🧠 personal-context-mcp

把「你是谁」存一次，让每个 AI 都记得你。 Store who you are once — let every AI remember you.

MCP Python Made with uv License: MIT

▲ 接入后对任意 AI 说「调用 who_am_i」，它一次就读到你完整的上下文

🇨🇳 中文

✨ 这是什么

换一个新 AI、新开一个聊天框，你是不是又得从头交代一遍「我是谁、我喜欢什么风格、我做过什么」？

personal-context-mcp 把这些存成 markdown，通过 MCP（Model Context Protocol） 暴露成一组工具。任何支持 MCP 的 AI（Claude Code、Claude Desktop、Cursor…）接上后，调用一次 who_am_i 就「认识你」，不用再自我介绍。

📦 数据一份，插头随时加 · ☁️ 放 GitHub 永久免费 · 🔌 本地 stdio 零托管 · 🔐 分层可见

⏱️ 30 秒看效果

同样一句「帮我改简历」，接入前后 AI 的反应完全不同：

❌ 没有它（每次都从头认识你）

你  ：帮我改简历
AI ：好的，先了解一下你——你是做什么方向的？
     常用哪些技术栈？想投什么岗位？偏好什么写作风格？
你  ：（又要把背景、技术栈、风格偏好从头敲一遍……）

✅ 有了它（一句话，AI 秒懂你是谁）

你  ：先调用 who_am_i 了解我，然后帮我改简历
AI ：〔调用 who_am_i〕
     好的，已了解你的背景（LLM 预训练 / 长文本 / 分布式）、
     偏好（中文、先定风格再动手）和写作习惯。
     基于这些，我把「书籍数据 SFT」项目改写得更突出你的贡献……

差别就在于：上下文只需存一次，之后每个新 AI、每个新对话都直接读，不用再自我介绍。

💡 核心理念

	说明
📦 数据与服务分离	你的资料是 `context/` 下的纯 markdown，放在你自己的 git 仓库里；server 只是薄薄一层，随时可换、可拔。
☁️ 永久留存、不吃算力	跟 GPU 无关。数据放 GitHub 永久免费，server 本地跑、断网可用。哪天没有任何服务器，光靠这个 git 仓库你依然拥有全部资料。
🔐 分层可见（tier）	`public ⊂ recruiter ⊂ friend ⊂ private`。同一份资料，陌生人 / 招聘方 / 朋友 / 自己看到的范围不同。

📁 目录结构

personal-context-mcp/
├── server.py             # 🔌 MCP server（stdio）
├── context/              # ★ 数据层：你的资料，改这里
│   ├── style.md          # 🎨 风格习惯
│   ├── preferences.md    # ⚙️ 偏好设置
│   ├── skills.md         # 🧰 用过的 skill
│   ├── background.md     # 📖 人生背景（可公开）
│   └── private.md        # 🔒 私密信息（gitignore，仅本地 tier=private 可见）
├── ingest/import_file.py # 📄 简历/文件 → 纯文本（供 AI 解析）
└── pyproject.toml

🚀 快速开始

# 1) 装依赖（mcp / pyyaml / pypdf / python-docx）
cd personal-context-mcp
uv sync

# 2) 本地可视化调试（打开 MCP Inspector，逐个点工具试）
uv run mcp dev server.py

# 3) 接入 Claude Code / Cursor
uv run mcp install server.py --name personal-context

或手动在 AI 的 MCP 配置里加一段（注意换成绝对路径）：

{
  "mcpServers": {
    "personal-context": {
      "command": "uv",
      "args": ["--directory", "/绝对路径/personal-context-mcp", "run", "python", "server.py"]
    }
  }
}

接入后，对 AI 说一句 「调用 who_am_i 了解我」 就行 ✅

🔄 它是怎么工作的

flowchart LR
    A["📝 context/*.md<br/>你的资料"] --> B["🔌 MCP Server<br/>server.py (stdio)"]
    B -->|"who_am_i / search…"| C["🤖 任意 AI<br/>Claude / Cursor…"]
    C -->|"save_context 写回"| A
    D["📄 简历 / 文件"] -->|"extract_file"| C

🧰 提供的工具

工具	作用
🙋 `who_am_i(viewer_tier)`	一次性返回该 tier 下全部可见内容，换新 AI 时用它「一键认识你」
📋 `list_context(viewer_tier)`	列出所有板块
📖 `get_context(slug, viewer_tier)`	读某个板块全文
🔍 `search_context(query, viewer_tier)`	关键词搜索
💾 `save_context(slug, title, body, tier, tags)`	写入/更新板块（AI 整理完经历后存回来）
📄 `extract_file(path)`	抽取 pdf/docx/txt/md 文本，供 AI 解析简历

📄 上传简历 / 文件，自动整理进知识库

不用写死解析逻辑 —— 让 AI 来做：

让 AI extract_file("我的简历.pdf") 拿到纯文本；
AI 解析、优化成结构化内容；
AI save_context(slug="background", …) 写回 context/。

