ответ сохраненный контекст.
Если ассистент может сохранить и вспомнить заметку, настройка работает.
Этот проект относится к следующим областям:
ai-assistants
code-assistants
developer-tools
ide-integration
knowledge-base
mcp
mcp-server
persistent-memory
productivity-tools
python3
sqlite3
relationship-mapping
zed-extension
Вы можете увидеть такие файлы, как:
исполняемый файл Windows
файл конфигурации
файл базы данных SQLite
скрипт запуска
файл README
Храните файл базы данных в надежном месте, если хотите, чтобы ваша память оставалась доступной между запусками.
Используйте папку «Загрузки» для первой установки
Закрепите приложение в меню «Пуск», если часто им пользуетесь
Храните папку с данными в одном месте
Делайте резервную копию файла SQLite перед большими изменениями
Закрывайте приложение перед перемещением файла данных
Если вы умеете пользоваться Python 3, вы можете запустить проект из исходного кода в Windows.
Типичные шаги:
Установите Python 3.
Скачайте файлы репозитория.
Откройте терминал в папке проекта.
Установите необходимые пакеты Python.
Запустите сервер с помощью предоставленной команды запуска.
Подключите ваш ИИ-инструмент к локальному серверу.
Если вы не часто используете Python, загрузка версии для Windows — более простой путь.
Проверьте, завершилась ли загрузка
Попробуйте щелкнуть правой кнопкой мыши и выбрать «Запуск от имени администратора»
Убедитесь, что Windows не заблокировала файл
Проверьте настройки MCP в вашем редакторе
Убедитесь, что приложение запущено
Проверьте правильность пути к файлу
Перезапустите редактор после сохранения изменений
Проверьте, остался ли файл базы данных SQLite в той же папке
Убедитесь, что приложение закрылось корректно
Поищите действие сохранения или синхронизации в вашем инструменте
Удалите старые копии из других папок
Используйте только последний скачанный файл
Запускайте из самого нового пути, который вы сохранили
Поскольку mcp-memento хранит данные в локальном файле SQLite, резервное копирование выполняется просто.
Чтобы создать резервную копию данных:
Закройте приложение.
Скопируйте файл базы данных в другую папку.
Сохраните копию на диске или в облачной папке.
Восстановите ее позже, поместив обратно в папку приложения.
Когда появится новая версия, скачайте ее с той же страницы проекта и при необходимости замените старое приложение. Оставьте файл базы данных на месте, чтобы сохраненная память осталась в целости.
Делайте записи короткими и ясными. По возможности храните одну идею в одной заметке. Используйте имена, которые понятны вам и вашему ассистенту.
Хорошие примеры:
Приложение использует локальное хранилище SQLite
Основная папка UI содержит общие компоненты
Поток оплаты зависит от состояния авторизации
Исправить отступы заголовка на мобильных устройствах
ИИ-инструменты работают лучше, когда могут помнить то, что важно. mcp-memento дает им локальное место для хранения этого контекста, поэтому вы делаете меньше повторяющейся работы и держите заметки по проекту под рукой.
Manually adjust confidence of a relationship.
Use for:
Correcting confidence scores when you know a memory is valid/invalid
Setting custom confidence based on verification
Overriding automatic decay for specific cases
Examples:
adjust_memento_confidence(relationship_id="rel-123", new_confidence=0.9, reason="Verified in production")
adjust_memento_confidence(relationship_id="rel-456", new_confidence=0.1, reason="Obsolete after library update")
Confidence ranges:
0.9-1.0: High confidence (recently validated)
0.7-0.89: Good confidence (regularly used)
0.5-0.69: Moderate confidence (somewhat outdated)
0.3-0.49: Low confidence (likely outdated)
0.0-0.29: Very low confidence (probably obsolete)
Inputs: relationship_id (required), new_confidence (required), reason.
Apply automatic confidence decay based on last access time.
Use for:
System maintenance to keep knowledge base fresh
Applying intelligent decay rules
Monthly confidence adjustment routine
Intelligent decay rules:
Critical memories (security, auth, api_key, password, critical, no_decay tags): NO DECAY
High importance memories: Reduced decay based on importance score
General knowledge: Standard 5% monthly decay (decay_factor=0.95)
Temporary context: Higher decay rate
Decay formula: monthly_decay = confidence × decay_factor^(months_since_last_access)
Minimum confidence: 0.1 (won't decay below this)
Returns:
Number of relationships updated
Summary of decay applied
Breakdown by memory type
Inputs: memory_id.
Boost confidence when a memory is successfully used.
