de en es ja ko ru zh

Mnemo

Name: Mnemo
Author: Logos-Flux

by Logos-Flux

Overview Schema Source Related Servers Discussions Admin

TypeScript

Hybrid

██╗      ██████╗  ██████╗  ██████╗ ███████╗
██║     ██╔═══██╗██╔════╝ ██╔═══██╗██╔════╝
██║     ██║   ██║██║  ███╗██║   ██║███████╗
██║     ██║   ██║██║   ██║██║   ██║╚════██║
███████╗╚██████╔╝╚██████╔╝╚██████╔╝███████║
╚══════╝ ╚═════╝  ╚═════╝  ╚═════╝ ╚══════╝

        ███████╗██╗     ██╗   ██╗██╗  ██╗
        ██╔════╝██║     ██║   ██║╚██╗██╔╝
        █████╗  ██║     ██║   ██║ ╚███╔╝ 
        ██╔══╝  ██║     ██║   ██║ ██╔██╗ 
        ██║     ███████╗╚██████╔╝██╔╝ ██╗
        ╚═╝     ╚══════╝ ╚═════╝ ╚═╝  ╚═╝

Mnemo

Расширенная память для ИИ-ассистентов через кэширование контекста Gemini.

Mnemo (с греч. — память) предоставляет ИИ-ассистентам, таким как Claude, доступ к большим кодовым базам, сайтам с документацией, PDF-файлам и многому другому, используя окно контекста Gemini на 1 млн токенов и функции кэширования контекста.

Почему Mnemo?

Вместо сложных конвейеров RAG с эмбеддингами и поиском, Mnemo использует более простой подход:

Загрузите всю свою кодовую базу в кэш контекста Gemini
Запрашивайте её на естественном языке
Позвольте Claude управлять процессом, пока Gemini удерживает контекст

Это дает вам:

Идеальное воспроизведение — отсутствие разбивки на части (chunking) или поиска означает отсутствие потери контекста
Низкая задержка — кэшированный контекст обслуживается быстро
Экономия средств — кэшированные токены стоят на 75-90% дешевле, чем обычные входные токены
Простота — никаких векторных баз данных, эмбеддингов или сложной логики поиска

Related MCP server: Heimdall MCP Server

Что может загрузить Mnemo?

Источник	Локальный сервер	Воркер
Репозитории GitHub (публичные)	✅	✅
Репозитории GitHub (приватные)	✅	✅
Любой URL (документация, статьи)	✅	✅
PDF-документы	✅	✅
JSON API	✅	✅
Локальные файлы/директории	✅	❌
Многостраничное сканирование	✅ без ограничений	✅ макс. 40 страниц

Варианты развертывания

Mnemo можно развернуть тремя способами в зависимости от ваших потребностей.

Вариант 1: Локальный сервер (разработка и полная функциональность)

Лучший вариант для разработки и случаев, когда нужно загружать локальные файлы.

# Clone and install
git clone https://github.com/logos-flux/mnemo
cd mnemo
bun install

# Set your Gemini API key
export GEMINI_API_KEY=your_key_here

# Start the server
bun run dev

Конфигурация Claude Code MCP:

{
  "mcpServers": {
    "mnemo": {
      "type": "http",
      "url": "http://localhost:8080/mcp"
    }
  }
}

Вариант 2: Self-hosted Cloudflare Worker (рекомендуется для Claude.ai)

Разверните в своей учетной записи Cloudflare. Вы контролируете свои данные и расходы.

Предварительные требования:

Учетная запись Cloudflare (подходит бесплатный тариф)
API-ключ Gemini

# Clone and install
git clone https://github.com/logos-flux/mnemo
cd mnemo/packages/cf-worker

# Configure secrets
bunx wrangler secret put GEMINI_API_KEY
bunx wrangler secret put MNEMO_AUTH_TOKEN  # Optional but recommended

# Create D1 database
bunx wrangler d1 create mnemo-cache

# Deploy
bunx wrangler deploy

Конфигурация Claude.ai MCP:

{
  "mcpServers": {
    "mnemo": {
      "type": "http",
      "url": "https://mnemo.<your-subdomain>.workers.dev/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_AUTH_TOKEN"
      }
    }
  }
}

Зачем это нужно? Claude.ai не может подключиться к localhost. Воркер предоставляет вам внешнюю конечную точку, к которой может обратиться Claude.ai.

Вариант 3: Управляемый хостинг (VIP)

Не хотите заниматься инфраструктурой? Мы предлагаем полностью управляемый хостинг Mnemo для избранных клиентов.