命令行也能单独抽文本：uv run python ingest/import_file.py 我的简历.pdf

🧪 测试

核心逻辑（tier 权限过滤、搜索、写回、非法 slug 拦截）都有单测：

uv run pytest            # 或 .venv/bin/python -m pytest

🔐 分层可见（tier）

每个 .md 头部的 tier 字段决定谁能看到：

public   ⊂   recruiter   ⊂   friend   ⊂   private
陌生人        招聘方          朋友        只有自己

调用时传 viewer_tier，server 只返回该层级及以下的内容。私密信息（如内网路径、身份细节）建议单独放 context/private.md 并加进 .gitignore，这样它永不进入 GitHub，只在本地 tier=private 时可见。

☁️ 留存到 GitHub

cd personal-context-mcp
git add . && git commit -m "update my context"
git push

💡 context/private.md 已在 .gitignore 里；其余板块默认可公开。若想全部私有，直接用私有仓库即可。

🇬🇧 English

✨ What is this

Every time you switch to a new AI or open a fresh chat, you re-explain who you are, what style you like, what you've built. 😮‍💨

personal-context-mcp stores all of that as markdown and exposes it through the Model Context Protocol (MCP). Any MCP-capable AI (Claude Code, Claude Desktop, Cursor…) plugs in, calls who_am_i once, and instantly knows you — no more re-onboarding.

📦 One data source, plug in anytime · ☁️ Free forever on GitHub · 🔌 Local stdio, zero hosting · 🔐 Tiered visibility

⏱️ See it in 30 seconds

Same prompt — "help me polish my resume" — a world of difference before vs. after:

❌ Without it (re-onboarding every time)

You : Help me polish my resume.
AI  : Sure — first, what field are you in? Which tech stack do you
      use? What roles are you targeting? Any writing-style preferences?
You : (typing out my background, stack and style preferences… again.)

✅ With it (one line, and the AI just knows you)

You : Call who_am_i to learn about me, then polish my resume.
AI  : 〔calls who_am_i〕
      Got it — I know your background (LLM pretraining / long-context /
      distributed), your preferences and writing style. Based on that,
      I've rewritten the "book-data SFT" project to highlight your impact…

The point: store your context once, and every new AI and every new chat reads it directly — no more self-introductions.

💡 Core ideas


📦 Data ≠ server	Your data is plain markdown under `context/`, living in your own git repo. The server is a thin, swappable layer.
☁️ Permanent, compute-free	No GPU involved. Data lives on GitHub for free; the server runs locally and works offline. Even with no server anywhere, the git repo alone keeps all your data.
🔐 Tiered visibility	`public ⊂ recruiter ⊂ friend ⊂ private`. Strangers / recruiters / friends / you each see a different slice of the same data.

📁 Layout

personal-context-mcp/
├── server.py             # 🔌 MCP server (stdio)
├── context/              # ★ data layer — edit these
│   ├── style.md          # 🎨 style & habits
│   ├── preferences.md    # ⚙️ preferences
│   ├── skills.md         # 🧰 skills used
│   ├── background.md     # 📖 background (public-safe)
│   └── private.md        # 🔒 private (gitignored, tier=private only)
├── ingest/import_file.py # 📄 resume/file → plain text (for the AI to parse)
└── pyproject.toml

🚀 Quick start

# 1) install deps
cd personal-context-mcp
uv sync

# 2) local visual debugging (MCP Inspector)
uv run mcp dev server.py

# 3) install into Claude Code / Cursor
uv run mcp install server.py --name personal-context

Or add this to your AI's MCP config (use an absolute path):

{
  "mcpServers": {
    "personal-context": {
      "command": "uv",
      "args": ["--directory", "/abs/path/personal-context-mcp", "run", "python", "server.py"]
    }
  }
}

Then just tell the AI: "Call who_am_i to learn about me." ✅

🧰 Tools

Tool	Purpose
🙋 `who_am_i(viewer_tier)`	Return everything visible at that tier in one shot — "know me instantly"
📋 `list_context(viewer_tier)`	List all sections
📖 `get_context(slug, viewer_tier)`	Read one section
🔍 `search_context(query, viewer_tier)`	Keyword search
💾 `save_context(slug, title, body, tier, tags)`	Write/update a section
📄 `extract_file(path)`	Extract text from pdf/docx/txt/md for the AI to parse

📄 Import a resume, let the AI organize it

No hard-coded parsing — let the AI do it:

AI calls extract_file("resume.pdf") to get plain text;
AI parses and structures it;
AI calls save_context(slug="background", …) to write it back.

CLI also works: uv run python ingest/import_file.py resume.pdf

🧪 Tests

The core logic (tier filtering, search, write-back, illegal-slug rejection) is covered by unit tests:

uv run pytest            # or: .venv/bin/python -m pytest

🔐 Tiered visibility

The tier field in each .md front-matter controls who sees it. The server returns only content at or below the requested viewer_tier. Keep private data (internal paths, identity details) in context/private.md and gitignore it — it never reaches GitHub and shows only at local tier=private.

☁️ Persist to GitHub

git add . && git commit -m "update my context"
git push

Made with 🧠 by KrystalJin1 · MIT License