pasm-mcp-server
PASM MCP Server gives any MCP-capable AI client PASM's cognitive core: persistent memory, emotional continuity, and feedback-shaped behavior.
Retrieve ready-to-inject cognitive context (
pasm_context) with relevant memories, mood, persona, and action pool.Search long-term memory literally or semantically (
pasm_recall,pasm_semantic) with focus and forgetting weighting.Write and maintain memories (
pasm_observe,pasm_consolidate) and manage conversation focus (pasm_focus).Drive emotional state (
pasm_feel) and choose actions from persona/preferences (pasm_act).Shape future behavior through user feedback (
pasm_feedback).Run a complete template-rendered cognitive loop (
pasm_chat) or inspect/update persona (pasm_persona).Check status (
pasm_status) and persist state immediately (pasm_save).
Click on "Deploy 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., "@pasm-mcp-server Remember that I prefer bullet points and get frustrated with vague answers."
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.
PASM MCP Server · 给任意 AI 客户端装上长期记忆
把 PASM 的认知内核暴露成标准 MCP 工具。 你的大模型(IDE 插件 / 桌面 AI 客户端 / 自研 Agent)本身没有跨会话记忆、没有情绪连续性、 没有"被夸过就更爱做某件事"的行为倾向 —— 这个包就是给它补上这些。
一句话定位:PASM 不是"又一个聊天模型",是一个认知器官 —— 记忆、情绪、行为倾向。语言生成仍然由你自己的模型负责。
┌──────────────────────────┐ MCP (stdio) ┌──────────────────────┐
│ 你的 AI 客户端 / Agent │ ◄─────────────► │ pasm-mcp-server │
│ (负责说话与推理) │ 工具调用 │ (负责记住与感受) │
└──────────────────────────┘ └──────────────────────┘〇、PASM 生态索引(十一仓同频,2026-09-30 校准)
仓 | 角色 | 可见性 | 版本 |
| V2.0 独立认知底座(阶段 0-11:预测/记忆图/符号/双系统/量子/小脑/DMN/性格/LLM 桥,Alpha) | 公开 | 2.0.0a11 |
| 基座: | 公开 | 0.6.3 |
| 应用框架:HTTP 服务 / 路由 / 插件 + | 公开 | 0.5.4 |
| 成品智能体集(NPC / 陪伴 / 教学 / 客服 / 验证) | 公开 | 0.5.0 |
| MCP 接入层:给任意 AI 客户端装长期记忆( | 公开 | 0.3.1 |
| 领域智能体:领域顾问引擎 / 医疗辅助 / 专业客服 | 公开 | 0.1.1 · 0.1.0 · 0.2.0 |
| 教学版 + 认知引擎接口(不接 V2,保持纯净) | 公开 | — |
| 核心引擎(七层仿生 / 世界模型,含 | 私有 | 0.7.2 |
| 桌面应用发行通道(安装包 + | 公开 | 0.31.15(已发行) |
流向:PASM(核心)→ pasm-skills(基座)→ pasm-agents(智能体)→
pasm-mcp-server(分发)→ pasm-qclaw(桌面产品);PASM-Lite 是面向外界的教学窗口。
Related MCP server: sostenuto
一、快速开始
pip install pasm-mcp-server
pasm-mcp-server --selftest # 自检(16 项)接入客户端(以 Cursor 为例)
写到 .cursor/mcp.json(项目级)或 ~/.cursor/mcp.json(全局):
{
"mcpServers": {
"pasm": {
"command": "python",
"args": ["-m", "pasm_mcp_server"]
}
}
}Windows 上如果
python不在 PATH,把它换成绝对路径,例如"C:\\Python313\\python.exe"。
各客户端配置位置
客户端 | 配置文件 | 字段形状 |
Cursor |
|
|
Claude Desktop |
|
|
VS Code(Copilot Agent) |
|
|
自建 / 其他客户端 | 见 |
|
现成文件:examples/mcp_cursor.json ·
examples/mcp_claude_desktop.json ·
examples/mcp_vscode.json ·
examples/mcp_generic.json
校验是否接上:python examples/stdio_client_demo.py —— 它会真的起一个子进程、
做完整握手、逐个调用工具(和真实客户端做的事一模一样)。
二、工具有哪些(13 个)
认知核心
工具 | 干什么 |
| 首选。取"现在该记得什么 + 情绪如何 + 倾向做什么",拿去拼进提示词。只读,不写记忆 |