Включает:

Развертывание выделенного воркера
Приоритетную поддержку
Пользовательский домен
Мониторинг использования

Контакты: lf@logosflux.io для уточнения цен и доступности.

Примеры использования

# Load a GitHub repo
curl -X POST http://localhost:8080/tools/context_load \
  -H "Content-Type: application/json" \
  -d '{"source": "https://github.com/honojs/hono", "alias": "hono"}'

# Load a documentation site (crawls up to token target)
curl -X POST http://localhost:8080/tools/context_load \
  -H "Content-Type: application/json" \
  -d '{"source": "https://hono.dev/docs", "alias": "hono-docs"}'

# Load a PDF
curl -X POST http://localhost:8080/tools/context_load \
  -H "Content-Type: application/json" \
  -d '{"source": "https://arxiv.org/pdf/2303.08774.pdf", "alias": "gpt4-paper"}'

# Load a private repo (with GitHub token)
curl -X POST http://localhost:8080/tools/context_load \
  -H "Content-Type: application/json" \
  -d '{"source": "https://github.com/owner/private-repo", "alias": "private", "githubToken": "ghp_xxx"}'

# Load multiple sources into one cache
curl -X POST http://localhost:8080/tools/context_load \
  -H "Content-Type: application/json" \
  -d '{"sources": ["https://github.com/owner/repo", "https://docs.example.com"], "alias": "combined"}'

# Query the cache
curl -X POST http://localhost:8080/tools/context_query \
  -H "Content-Type: application/json" \
  -d '{"alias": "hono", "query": "How do I add middleware?"}'

# List active caches
curl -X POST http://localhost:8080/tools/context_list \
  -H "Content-Type: application/json" -d '{}'

# Get usage stats with cost tracking
curl -X POST http://localhost:8080/tools/context_stats \
  -H "Content-Type: application/json" -d '{}'

# Evict when done
curl -X POST http://localhost:8080/tools/context_evict \
  -H "Content-Type: application/json" \
  -d '{"alias": "hono"}'

CLI

# Start server
mnemo serve

# Start MCP stdio transport (for Claude Desktop)
mnemo stdio

# Load a project
mnemo load ./my-project my-proj

# Query
mnemo query my-proj "What's the main entry point?"

# List caches
mnemo list

# Remove cache
mnemo evict my-proj

Инструменты MCP

Инструмент	Описание
`context_load`	Загрузка репозиториев GitHub, URL, PDF или локальных директорий в кэш Gemini
`context_query`	Запрос к кэшированному контексту на естественном языке
`context_list`	Список всех активных кэшей с количеством токенов и сроком действия
`context_evict`	Удаление кэша
`context_stats`	Получение статистики использования с отслеживанием затрат
`context_refresh`	Перезагрузка кэша со свежим контентом

Параметры `context_load`

Параметр	Описание
`source`	Один источник: URL GitHub, любой URL или локальный путь
`sources`	Несколько источников для объединения в один кэш
`alias`	Понятное имя для этого кэша (1-64 символа)
`ttl`	Время жизни в секундах (60-86400, по умолчанию 3600)
`githubToken`	Токен GitHub для приватных репозиториев
`systemInstruction`	Пользовательская системная инструкция для запросов

Конфигурация

Переменная	Описание	По умолчанию
`GEMINI_API_KEY`	Ваш API-ключ Gemini	Обязательно
`MNEMO_PORT`	Порт сервера (только локально)	8080
`MNEMO_DIR`	Директория данных (только локально)	~/.mnemo
`MNEMO_AUTH_TOKEN`	Токен авторизации для защищенных эндпоинтов	Нет

Аутентификация

Когда настроен MNEMO_AUTH_TOKEN, эндпоинты /mcp и /tools/* требуют аутентификации:

# Set auth token (Workers)
bunx wrangler secret put MNEMO_AUTH_TOKEN

# Requests must include header:
Authorization: Bearer your-token-here

Публичные эндпоинты (аутентификация не требуется):

GET /health — Проверка работоспособности
GET / — Информация о сервисе
GET /tools — Список доступных инструментов

Расходы

Вы всегда платите за использование Gemini API независимо от варианта развертывания. Mnemo использует кэширование контекста Gemini, которое значительно дешевле стандартного ввода:

Ресурс	Стоимость
Хранение кэша	~$4.50 за 1 млн токенов в час
Кэшированный ввод	скидка 75-90% по сравнению с обычным вводом
Обычный ввод	~$0.075 за 1 млн токенов (Flash)

Пример: кодовая база на 100 тыс. токенов, кэшированная на 1 час с 10 запросами ≈ $0.47

Расходы на Cloudflare (self-hosted):

