Skip to main content
Glama
deenesjakoruzh
Jlnine

openmemkit

by Jlnine
OverviewSchemaRelated ServersScoreDiscussions
Python
Hybrid

memory-mcp-openmemkit

文件原生、双通道检索的 AI 记忆 MCP 服务器。 / 文件原生、双通道检索的 AI 记忆 MCP 服务器。

Python License: MIT

English | 中文

English

openmemkit 为任何兼容 MCP 的 AI agent（Claude Desktop、Codex CLI、Cursor、Cline、Continue 等）提供持久、可查询的长期记忆，记忆以你拥有的纯 Markdown 文件形式存储。框架本身不携带任何记忆数据——每个用户都把它指向自己的记忆目录和 SQLite 索引。

为什么选择 openmemkit

  • 文件原生——记忆是人类可读的 Markdown，按域和日期组织。可用 grep、编辑，并用 git 版本管理；无私有格式锁定。

  • 双通道检索——SQLite FTS5（trigram 分词，中英文通吃）加可选语义向量（本地 bge-small-zh，离线），用 Reciprocal Rank Fusion 融合。短查询（<3 字符）自动回退到 LIKE。

  • 审计式写入——agent 从不直接编辑 .md。它们先追加到 write_log；通过显式的 flush/apply 步骤按可配置的白名单分发条目。每次写入都可追溯。

  • 零强制依赖——核心是纯 Python 标准库（sqlite3、re、json）。语义搜索是可选附加功能。

  • 双传输方式——stdio（用于桌面 agent）和 HTTP/SSE（用于远程/共享部署），同一引擎，行为一致。

  • 开箱即用的 CLI——init、index、search、get、write、flush、stats、doctor、domain，以及两种服务器。

快速开始

pip install memory-mcp-openmemkit

# 1. Create your OWN empty memory root (the framework ships no data)
openmemkit init

# 2. Point your agent at it (stdio), then ask it to remember things
openmemkit serve

默认位置（可用参数、环境变量或 TOML 配置覆盖）：

项目

默认

记忆根目录

~/.local/share/openmemkit/memories

SQLite 索引

~/.local/share/openmemkit/openmemkit.sqlite

配置文件

--config / $OPENMEMKIT_CONFIG

MCP 客户端配置

stdio（Claude Desktop claude_desktop_config.json、Codex config.toml 等）：

{
  "mcpServers": {
    "openmemkit": {
      "command": "openmemkit",
      "args": ["serve", "--root", "/path/to/your/memories", "--db", "/path/to/index.sqlite"]
    }
  }
}

HTTP/SSE：

openmemkit serve-http --host 127.0.0.1 --port 8765
# SSE endpoint : http://127.0.0.1:8765/sse
# messages POST: http://127.0.0.1:8765/messages/<session>

MCP 工具

工具

用途

memory_bootstrap

加载 MEMORY.md 规则 + 所有域索引 + 语义状态（启动时调用一次）

memory_domains

列出域及其文件数量

memory_search

搜索分块；模式 keyword / hybrid（默认）/ vector；按域/日期过滤

memory_get

按路径读取一个 .md 文件

memory_list

列出已索引文件及其分块数/mtime

memory_stats

索引统计、域分布、写日志状态、语义覆盖

memory_write

追加审计条目（task_history/data_read/data_written/network_fetch/memory_note）

memory_update

替换 .md 文件内容；旧版本归档到 .archive/，变更被记录

memory_delete

将 .md 文件移动到 .trash/（可恢复），并写入 tombstone 审计记录

memory_history

显示某路径的审计变更轨迹（或整个写日志）

memory_flush

将待处理的写日志条目分发到 .md，然后重新索引

语义检索（可选）

pip install "memory-mcp-openmemkit[semantic]"

