МКП-память

Сервер протокола контекста модели (MCP), реализующий решения по памяти для приложений с большим объемом данных и эффективными возможностями графа знаний.

Обзор

Этот сервер MCP реализует решение памяти для приложений с большим объемом данных, которые включают поиск информации из многих источников, включая загруженные файлы. Он использует HippoRAG внутренне для управления памятью через эффективный граф знаний. HippoRAG является обязательной зависимостью для этого пакета.

Related MCP server: Memory Custom

Функции

Память на основе сеансов : создание и управление памятью для определенных сеансов чата.
Эффективный граф знаний : использует HippoRAG для управления памятью
Поддержка множественного транспорта : работает как с транспортами stdio, так и с транспортами SSE.
Возможности поиска : поиск информации из различных источников, включая загруженные файлы.
Автоматическое управление ресурсами : очистка на основе TTL как для сеансов, так и для экземпляров памяти

Установка

Установка из PyPI:

pip install mcp-mem hipporag

Или установите из исходного кода:

git clone https://github.com/ddkang1/mcp-mem.git
cd mcp-mem
pip install -e .
pip install hipporag

Примечание: HippoRAG является обязательной зависимостью для функционирования mcp-mem.

Использование

Вы можете запустить сервер MCP напрямую:

mcp-mem

По умолчанию используется транспорт stdio. Для использования транспорта SSE:

mcp-mem --sse

Вы также можете указать хост и порт для транспорта SSE:

mcp-mem --sse --host 127.0.0.1 --port 3001

Конфигурация

Базовая конфигурация

Чтобы использовать этот инструмент с Клодом в Windsurf, добавьте следующую конфигурацию в файл конфигурации MCP:

"memory": {
    "command": "/path/to/mcp-mem",
    "args": [],
    "type": "stdio",
    "pollingInterval": 30000,
    "startupTimeout": 30000,
    "restartOnFailure": true
}

Поле command должно указывать на каталог, в который вы установили пакет Python с помощью pip.

Конфигурация переменных среды

Вы можете настроить LLM и модели встраивания, используемые mcp-mem, с помощью переменных среды:

EMBEDDING_MODEL_NAME : Имя используемой модели внедрения (по умолчанию: «text-embedding-3-large»)
EMBEDDING_BASE_URL : Базовый URL для API встраивания (необязательно)
LLM_NAME : Имя используемой модели LLM (по умолчанию: «gpt-4o-mini»).
LLM_BASE_URL : Базовый URL для API LLM (необязательно)
OPENAI_API_KEY : ключ API OpenAI (обязательно)

Конфигурация управления памятью

Сервер включает в себя функции автоматического управления ресурсами:

Session TTL : Автоматически удаляет каталоги сеансов после указанного количества дней бездействия. Устанавливается с помощью параметра конфигурации session_ttl_days (по умолчанию: None — отключено).
Instance TTL : Автоматически выгружает экземпляры HippoRAG из памяти после указанного периода бездействия. Устанавливается с помощью параметра конфигурации instance_ttl_minutes (по умолчанию: 30 минут).
Эта функция помогает управлять использованием памяти, выгружая неактивные экземпляры, сохраняя при этом базовые данные. Когда выгруженный экземпляр снова будет доступен, он будет автоматически перезагружен с диска.

Пример использования:

EMBEDDING_MODEL_NAME="your-model" LLM_NAME="your-llm" mcp-mem

Для удобства вы можете воспользоваться предоставленным примером скрипта:

./examples/run_with_env_vars.sh

Доступные инструменты

Сервер MCP предоставляет следующие инструменты:

create_memory : Создать новое воспоминание для данного сеанса чата
store_memory : Добавить память к определенному сеансу
retrieve_memory : Извлечь память из определенного сеанса

Разработка

Установка для развития

git clone https://github.com/ddkang1/mcp-mem.git
cd mcp-mem
pip install -e ".[dev]"

Проведение тестов

pytest

Стиль кода

В этом проекте используется Black для форматирования, isort для сортировки импорта и flake8 для линтинга:

black src tests
isort src tests
flake8 src tests

Внося вклад

Вклады приветствуются! Пожалуйста, не стесняйтесь отправлять запрос на включение.

Лицензия

Данный проект лицензирован по лицензии MIT — подробности см. в файле LICENSE .

MCP Memory