Use for:
Reinforcing valid knowledge
Manual confidence increase for verified information
After successfully applying a solution
When verifying old information is still valid
Usage patterns:
After successfully applying a solution → boost its confidence
When verifying old information is still valid → boost confidence
When multiple team members confirm a pattern → boost confidence
Boost mechanics:
Base boost: +0.10 per access (capped at 1.0)
Additional boost for validation: +0.10 to +0.20
Maximum confidence: 1.0 (cannot exceed)
Inputs: memory_id (required), relationship_id, boost_amount, reason.
Search only within the context of a given memento (scoped search).
Two-phase process: (1) Find related memories, (2) Search only within that set. Provides semantic scoping without embeddings.
WHEN TO USE:
Searching within a specific problem context
Finding solutions in related knowledge
Scoped discovery
HOW TO USE:
Specify memory_id (context root)
Provide query (search term)
Optional: max_depth (default: 2)
RETURNS:
Matches found only within related memories
Context information
No leakage outside context
Inputs: memory_id (required), query (required), max_depth.
Link two mementos with a typed relationship.
Common types: SOLVES (solution→problem), CAUSES (cause→effect), ADDRESSES (fix→error), REQUIRES (dependent→dependency), RELATED_TO (general)
EXAMPLES:
create_memento_relationship(from_memory_id="sol-1", to_memory_id="prob-1", relationship_type="SOLVES")
create_memento_relationship(from_memory_id="err-1", to_memory_id="fix-1", relationship_type="CAUSES", context="Config error caused timeout")
Optional: strength (0-1), confidence (0-1), context (description)
Inputs: from_memory_id (required), to_memory_id (required), relationship_type (required), strength, +2 more.
Delete a memento and all its relationships
Inputs: memory_id (required).
Find memories with low confidence scores.
Use for:
Identifying potentially obsolete knowledge
Periodic cleanup and verification
Quality assurance of the knowledge base
Finding memories that need review
Features:
Filter by confidence threshold (default: < 0.3)
Shows relationships causing low confidence
Includes memory details and last access time
Sorted by confidence (lowest first)
Returns:
List of low confidence relationships with associated memories
Memory details for both ends of each relationship
Confidence scores and last access times
Inputs: threshold, limit.
Retrieve a specific memento by ID.
Use when you have a memory_id from search results or store_memento. Set include_relationships=true (default) to see connected memories.
EXAMPLE: get_memento(memory_id="abc-123")
Inputs: memory_id (required), include_relationships.
Get statistics about the memento database
Inputs: no named parameters.
Get summary of recent memento activity for session context.
Returns: memory counts by type, recent memories (up to 20), unresolved problems.
EXAMPLES:
get_recent_memento_activity(days=7) - last week's activity
get_recent_memento_activity(days=30, project="/app") - last month for specific project
Inputs: days, project.
Get comprehensive onboarding protocol for Memento including tool usage guidance, retrieval flow optimization, and best practices.
MEMENTO ONBOARDING PROTOCOL:
INITIALIZATION: Run memento_onboarding() at session start
RETRIEVAL FLOW:
Fact Check: Use search_mementos(tags=[...]) for simple identity/known facts
Complex Tasks: Use recall_mementos(query="...") for dev/architecture context
Fallback: If search fails, fallback to recall
AUTOMATIC STORAGE: Store via store_memento on git commits, bug fixes, version releases
ON-DEMAND TRIGGERS: Store instantly when user says "memento...", "remember...", etc.
MEMORY SCHEMA: Required tags (project, tech, category). Importance: 0.8+ (critical), 0.5 (standard)
OPTIMIZED RETRIEVAL (Avoid 6+ tool calls):
Target: 1-3 tool calls for simple info
Maximum: 5 tool calls for complex tasks
Follow decision tree: Known tags → search_mementos, Conceptual → recall_mementos
CRITICAL DISTINCTION: Memento vs Session memory
Memento: Long-term, cross-session, global scope
Session Memory: Temporary, project-specific, session-only
USE memento_onboarding(topic="...") for specific guidance:
"protocol": Full onboarding protocol
"retrieval_flow": Optimized retrieval guide
"distinction": Memento vs Session memory
"examples": Practical examples
"best_practices": Usage guidelines
Inputs: topic.
Primary tool for finding mementos using natural language queries.
Optimized for fuzzy matching - handles plurals, tenses, and case variations automatically.
BEST FOR:
Conceptual queries ("how does X work")
General exploration ("what do we know about authentication")
Fuzzy/approximate matching
USE FOR: Long-term knowledge that survives across sessions. DO NOT USE FOR: Temporary session context or project-specific state.