然后通过配置（[semantic] enabled = true）、环境变量（OPENMEMKIT_SEMANTIC=1）或索引时的 --semantic 参数启用。默认模型（BAAI/bge-small-zh-v1.5）首次使用时从 HuggingFace 下载，之后完全离线运行。实现 Embedder 协议并调用 openmemkit.embedder.register_backend() 即可接入任意后端。

配置

# openmemkit.toml
root = "~/.local/share/openmemkit/memories"
db_path = "~/.local/share/openmemkit/openmemkit.sqlite"

[search]
default_top_k = 60
default_mode = "hybrid"      # keyword | hybrid | vector
min_fts_len = 3

[semantic]
enabled = false              # flip to true after installing [semantic]
model = "BAAI/bge-small-zh-v1.5"

[write]
auto_apply_kinds = ["network_fetch", "task_history", "data_read", "data_written", "memory_note"]
top_level_files = ["MEMORY.md"]

[server]
host = "127.0.0.1"
port = 8765

解析顺序：CLI 参数 > OPENMEMKIT_* 环境变量 > TOML > 内置默认值。

CLI

openmemkit init [--force]                       # scaffold an empty memory root
openmemkit index [--semantic] [--incremental]   # (re)build the search index
openmemkit search "query" [--domain web] [--mode hybrid]
openmemkit get notes/project.md
openmemkit list [--domain notes]
openmemkit write --kind memory_note --summary "..."
openmemkit rm notes/old.md [--summary "..."]    # delete (moves to .trash/)
openmemkit update notes/x.md --file new.md      # replace (archives old version)
openmemkit history [notes/x.md] [--json]        # audited change trail
openmemkit flush                                # apply pending writes + reindex
openmemkit stats [--json]
openmemkit doctor [--fix]                       # integrity + index-drift check
openmemkit domain list|add|rm <name> [--force]
openmemkit backup [--output out.tar.gz]         # snapshot memories + SQLite
openmemkit restore backup.tar.gz --yes          # restore (moves current aside)
openmemkit prune --domain web --days 90 [--delete] [--dry-run]
openmemkit export --format jsonl|md [--out f]   # bulk export
openmemkit serve                                # MCP stdio
openmemkit serve-http --host 127.0.0.1 --port 8765

管理与数据安全

  • 删除可恢复。memory_delete / rm 将文件移动到 .trash/YYYY-MM-DD/ 并写入 tombstone 记录；不会硬删除任何内容。

  • 更新有版本。memory_update / update 将旧文件复制到 .archive/YYYY-MM-DD/，并通过 parent_id 关联日志条目，因此 history 显示完整链条。

  • 备份/恢复。backup 生成 memories/ 目录树的 tar.gz 以及一致的 VACUUM INTO SQLite 快照（含 manifest.json）；restore 在替换前将当前状态移开，因此可逆。

  • 保留策略。prune 归档（或使用 --delete 硬删除）超过各域 retention_days 的文件，可用 --dry-run 预览。

  • MEMORY.md 受引擎保护，不可删除或更新。

安全模型

  • Agent 只能通过 memory_write → write_log 写入；无法接触任意文件。读取时会拒绝路径穿越。

  • 自动应用基于白名单。白名单之外的种类保持 pending 状态，直到审核（CLI flush 应用配置的自动种类）。

  • OPENMEMKIT_READONLY=1 禁用所有写入——适合多个 agent 共享一个记忆根目录。

  • 引擎只读取配置的 root 之下的内容，并写入 db_path。除可选的模型下载外，没有遥测，也没有网络调用。

开发

git clone <repo> && cd memory-mcp-openmemkit
uv sync --extra dev
uv run pytest                      # 28 tests: chunker/search/write/CLI/stdio/HTTP
uv run openmemkit --version

许可证

MIT。

Related MCP server: mcp-ltm

中文

openmemkit 为任何兼容 MCP 的 AI agent（Claude Desktop、Codex CLI、Cursor、Cline、Continue 等）提供持久、可检索的长期记忆，记忆以你拥有的纯 Markdown 文件形式存储。框架本身不携带任何记忆数据——每个用户都把它指向自己的记忆目录和 SQLite 索引。

