Базовая память

Базовая память позволяет вам создавать устойчивые знания посредством естественных разговоров с Большими языковыми моделями (LLM), такими как Клод, сохраняя все в простых файлах Markdown на вашем компьютере. Он использует протокол контекста модели (MCP), чтобы любой совместимый LLM мог читать и записывать в вашу локальную базу знаний.

• Сайт: https://basicmachines.co

• Документация: https://memory.basicmachines.co

Продолжайте разговор с того места, где вы остановились.

• Помощники на основе искусственного интеллекта могут загружать контекст из локальных файлов в новый разговор

• Заметки сохраняются локально в виде файлов Markdown в режиме реального времени.

• Не требуется никаких знаний проекта или специальных подсказок.

https://github.com/user-attachments/assets/a55d8238-8dd0-454a-be4c-8860dbbd0ddc

Related MCP server: memento-mcp

Быстрый старт

# Install with uv (recommended)
uv tool install basic-memory

# Configure Claude Desktop (edit ~/Library/Application Support/Claude/claude_desktop_config.json)
# Add this to your config:
{
  "mcpServers": {
    "basic-memory": {
      "command": "uvx",
      "args": [
        "basic-memory",
        "mcp"
      ]
    }
  }
}
# Now in Claude Desktop, you can:
# - Write notes with "Create a note about coffee brewing methods"
# - Read notes with "What do I know about pour over coffee?"
# - Search with "Find information about Ethiopian beans"

Вы можете просмотреть общий контекст через файлы в ~/basic-memory (расположение каталога по умолчанию).

Альтернативная установка через кузницу

Вы можете использовать Smithery для автоматической настройки базовой памяти для Claude Desktop:

npx -y @smithery/cli install @basicmachines-co/basic-memory --client claude

Это устанавливает и настраивает базовую память без необходимости ручного редактирования файла конфигурации Claude Desktop. Сервер Smithery размещает компонент сервера MCP, в то время как ваши данные остаются локально сохраненными в виде файлов Markdown.

Глама.ай

Почему базовая память?

Большинство взаимодействий LLM эфемерны — вы задаете вопрос, получаете ответ, и все забывается. Каждый разговор начинается заново, без контекста или знаний из предыдущих. Текущие обходные пути имеют ограничения:

• Истории чатов фиксируют разговоры, но не являются структурированными знаниями.

• Системы RAG могут запрашивать документы, но не позволяют LLM писать ответ

• Векторные базы данных требуют сложных настроек и часто находятся в облаке.

• Для поддержки графов знаний обычно требуются специализированные инструменты.

Базовая память решает эти проблемы с помощью простого подхода: структурированные файлы Markdown, которые могут читать и писать как люди, так и LLM. Ключевые преимущества:

• Локально: все знания хранятся в файлах, которые вы контролируете

• Двунаправленный: и вы, и LLM читаете и пишете в одни и те же файлы

• Структурированный, но простой: использует знакомый Markdown с семантическими шаблонами

• Проходимый граф знаний: LLM могут отслеживать связи между темами

• Стандартные форматы: Работает с существующими редакторами, такими как Obsidian.

• Облегченная инфраструктура: только локальные файлы, индексированные в локальной базе данных SQLite.

С помощью базовой памяти вы можете:

• Ведите беседы, которые основываются на предыдущих знаниях

• Создавайте структурированные заметки во время естественных разговоров

• Общайтесь с магистрами права, которые помнят, о чем вы уже говорили ранее

• Семантически перемещайтесь по графу знаний

• Держите все локально и под своим контролем

• Используйте знакомые инструменты, такие как Obsidian, для просмотра и редактирования заметок

• Создайте личную базу знаний, которая будет расти со временем

Как это работает на практике

Допустим, вы изучаете методы заваривания кофе и хотите закрепить свои знания. Вот как это работает:

1. Начните с обычного чата:

I've been experimenting with different coffee brewing methods. Key things I've learned:

- Pour over gives more clarity in flavor than French press
- Water temperature is critical - around 205°F seems best
- Freshly ground beans make a huge difference

...продолжить разговор.