Workers: бесплатный тариф включает 100 тыс. запросов в день
D1: бесплатный тариф включает 5 млн чтений в день
Вероятно $0 при умеренном использовании

Архитектура

┌─────────────────────────────────────────────────────────────┐
│                         Mnemo                                │
├─────────────────────────────────────────────────────────────┤
│  MCP Tools                                                   │
│  • context_load    - Load into Gemini cache                 │
│  • context_query   - Query cached context                   │
│  • context_list    - Show active caches                     │
│  • context_evict   - Remove cache                           │
│  • context_stats   - Token usage, costs                     │
│  • context_refresh - Reload cache                           │
├─────────────────────────────────────────────────────────────┤
│  Adapters (v0.2)                                             │
│  • GitHub repos (via API)                                   │
│  • URL loading (HTML, PDF, JSON, text)                      │
│  • Token-targeted crawling                                  │
│  • robots.txt compliance                                    │
├─────────────────────────────────────────────────────────────┤
│  Packages                                                    │
│  • @mnemo/core      - Gemini client, loaders, adapters      │
│  • @mnemo/mcp-server - MCP protocol handling                │
│  • @mnemo/cf-worker - Cloudflare Workers deployment         │
│  • @mnemo/local     - Bun-based local server                │
└─────────────────────────────────────────────────────────────┘

Лицензия

MIT

Авторы

Создано Logos Flux | Voltage Labs

This server cannot be deployed

Shareable, User-Owned Context BackendPeople, applications, and agents read, write, and coordinate together in one context lake. Reach it over MCP, a CLI, a Python SDK, or REST.fulcradynamics.comAd

Maintenance

ActivityInactive

ResponsivenessNo issues

Resources

Related MCP Connectors

TeamShared C
io.github.xhad
Shared memory for coding agents. Stop re-explaining your codebase every session.
Knowledge & Memory Developer Tools
1991
https://teamshared.com/mcp
suma-memory A
io.github.sumanaddanki
Persistent memory for Claude Code and Cursor. Stop re-explaining your project every session.
Knowledge & Memory Developer Tools Autonomous Agents
2
https://sumapro.quadframe.work/mcp
PCD (Portable Context Deck)
ai.portablecontext
Your portable context layer — load it into any AI.
Knowledge & Memory RAG Systems
1
https://mcp.portablecontext.ai/mcp
ASR Memory (에사 AI) — Shared memory for AI tools
com.asrmemory
Shared memory for AI tools: save once, recall word for word from Claude, ChatGPT, Codex or Gemini.
Knowledge & Memory Note Taking
1
https://asrmemory.com/mcp

Related MCP Servers

CastPlan MCP
Code Execution Developer Tools Knowledge & Memory
Ghostseller
A
license
B
quality
C
maintenance
Provides AI assistants with persistent memory of your project architecture, development history, and technical decisions, allowing them to give context-aware coding help without needing repeated explanations.
Updated a year ago (2025-08-03 09:48 UTC)
16
61 npm
2
MIT
Heimdall MCP Server
Knowledge & Memory Developer Tools
lcbcFoo
A
license
Not graded
quality
D
maintenance
Provides AI coding assistants with persistent, context-rich memory of a codebase, including documentation and git history, enabling recall across sessions.
Updated a year ago (2025-09-21 23:44 UTC)
105
Apache 2.0
ProjectMind MCP
Knowledge & Memory Search Developer Tools
mykolariabokon
A
license
C
quality
A
maintenance
Gives AI coding assistants persistent project memory and semantic code search, running fully locally with no API keys required.
Updated 12 days ago (2026-10-21 06:04 UTC)
56
MIT
Context Coder MCP
Developer Tools Code Analysis
khromov
A
license
Not graded
quality
B
maintenance
Loads entire codebase into LLM context for AI-assisted code understanding and editing.
Updated 2 days ago (2026-10-31 08:33 UTC)
8 npm
17
MIT

Mnemo

Почему Mnemo?

Что может загрузить Mnemo?

Варианты развертывания

Вариант 1: Локальный сервер (разработка и полная функциональность)

Вариант 2: Self-hosted Cloudflare Worker (рекомендуется для Claude.ai)

Вариант 3: Управляемый хостинг (VIP)

Примеры использования

CLI

Инструменты MCP

Параметры context_load

Конфигурация

Аутентификация

Расходы

Архитектура

Лицензия

Авторы

Maintenance

Resources

Related MCP Connectors

Related MCP Servers

CastPlan MCP

Heimdall MCP Server

ProjectMind MCP

Context Coder MCP

Параметры `context_load`