| 记忆检索(装了认知层自动走语义) |
| 语义检索 + 可解释:换说法也能命中,并给出每条的融合分 / 语义分 / 记忆保留度 |
| 把一件事写进长期记忆(重要度 1-5) |
| 报告带情绪效价的事件,驱动情绪演化 |
| 按「人格 + 学到的偏好」选一个动作 |
| 反馈塑形(务必带 |
记忆维护
工具 | 干什么 |
| 焦点栈:压入/查看"现在在聊什么",给检索加权 |
| 记忆巩固(睡眠回放):把重复经历蒸馏成要点。默认只出建议 |
管理
工具 | 干什么 |
| 完整认知回路对话一次(模板渲染,非 LLM) |
| 查看/合并更新人格 |
| 状态快照(档位、记忆量、认知层后端、焦点、归档) |
| 立即落盘 |
三、认知能力(0.2.0 起)
依赖 pasm-skills>=0.5.0 的认知层时自动启用,没有也能跑(退回字面匹配,功能降级不报错)。
能力 | 效果 |
语义检索 | 「我叫什么名字」能命中存成「姓名」的记忆(字面匹配做不到) |
遗忘曲线 | 久未唤起的记忆自然降权,学情更真实 |
记忆巩固 | 重复经历蒸馏成要点,记忆池不被撑爆 |
焦点栈 | 长对话不跑题 |
检索打分是可解释的:
score = 语义相似 × 0.62 + 记忆保留度 × 0.24 + 重要度 × 0.14 + 焦点加成换更好的向量后端(可选)
内置后端是零依赖离线的字符 n-gram hashing + 中文同义扩展,开箱即用。 想要真正的语义向量,配一个 OpenAI 兼容的 embedding 接口即可自动接管:
export PASM_EMBED_URL="https://<your-endpoint>/v1/embeddings"
export PASM_EMBED_MODEL="bge-m3"
export PASM_EMBED_KEY="<key>"也可以装 sentence-transformers 或 fastembed,会自动被识别。
pasm_status 会告诉你当前实际用的是哪个后端 —— 降级不隐藏。
四、环境变量
变量 | 作用 |
| 状态落盘根目录,默认 |
| 默认人格(JSON 字符串) |
| 本地开发逃生口:指向 |
| 可选:外部 embedding 接口 |
五、PASM 在整条链路里的位置
它不生成语言。正确用法是:先从 pasm_context 取认知上下文,再让你自己的模型说话。
用户说话 → pasm_context(query=用户的话) → 注入 brief 字段(不要整包!)
→ 你的模型生成回复
→ pasm_observe(值得记的事) → pasm_feedback(用户反应)省 token 接入规范(重要)
把 pasm_context 返回的 brief 字段拼进系统提示词,不要把整个返回体塞进去。
整包 JSON 含 recalled 全量摘要 / persona / action_pool / hint 等结构,实测约
900 tok/轮;而 brief 是专门为此生成的认知摘要,默认 ≈38 tok,省 ~96%。
brief 摘要固定保住 PASM 相对通用 LLM 最独特的东西,超预算按优先级整块丢弃(不腰斩):
块 | 内容 | 紧预算下 |
身份锚 + 情绪语义 |
| 永不丢 |
人格画像 |
| 保 |
显著度记忆 |
| 保 |
提示语 hint | 给宿主的操作说明 | 可丢 |
pasm_context 的相关字段:
字段 | 说明 |
| 注入用。默认即认知摘要(省 token 且不丢情绪/人格/记忆) |
| 始终是认知摘要(不受开关影响,供对照) |
| 始终是全量旧紧凑版(只带 mood + 3 标题,兼容旧客户端) |
|
|
| 摘要的字符数 / tok 估算 / kept / dropped(可观测,便于审计) |
可选参数:
digest: true|false——brief用摘要还是旧紧凑版(默认true;false回滚到旧行为)。digest_chars: int—— 摘要字符预算,默认80(≈38 tok);要连 hint 一起带可传220(≈80 tok)。 注意 220 档虽然信息更全,但仍远小于整包;只有确实需要宿主操作提示时才调大。
需要结构化细节(每条记忆的全量 brief / tags / 分类)时,另行调用
pasm_recall, 不要为了这些细节把pasm_context整包塞进提示词——那正是被上面的规范省掉的成本。
六、生态中的位置
仓 | 角色 | 可见性 |
| 基座: | 公开 |
| 成品智能体集(NPC / 陪伴 / 教学 / 验证) | 公开 |
| 本仓:MCP 接入层 | 公开 |
| 教学版 + 认知引擎接口 | 公开 |
| 核心引擎(七层仿生 / 世界模型) | 私有 |
| 桌面应用发行通道 | 公开 |
本包只依赖公开的 pasm-skills,不依赖私有核心。
装了核心的机器会自动从 light 档升到 bionic 档,没有也能正常跑。
七、打包发布(维护者)
python -m pip install --upgrade build twine
python -m build # 产出 dist/*.whl 与 dist/*.tar.gz
twine check dist/*
twine upload dist/* # 需要 PyPI tokenGitHub Actions 流水线见
docs/publish-workflow.example.yml(放到.github/workflows/publish.yml即生效;默认不放在那里是因为推送 workflow 需要 PAT 带workflow权限)。
许可
MIT
Available Tools
13 toolspasm_actB
让 PASM 按「人格基线 + 反馈学到的偏好」从动作池里选一个动作。不传 candidates 就用智能体自己的动作池。
Inputs: agent_id, candidates.
pasm_chatA
走一次完整认知回路:检索记忆 → 渲染回复 → 把这次对话写进记忆。回复是模板渲染、非 LLM 生成,用于快速验证或纯离线场景;要自然语言效果请用 pasm_context 配合你自己的模型。
Inputs: text (required), agent_id.