2. Попросите магистра права помочь структурировать эти знания:

"Let's write a note about coffee brewing methods."

LLM создает новый файл Markdown в вашей системе (который вы можете мгновенно увидеть в Obsidian или вашем редакторе):

---
title: Coffee Brewing Methods
permalink: coffee-brewing-methods
tags:
- coffee
- brewing
---

# Coffee Brewing Methods

## Observations

- [method] Pour over provides more clarity and highlights subtle flavors
- [technique] Water temperature at 205°F (96°C) extracts optimal compounds
- [principle] Freshly ground beans preserve aromatics and flavor

## Relations

- relates_to [[Coffee Bean Origins]]
- requires [[Proper Grinding Technique]]
- affects [[Flavor Extraction]]

Заметка содержит семантическое содержание и ссылки на другие темы с помощью простого форматирования Markdown.

3. Вы видите этот файл на своем компьютере в режиме реального времени в текущем каталоге проекта (по умолчанию ~/$HOME/basic-memory ).

• Синхронизация в реальном времени включена по умолчанию в версии v0.12.0.

4. В чате с LLM вы можете упомянуть тему:

Look at `coffee-brewing-methods` for context about pour over coffee

LLM теперь может создавать богатый контекст из графа знаний. Например:

Following relation 'relates_to [[Coffee Bean Origins]]':
- Found information about Ethiopian Yirgacheffe
- Notes on Colombian beans' nutty profile
- Altitude effects on bean characteristics

Following relation 'requires [[Proper Grinding Technique]]':
- Burr vs. blade grinder comparisons
- Grind size recommendations for different methods
- Impact of consistent particle size on extraction

Каждый связанный документ может привести к более глубокому контексту, создавая богатое семантическое понимание вашей базы знаний.

Это создает двусторонний поток, где:

• Люди пишут и редактируют файлы Markdown

• LLM читают и пишут через протокол MCP

• Синхронизация обеспечивает единообразие всего

• Все знания сохраняются в локальных файлах.

Техническая реализация

Под капотом базовая память:

1. Сохраняет все в файлах Markdown

2. Использует базу данных SQLite для поиска и индексации

3. Извлекает семантическое значение из простых шаблонов Markdown

   • Файлы становятся объектами Entity

   • Каждая Entity может иметь Observations или факты, связанные с ней.

   • Relations связывают сущности вместе, формируя граф знаний.

4. Поддерживает локальный график знаний, полученный из файлов

5. Обеспечивает двунаправленную синхронизацию между файлами и графом знаний.

6. Реализует протокол контекста модели (MCP) для интеграции ИИ

7. Предоставляет инструменты, которые позволяют помощникам на основе искусственного интеллекта перемещаться по графу знаний и манипулировать им

8. Использует URL-адреса memory:// для ссылки на сущности в инструментах и диалогах.

Формат файла — просто Markdown с простой разметкой:

Каждый файл Markdown имеет:

Frontmatter

title: <Entity title>
type: <The type of Entity> (e.g. note)
permalink: <a uri slug>

- <optional metadata> (such as tags) 

Наблюдения

Наблюдения — это факты о теме. Их можно добавить, создав список Markdown со специальным форматом, который может ссылаться на category , tags с использованием символа «#» и необязательный context .

Формат Markdown для наблюдений:

- [category] content #tag (optional context)

Примеры наблюдений:

- [method] Pour over extracts more floral notes than French press
- [tip] Grind size should be medium-fine for pour over #brewing
- [preference] Ethiopian beans have bright, fruity flavors (especially from Yirgacheffe)
- [fact] Lighter roasts generally contain more caffeine than dark roasts
- [experiment] Tried 1:15 coffee-to-water ratio with good results
- [resource] James Hoffman's V60 technique on YouTube is excellent
- [question] Does water temperature affect extraction of different compounds differently?
- [note] My favorite local shop uses a 30-second bloom time

Отношения

Отношения — это ссылки на другие темы. Они определяют, как сущности соединяются в графе знаний.

