Uses Ollama's bge-m3 model for local embedding, enabling privacy-preserving vector generation for memory search.
Click on "Install Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type @ followed by the MCP server name and your instructions, e.g., "@Kimi Memory MCP 学习 /home/docs/api.md，后端API文档"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
为 Kimi Code CLI 打造的智能记忆系统，让大模型拥有持久化记忆能力。
📚 文件学习 - 学习代码、文档、会议记录等各种文件
🔍 智能检索 - 使用自然语言查询已学习内容
🧠 混合存储 - 同时存储原始内容和 AI 整理后的结构化内容
🤖 智能预处理 - 自动调用 DeepSeek 整理复杂文档
🔒 本地 Embedding - 使用 Ollama + bge-m3，保护隐私
💾 持久化存储 - 数据存储在 ChromaDB，重启不丢失
Related MCP server: Vector Memory MCP Server
┌─────────────────────────────────────────────────────────┐
│ Kimi Code CLI │
└──────────────────┬──────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ Memory MCP Server (Node.js + TypeScript) │
│ ├── embed_file - 学习文件 │
│ ├── search_memory - 检索记忆 │
│ ├── list_memories - 列出记忆 │
│ └── forget_file - 删除记忆 │
└──────────────────┬──────────────────────────────────────┘
│
┌───────────┴───────────┐
▼ ▼
┌─────────────┐ ┌─────────────┐
│ Ollama │ │ DeepSeek │
│ (bge-m3) │ │ API │
│ Embedding │ │ 内容整理 │
└──────┬──────┘ └─────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ ChromaDB (Docker) │
│ └── 向量存储 + 元数据 │
└─────────────────────────────────────────────────────────┘git clone https://github.com/yourusername/kimi-memory-mcp.git
cd kimi-memory-mcpnpm install
npm run builddocker run -d --name chromadb -p 8000:8000 chromadb/chroma:latest编辑 ~/.kimi/mcp.json：
{
"mcpServers": {
"memory": {
"command": "node",
"args": ["/path/to/kimi-memory-mcp/dist/index.js"],
"env": {
"ANTHROPIC_AUTH_TOKEN": "your-deepseek-api-key",
"ANTHROPIC_BASE_URL": "https://api.deepseek.com/anthropic",
"ANTHROPIC_MODEL": "deepseek-chat"
}
}
}
}重启 Kimi Code CLI 后，记忆功能即可使用。
> 学习 /path/to/auth.js，用户认证模块
> 学习 /path/to/API设计.md，后端接口规范
> 学习 /path/to/周会.md，本周开发计划> 回忆一下用户登录怎么实现
> 上周会议说的待办事项有哪些
> 之前学习的认证相关代码在哪里> 查看我已让你学习的所有文件
> 忘记 /path/to/旧文件.jskimi-memory-mcp/
├── src/
│ ├── index.ts # MCP 服务器入口
│ ├── tools/
│ │ ├── embed.ts # 学习文件
│ │ ├── search.ts # 检索记忆
│ │ ├── list.ts # 列出记忆
│ │ └── forget.ts # 删除记忆
│ ├── store/
│ │ └── chroma_http.ts # ChromaDB HTTP 客户端
│ └── utils/
│ ├── ollama.ts # Ollama API 封装
│ ├── deepseek.ts # DeepSeek API 封装
│ └── splitter.ts # 文件切片器
├── dist/ # 编译后的 JS
├── package.json
├── tsconfig.json
└── README.md变量名 | 说明 | 默认值 |
| DeepSeek API Key | 必填 |
| DeepSeek API 地址 |
|
| 使用的模型 |
|
| ChromaDB 地址 |
|
| Ollama 地址 |
|
同时存储原始内容和 AI 整理后的结构化内容：
检索时优先匹配结构化内容（更准确）
需要细节时查看原始内容（更完整）
自动判断文件类型：
代码文件（.py, .js, .ts等）→ 直接切片
文档类（.md, .txt）→ DeepSeek 整理后存储
使用 Ollama 本地运行 bge-m3 模型：
无需联网即可生成向量
保护数据隐私
免费使用
Node.js >= 18
Docker (用于运行 ChromaDB)
Ollama (本地 Embedding 服务)
DeepSeek API Key (文档预处理)
# macOS/Linux
curl -fsSL https://ollama.com/install.sh | sh
# Windows
# 下载安装包: https://ollama.com/download/windowsollama pull bge-m3# 开发模式（自动编译）
npm run dev
# 构建
npm run build
# 测试连接
node dist/index.jsMIT License
Unclaimed servers have limited discoverability.
If you are the server author, to access and configure the admin panel.
Long-term memory for AI assistants. Hybrid retrieval, query expansion, auto-topics.
Persistent memory and knowledge graphs for AI agents. Hybrid search, context checkpoints, and more.
Persistent memory for AI agents. Search, store, and recall across sessions.
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/SARPixelPioneer/kimi-memory-mcp'
If you have feedback or need assistance with the MCP directory API, please join our Discord server