MEMGRAPH-MCP
Система агентов
Надежный мультиагентный оркестратор с:
явными графами выполнения и контрольными точками/возобновлением
параллельным делегированием под управлением оркестратора
ограниченным выполнением исследовательского роя
циклами написания кода, проверки, исправления, CI и утверждения
памятью проекта во вспомогательных хранилищах, предоставляемой через ресурсы и инструменты MCP
реальным векторным индексом SQLite для поиска по памяти
подключаемым внешним исследовательским бэкендом с поддержкой Tavily
Область применения
Эта реализация ориентирована на базовую спецификацию MCP 2025-11-25 с использованием официального Python MCP SDK и сервера FastMCP для интерфейса памяти. Для локальной разработки она работает через stdio. Для удаленного развертывания см. docs/remote_auth.md.
Related MCP server: ellmos-homebase-mcp
Структура
app/runtime: состояние выполнения, планировщик, цикл оркестратора, создание контрольных точекapp/planner: помощники по планированию и пересмотру графовapp/agents: исполнители узлов для исследований, кода, проверки, исправления, CI, синтеза, утвержденияapp/memory: память на базе SQLite, поиск и индекс артефактовapp/mcp_server: ресурсы, инструменты, подсказкиFastMCPи точка входа сервераtests: приемочное и модульное покрытие
Локальное использование
uv sync --group dev
uv run pytest
uv run agent-system-mcpБэкенды поиска и исследований
Записи памяти индексируются в локальной векторной таблице SQLite с использованием
sqlite-vec.Провайдером эмбеддингов по умолчанию является
auto: он отдает предпочтение реальной моделиsentence-transformersи переключается на детерминированный хеш-провайдер только в том случае, если модель не может быть загружена.Исследования используют бэкенд корпуса в памяти, когда узел предоставляет
inputs.corpus.Если установлен
TAVILY_API_KEY, исследовательские узлы без корпуса могут использовать бэкенд Tavily для внешних веб-исследований.Если корпус отсутствует и ключ Tavily недоступен, исследования возвращают ограниченные пустые результаты вместо выдумывания источников.
Конфигурация эмбеддингов
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
Пример:
AGENT_SYSTEM_EMBEDDING_PROVIDER=sentence-transformers uv run agent-system create-run "improve scheduler"Локальный транспорт
Разработка использует транспорт MCP stdio.
Удаленное развертывание
Удаленное развертывание в версии v1 представлено только документацией. Сервер документирует путь согласия, совместимый с OAuth 2.1, и сохраняет локальный stdio в качестве режима разработки по умолчанию.
Полная документация
state.md: текущее состояние проекта, изменения с момента создания и дорожная карта
docs/getting_started.md: кратчайший путь к рабочему локальному запуску и серверу MCP
docs/operator_guide.md: полный обзор системы, операции и лучшие практики
docs/developer_custom_graphs.md: использование Python API, проектирование пользовательских графов и справочник полезной нагрузки узлов
docs/codex_mcp_usage.md: как Codex должен использовать этот MCP для планирования крупных приложений, памяти и выполнения с контрольными точками
examples/plan_large_app.py: пример программной генерации плана и запуска крупного приложения
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