kiro-recall

Un servidor de memoria MCP local para Kiro CLI que le da a tu asistente de IA memoria semántica y persistente entre sesiones.

Inspirado en la arquitectura de memoria de Kiro Crew — reimplementado como un sistema ligero y autónomo que usa SQLite + embeddings de Ollama, con Obsidian como destino de sincronización legible por humanos.

Qué hace

• Memoria semántica — hechos estructurados clave-valor (pref.editor: Neovim, project.active: MyProject)

• Memoria episódica — fragmentos de conversación que decaen con el tiempo (vida media de ~23 días)

• Lecciones — correcciones y reglas que anulan toda otra memoria (prioridad más alta)

• Recuperación semántica — búsqueda de similitud vectorial mediante Qwen3-Embedding (1024 dimensiones, se ejecuta localmente)

• Sincronización con Obsidian — renderiza la memoria a markdown con [[wikilinks]] para la navegación por grafos

Related MCP server: tartarus-mcp

Arquitectura

┌──────────────────────────────────────────┐
│  Kiro CLI / any MCP client               │
│  Tools: Remember, Recall, Learn, Forget  │
└──────────────┬───────────────────────────┘
               │ stdio (MCP protocol)
       ┌───────▼───────┐          ┌─────────────────┐
       │  memory.db    │  sync →  │  Obsidian Vault  │
       │  (SQLite)     │          │  (Markdown)      │
       └───────┬───────┘          └─────────────────┘
               │
       ┌───────▼───────┐
       │  Ollama       │
       │  qwen3-embed  │
       │  (localhost)   │
       └───────────────┘

Requisitos

• macOS o Linux

• Python 3.10+

• Ollama (para embeddings locales)

• uv (recomendado) o pip

Instalación

git clone https://github.com/YOUR_USERNAME/kiro-recall.git
cd kiro-recall
bash install.sh

El script de instalación:

1. Instalar Ollama (si no está presente) y ejecutarlo como servicio

2. Descargar el modelo qwen3-embedding:0.6b

3. Crear un entorno virtual de Python e instalar dependencias

4. Instalar la configuración del servidor MCP en ~/.kiro/settings/mcp.json

5. Instalar el archivo de guía en ~/.kiro/steering/obsidian-memory.md

6. Opcionalmente, sembrar memoria desde una bóveda de Obsidian existente

Configuración manual

Si prefieres no usar el script de instalación:

# 1. Install Ollama and the embedding model
brew install ollama  # or: curl -fsSL https://ollama.com/install.sh | sh
brew services start ollama
ollama pull qwen3-embedding:0.6b

# 2. Create venv and install deps
uv venv .venv
uv pip install "mcp[cli]>=1.0.0" "httpx>=0.27.0"

# 3. Copy to ~/.kiro/memory
mkdir -p ~/.kiro/memory
cp server.py db.py embed.py obsidian_sync.py ~/.kiro/memory/

# 4. Add to MCP config (see install.sh for the JSON patch)

Herramientas MCP

Niveles de memoria

Formato de clave

• pref.* — Preferencias del usuario (pref.theme, pref.voice, pref.editor)

• project.* — Proyectos activos (project.active, project.stack)

• user.* — Hechos del usuario (user.role, user.company, user.tools)

Sincronización con Obsidian

Ejecutar manualmente o mediante cron:

~/.kiro/memory/.venv/bin/python ~/.kiro/memory/obsidian_sync.py

Salidas:

• Memory/Semantic.md — todos los hechos agrupados por prefijo

• Memory/Lessons.md — correcciones agrupadas por categoría

• Sessions/YYYY-MM-DD.md — memorias episódicas de hoy

Configuración

Establece la ruta de la bóveda de Obsidian mediante una variable de entorno (se solicita durante la instalación, se guarda en ~/.kiro/memory/.env):

export KIRO_MEMORY_VAULT="$HOME/Documents/Obsidian/My Vault"

El valor predeterminado es ~/Documents/Obsidian/Kiro Knowledge Base.

El endpoint de Ollama se configura en embed.py:

OLLAMA_URL = "http://localhost:11434/api/embed"
MODEL = "qwen3-embedding:0.6b"

Licencia

MIT