Формат разметки:

- relation_type [[WikiLink]] (optional context)

Примеры отношений:

- pairs_well_with [[Chocolate Desserts]]
- grown_in [[Ethiopia]]
- contrasts_with [[Tea Brewing Methods]]
- requires [[Burr Grinder]]
- improves_with [[Fresh Beans]]
- relates_to [[Morning Routine]]
- inspired_by [[Japanese Coffee Culture]]
- documented_in [[Coffee Journal]]

Использование с VS Code

Для установки в один клик нажмите одну из кнопок установки ниже...

Вы можете использовать Basic Memory с VS Code для легкого извлечения и сохранения информации во время кодирования. Нажмите кнопки установки выше для настройки в один клик или следуйте инструкциям по ручной установке ниже.

Ручная установка

Добавьте следующий блок JSON в файл настроек пользователя (JSON) в VS Code. Это можно сделать, нажав Ctrl + Shift + P и введя Preferences: Open User Settings (JSON) .

{
  "mcp": {
    "servers": {
      "basic-memory": {
        "command": "uvx",
        "args": ["basic-memory", "mcp"]
      }
    }
  }
}

При желании вы можете добавить его в файл .vscode/mcp.json в вашем рабочем пространстве. Это позволит вам поделиться конфигурацией с другими.

{
  "servers": {
    "basic-memory": {
      "command": "uvx",
      "args": ["basic-memory", "mcp"]
    }
  }
}

Использование с Claude Desktop

Базовая память построена с использованием протокола MCP (Model Context Protocol) и работает с настольным приложением Claude ( https://claude.ai/ ):

1. Настройте Claude Desktop для использования базовой памяти:

Отредактируйте файл конфигурации MCP (обычно он находится в ~/Library/Application Support/Claude/claude_desktop_config.json для OS X):

{
  "mcpServers": {
    "basic-memory": {
      "command": "uvx",
      "args": [
        "basic-memory",
        "mcp"
      ]
    }
  }
}

Если вы хотите использовать определенный проект (см. Несколько проектов ), обновите конфигурацию Claude Desktop:

{
  "mcpServers": {
    "basic-memory": {
      "command": "uvx",
      "args": [
        "basic-memory",
        "--project",
        "your-project-name",
        "mcp"
      ]
    }
  }
}

2. Синхронизируйте свои знания:

Базовая память синхронизирует файлы вашего проекта в режиме реального времени, если вы вносите изменения вручную.

3. В Claude Desktop магистр права теперь может использовать следующие инструменты:

write_note(title, content, folder, tags) - Create or update notes
read_note(identifier, page, page_size) - Read notes by title or permalink
build_context(url, depth, timeframe) - Navigate knowledge graph via memory:// URLs
search_notes(query, page, page_size) - Search across your knowledge base
recent_activity(type, depth, timeframe) - Find recently updated information
canvas(nodes, edges, title, folder) - Generate knowledge visualizations

5. Примеры подсказок для пробы:

"Create a note about our project architecture decisions"
"Find information about JWT authentication in my notes"
"Create a canvas visualization of my project components"
"Read my notes on the authentication system"
"What have I been working on in the past week?"

Дополнительная информация

Более подробную информацию смотрите в документации , в том числе:

• Полное руководство пользователя

• CLI-инструменты

• Управление несколькими проектами

• Импорт данных из OpenAI/Claude Projects

Лицензия

АГПЛ-3.0

Вклады приветствуются. См. руководство по вкладам для получения информации о настройке проекта локально и подаче PR.

История Звезды

Создано с ♥️ компанией Basic Machines