特性

  • 文件原生：记忆是人类可读的 Markdown，按域/日期组织，可 grep、可编辑、可 git 版本管理，无私有格式锁定。

  • 双通道检索：SQLite FTS5（trigram 分词，中英文通吃）+ 可选语义向量（本地 bge-small-zh，完全离线），用 RRF 融合；<3 字短查询自动走 LIKE 兜底。

  • 审计式写入：agent 不直接改 .md，先写 write_log，经 flush/apply 按白名单分发，每条写入可追溯。

  • 零强制依赖：核心纯 Python 标准库（sqlite3/re/json），语义检索为可选 extras。

  • 双 transport：stdio（桌面 agent）与 HTTP/SSE（远程/共享部署），同一引擎、行为一致。

  • 完整 CLI：init、index、search、get、list、write、rm、update、history、flush、stats、doctor、domain、backup、restore、prune、export，以及两种 server。

  • 管理与安全：删除移入 .trash/（可恢复），更新归档旧版本到 .archive/（版本链），备份/恢复带清单，prune 按域保留期归档，MEMORY.md 受保护。

快速开始

pip install memory-mcp-openmemkit

# 1. 创建属于你自己的空记忆库（框架不携带任何数据）
openmemkit init

# 2. 让 agent 以 stdio 方式接入
openmemkit serve

默认路径（可用参数、环境变量或 TOML 配置覆盖）：

项目

默认

记忆根目录

~/.local/share/openmemkit/memories

SQLite 索引

~/.local/share/openmemkit/openmemkit.sqlite

配置文件

--config / $OPENMEMKIT_CONFIG

客户端配置

stdio（Claude Desktop / Codex 等）：

{
  "mcpServers": {
    "openmemkit": {
      "command": "openmemkit",
      "args": ["serve", "--root", "/你的/记忆目录", "--db", "/你的/index.sqlite"]
    }
  }
}

HTTP/SSE：

openmemkit serve-http --host 127.0.0.1 --port 8765
# SSE：http://127.0.0.1:8765/sse
# 消息 POST：http://127.0.0.1:8765/messages/<session>

语义检索（可选）

pip install "memory-mcp-openmemkit[semantic]"

在配置中开启 [semantic] enabled = true，或设 OPENMEMKIT_SEMANTIC=1，或索引用 --semantic。默认模型 BAAI/bge-small-zh-v1.5 首次使用时从 HuggingFace 下载，之后完全离线。实现 Embedder 协议并调用 register_backend() 即可接入任意向量后端。

开发

git clone <repo> && cd memory-mcp-openmemkit
uv sync --extra dev
uv run pytest

许可证

MIT。

This server cannot be installed

A
license - permissive license
Not graded
quality - not tested
C
maintenance

How are these scores calculated?

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Servers

  • Mneme Memory MCP

    ethos-zero
    A
    license
    A
    quality
    B
    maintenance
    A local-first shared memory layer for MCP-aware agents like Claude, Codex, and Hermes, enabling persistent memory across chats and clients via Markdown files and SQLite FTS.
    6
    2
    MIT

  • mcp-ltm

    kvas-it
    A
    license
    Not graded
    quality
    D
    maintenance
    Provides persistent long-term memory for AI assistants with tag-based retrieval, wiki-style linking, and source references, storing memories as markdown files with SQLite index.
    1
    MIT

View all related MCP servers

Related MCP Connectors

  • agentbay-mcp

    Persistent memory and knowledge management for AI agents with semantic search and 50+ tools.

  • goldhold

    Persistent memory for AI agents. Search, store, and recall across sessions.

  • AI Context Flow

    Universal memory for AI agents and tools. Save, organize and search context anywhere.

View all MCP Connectors

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/Jlnine/memory-mcp-openmemkit'

If you have feedback or need assistance with the MCP directory API, please join our Discord server