LESS EFFECTIVE FOR:
Acronyms (DCAD, JWT, API) - use search_mementos with tags instead
Proper nouns (company names, services)
Exact technical terms
EXAMPLES:
recall_mementos(query="timeout fix") - find timeout-related solutions
recall_mementos(query="how does auth work") - conceptual query
recall_mementos(project_path="/app") - memories from specific project
FALLBACK: If recall returns no relevant results, try search_mementos with tags filter.
Inputs: query (required), memory_types, project_path, limit, +1 more.
Search memento relationships by their structured context fields (scope, conditions, evidence, components)
Inputs: scope, conditions, evidence, components, +3 more.
Advanced search with fine-grained filters for precise retrieval of mementos.
USE THIS TOOL FIRST (not recall) when searching for:
Acronyms: DCAD, JWT, MCR2, API, etc.
Proper nouns: Company names, service names, project names
Known tags: When you know the tag from previous memories
Technical terms: Exact matches needed
PARAMETERS:
tags: Filter by exact tag match (most reliable for acronyms)
memory_types: Filter by type (solution, problem, etc.)
min_importance: Filter by importance threshold
search_tolerance: strict/normal/fuzzy
match_mode: any/all for multiple terms
NOTE: Tags are automatically normalized to lowercase for case-insensitive matching.
EXAMPLES:
search_mementos(tags=["jwt", "auth"]) - find JWT-related memories
search_mementos(tags=["dcad"]) - find DCAD memories by tag
search_mementos(query="timeout", memory_types=["solution"]) - timeout solutions
search_mementos(tags=["redis"], min_importance=0.7) - important Redis memories
For conceptual/natural language queries, use recall_mementos instead.
Inputs: query, terms, match_mode, tags, +7 more.
Store a new memento with context and metadata.
Required: type, title, content. Optional: id, tags, importance (0-1), context.
USE FOR: Long-term knowledge that should survive across ALL sessions. DO NOT USE FOR: Temporary session state or project-specific context.
LIMITS:
title: max 500 characters
content: max 50KB (50,000 characters)
tags: max 50 tags, 100 chars each
id: if provided, must be unique string identifier
TAGGING BEST PRACTICE:
Always include acronyms AS TAGS (e.g., tags=["jwt", "auth"])
Fuzzy search struggles with acronyms in content
Tags provide exact match fallback for reliable retrieval
Types: solution, problem, error, fix, task, code_pattern, technology, command, file_context, workflow, project, general, conversation
Note: decision is not a standalone type — use type="general" with tags=["decision", "architecture"].
Note: pattern is not a standalone type — use type="code_pattern".
EXAMPLES:
store_memento(type="solution", title="Fixed Redis timeout", content="Increased timeout to 30s...", tags=["redis"], importance=0.8)
store_memento(type="error", title="OAuth2 auth failure", content="Error details...", tags=["auth", "oauth2"], id="custom-error-123")
Returns memory_id. Use create_memento_relationship to link related memories.
Inputs: type (required), title (required), content (required), id, +4 more.
Update an existing memento
Inputs: memory_id (required), title, content, summary, +2 more.
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
Scored across 17 tools
Most tools have distinct purposes, such as search_mementos for precise tag-based retrieval and recall_mementos for fuzzy conceptual queries. However, some overlap exists, like adjust_memento_confidence and boost_memento_confidence both modifying confidence, which could cause confusion without careful reading of their descriptions.
Tool names follow a consistent snake_case pattern with clear verb_noun structures, such as get_memento, create_memento_relationship, and search_mementos. There are no deviations in naming conventions, making the set predictable and readable.
With 17 tools, the count is slightly high but reasonable for a memory management system covering storage, retrieval, relationships, and confidence adjustments. It feels comprehensive rather than bloated, though some tools like get_memento_statistics and get_recent_memento_activity might be borderline in necessity.
The tool set provides complete coverage for a memory system, including CRUD operations (store, get, update, delete), search (search_mementos, recall_mementos), relationship management (create, get, search), confidence handling (adjust, boost, decay), and utilities (statistics, onboarding). No obvious gaps exist for the domain.
Shared memory for coding agents. Stop re-explaining your codebase every session.
Persistent memory for AI assistants: store, search, and connect knowledge across conversations.
Private memory for AI agents: save and recall facts across Claude Code, Codex, Cursor and ChatGPT.
Persistent memory for Claude Code and Cursor. Stop re-explaining your project every session.