pasm_consolidateA
记忆巩固(睡眠回放):把高度相似的重复经历蒸馏成一条要点,并把源条目标记为已合并,避免记忆池被重复项撑爆。默认只给建议(apply=false),确认后传 apply=true 执行。
Inputs: apply, agent_id.
pasm_contextA
取 PASM 认知上下文(只读,不写记忆)。返回:与当前话题相关的长期记忆、当前情绪值、人格、可用动作池。这是把 PASM 接进大模型提示词的首选工具 —— 先调它,再把 recalled 里的内容当作'你确实记得的事'写进回复。
Inputs: k, query, digest, agent_id, +1 more.
pasm_feedbackA
用户对 PASM 行为的反馈,会塑形后续动作选择。kind: praise(夸奖)/scold(责怪)/poke(调侃)/hug(安慰)/ignore(无视)。必须尽量带 action(被评价的那个动作名),否则偏好会集中在某一个动作上。
Inputs: kind (required), action, agent_id.
pasm_feelA
向 PASM 报告一个带情绪效价的事件,驱动情绪状态演化(valence: -1 负面 ~ +1 正面)。
Inputs: event (required), valence (required), agent_id.
pasm_focusA
焦点栈:查看或更新'现在在聊什么'。长对话里先压入当前话题,后续检索会自动给相关内容加权,避免跑题。不传 topic 就是查看。
Inputs: n, topic, weight, agent_id, +1 more.
pasm_observeA
把一件事写进 PASM 长期记忆。值得记住的用户信息、承诺、偏好、共同经历都应该写进来。salience 越高越不容易被淘汰(1-5,重要的事用 4-5)。
Inputs: title (required), tags, brief, agent_id, +2 more.
pasm_personaA
查看或更新人格。不传 persona 就是查看。传入为合并更新(未提及的键保持原值)。常用键:name/role/tone/temper(0-1 主动性)/energy(0-1 活跃度)/play(0-1 俏皮度)/actions(动作池数组)。
Inputs: persona, agent_id.
pasm_recallC
在 PASM 长期记忆里检索与 query 相关的经历,返回标题/摘要/标签/重要度。
Inputs: query (required), k, agent_id.
pasm_saveA
把 PASM 状态立即落盘(不传 agent_id 则保存全部已加载的智能体)。
Inputs: agent_id.
pasm_semanticA
语义检索(认知层):换一种说法也能命中,并解释每条为什么被召回。适合当 pasm_recall 检索不到时的第二步 —— 它走向量 + 中文同义扩展,并按'记忆保留度'加权(很久没被唤起的记忆会自然降权)。
Inputs: query (required), k, agent_id, use_focus, +1 more.
pasm_statusB
查看 PASM 状态快照:档位(light/core/bionic)、记忆条数、情绪值、交互次数、落盘目录。
Inputs: agent_id.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 13 tools
Most tools have clearly distinct roles, and the descriptions actively sequence the three retrieval paths (pasm_context first, pasm_recall as keyword fallback, pasm_semantic as the semantic step), which resolves most of the overlap. Residual ambiguity remains between pasm_chat (which internally does retrieve+render+write) and the context/observe pair, and pasm_persona/pasm_focus both use the 'omit arg = read, pass arg = write' dual-mode pattern, which is easy to misselect.
Every tool follows the identical pasm_<lowercase_verb_or_noun> snake_case pattern with no exceptions or style drift. The single shared prefix also makes the tool family instantly recognizable.
13 tools sit squarely in the well-scoped range and each maps to a distinct cognitive sub-function (persona, status, save, retrieve, write, focus, consolidate, emotion, action, feedback, chat). Nothing appears redundant enough to drop.
The memory lifecycle covers write (observe), retrieve (recall/semantic/context), and consolidate, but there is no delete/forget operation, no way to edit or fetch a single memory by ID, and no list/browse with pagination — an agent that writes a wrong or stale memory has no direct correction path. Consolidation offers only partial mitigation.
Maintenance
Related MCP Connectors
Persistent memory, knowledge graph, task management and more for AI agents via MCP.
Persistent memory for AI agents to retain, retrieve, and recall conversation context through MCP.
Your memory, everywhere AI goes. Build knowledge once, access it via MCP anywhere.
Cross-tool persistent memory and context for AI assistants over MCP.
Related MCP Servers
- AlicenseAqualityFmaintenanceProvides persistent personal context (identity, projects, decisions, knowledge) to MCP-compatible AI tools, eliminating the need to re-explain yourself across sessions.251 npm1MIT
- AlicenseNot gradedqualityCmaintenanceProvides a selective persistent memory layer for AI companions, enabling structured recall, reinforcement, and time-decayed retrieval through an MCP interface.17 npm1MIT
- AlicenseNot gradedqualityDmaintenanceProvides persistent, cloud-based memory for AI agents, letting them remember preferences, skills, and decisions across sessions via an MCP-compatible interface.Apache 2.0
- AlicenseNot gradedqualityBmaintenanceEnables AI agents to maintain a persistent identity and structured memory—including reasoning patterns, episodic history, and knowledge—while exposing procedures for managing that memory over MCP.Apache 2.0