MEMGRAPH-MCP
Sistema de Agentes
Un orquestador multi-agente duradero con:
grafos de ejecución explícitos y puntos de control/reanudación
delegación paralela controlada por el orquestador
ejecución de enjambre de investigación acotada
bucles de codificación, revisión, reparación, CI y aprobación
memoria de proyecto en almacenes de respaldo expuestos a través de recursos y herramientas MCP
un índice vectorial de SQLite real para la recuperación de memoria
un backend de investigación externo conectable con soporte para Tavily
Alcance
Esta implementación apunta a la línea base de la especificación MCP 2025-11-25 con el SDK oficial de Python para MCP y un servidor FastMCP para la superficie de memoria. Para el desarrollo local, se ejecuta sobre stdio. Para la implementación remota, consulte docs/remote_auth.md.
Related MCP server: ellmos-homebase-mcp
Diseño
app/runtime: estado de ejecución, programador, bucle del orquestador, puntos de controlapp/planner: ayudantes de planificación y revisión de grafosapp/agents: ejecutores de nodos para investigación, código, revisión, reparación, CI, síntesis, aprobaciónapp/memory: memoria respaldada por SQLite, recuperación e índice de artefactosapp/mcp_server: recursos, herramientas, prompts y punto de entrada del servidorFastMCPtests: cobertura de aceptación y unitaria
Uso local
uv sync --group dev
uv run pytest
uv run agent-system-mcpBackends de recuperación e investigación
Las entradas de memoria se indexan en una tabla vectorial de SQLite local utilizando
sqlite-vec.El proveedor de incrustaciones (embedding) predeterminado es
auto: prefiere un modelo real desentence-transformersy recurre al proveedor de hash determinista solo si el modelo no se puede cargar.La investigación utiliza un backend de corpus en memoria cuando un nodo proporciona
inputs.corpus.Si se establece
TAVILY_API_KEY, los nodos de investigación sin corpus pueden usar el backend de Tavily para investigación web externa.Si no hay corpus ni clave de Tavily disponibles, la investigación devuelve hallazgos vacíos acotados en lugar de inventar fuentes.
Configuración de incrustaciones (embedding)
AGENT_SYSTEM_EMBEDDING_PROVIDER=auto|sentence-transformers|hashAGENT_SYSTEM_EMBEDDING_MODEL=sentence-transformers/all-MiniLM-L6-v2AGENT_SYSTEM_EMBEDDING_CACHE_DIR=/path/to/cacheAGENT_SYSTEM_EMBEDDING_LOCAL_ONLY=true|false
Ejemplo:
AGENT_SYSTEM_EMBEDDING_PROVIDER=sentence-transformers uv run agent-system create-run "improve scheduler"Transporte local
El desarrollo utiliza el transporte stdio de MCP.
Implementación remota
La implementación remota es intencionalmente solo para documentación en la v1. El servidor documenta una ruta de consentimiento compatible con OAuth 2.1 y mantiene stdio local como el modo de desarrollo predeterminado.
Documentación completa
state.md: estado actual del proyecto, cambios desde la creación y hoja de ruta
docs/getting_started.md: camino más rápido hacia una ejecución local funcional y un servidor MCP
docs/operator_guide.md: descripción general del sistema, operaciones y mejores prácticas
docs/developer_custom_graphs.md: uso de la API de Python, diseño de grafos personalizados y referencia de carga útil de nodos
docs/codex_mcp_usage.md: cómo debería usar Codex este MCP para la planificación de grandes aplicaciones, memoria y ejecución con puntos de control
examples/plan_large_app.py: ejemplo de generación de un plano de gran aplicación y ejecución programática
Available Tools
10 toolscheckpoint_runBIdempotent
Apply a small state patch and create an explicit checkpoint.
Inputs: run_id (required), state_patch_json (required). Returns: object
create_runA
Create a new orchestrator run from a high-level goal and optional JSON spec.
Inputs: goal (required), spec_json. Returns: object
get_file_contextBRead-onlyIdempotent
Read file context from the orchestrator workspace.
Inputs: paths (required), include_neighbors. Returns: object
plan_goalBRead-onlyIdempotent
Generate a large-app execution blueprint from a high-level goal and optional JSON spec.
Inputs: goal (required), spec_json. Returns: object
record_decisionCIdempotent
Record a high-value architectural or implementation decision.
Inputs: title (required), run_id (required), node_id (required), rationale (required), +2 more. Returns: object
record_failure_modeAIdempotent
Record a reusable failure pattern or bug signature.
Inputs: run_id (required), node_id (required), summary (required), signature (required), +1 more. Returns: object
resume_runAIdempotent
Resume an orchestrator run until completion, pause, or failure.
Inputs: run_id (required). Returns: object
search_project_memoryARead-onlyIdempotent
Search project memory by query string and optional type filters.
Inputs: query (required), kind, limit, status. Returns: result
write_project_memoryCIdempotent
Write a durable memory entry with provenance to the backing store.
Inputs: key (required), kind (required), run_id (required), node_id (required), +5 more. Returns: object
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 10 tools
Most tools target distinct actions or resources, but plan_goal and create_run both take a high-level goal and optional JSON spec, making their boundaries unclear. Similarly, search_project_memory and list_related_artifacts both retrieve stored information in overlapping ways. Descriptions help clarify intent, but some pairs could still lead to misselection.
All tools follow a consistent verb_noun snake_case pattern, such as resume_run, write_project_memory, record_decision, and create_run. The naming is uniform and predictable across the entire toolset.
Ten tools is a well-scoped count for an orchestrator and memory management server. Each tool covers a meaningful operation without the set feeling bloated or overly sparse.
The core lifecycle is covered: creating and resuming runs, checkpointing, planning, memory read/write, and recording decisions/failures. Minor gaps exist, such as no explicit run status/query tool or delete operation for memory entries, but agents can generally work within the provided surface.
Maintenance
Related MCP Connectors
Control plane for autonomous software labor. Agents claim objectives over MCP with audit trail.
Persistent memory, knowledge graph, task management and more for AI agents via MCP.
Persistent, inspectable memory for AI agents with lineage, correction, and a hosted MCP endpoint.
The AI orchestration agent for modern software teams.
Related MCP Servers
- FlicenseNot gradedqualityDmaintenanceShared memory and orchestration for coding agents, enabling persistent knowledge, multi-agent coordination, and a canonical workflow across MCP-compatible AI clients.83-

ellmos-homebase-mcpofficial
AlicenseCqualityBmaintenanceEnables local-first LLM orchestration with persistent memory, knowledge management, routing, swarm patterns, API probing, tests, automation planning, and plugin discovery via a stdio MCP server, using SQLite for offline storage.51173 npm2MIT- AlicenseNot gradedqualityDmaintenanceA production-grade multi-agent workflow orchestrator built on the Model Context Protocol, featuring planner/executor/critic agents, durable run state, and replayable traces.15MIT
- AlicenseNot gradedqualityBmaintenanceEnables autonomous multi-agent orchestration using directed acyclic graph workflows to interact with external developer infrastructure such as Git, Postgres, and Docker through safety-gated MCP servers.Apache 2.0