kiro-recall

Локальный MCP-сервер памяти для Kiro CLI, который даёт вашему ИИ-ассистенту постоянную семантическую память между сессиями.

Вдохновлён архитектурой памяти Kiro Crew, переработан как лёгкая самодостаточная система на SQLite + Ollama, с Obsidian в качестве цели синхронизации.

Что это

• Семантическая память — структурированные факты (ключ-значение): pref.editor: Neovim, project.active: MyProject

• Эпизодическая память — фрагменты разговоров, которые со временем затухают (период полураспада ~23 дня)

• Уроки — исправления и правила, которые имеют приоритет над всей остальной памятью (наивысший приоритет)

• Семантический поиск — векторный поиск по сходству через Qwen3-Embedding (1024-мерный, работает локально)

• Синхронизация с Obsidian — рендеринг памяти в Markdown с [[вики-ссылками]] для навигации по графу

Related MCP server: tartarus-mcp

Архитектура

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

Требования

• macOS или Linux

• Python 3.10+

• Ollama (для локальных эмбеддингов)

• uv (рекомендуется) или pip

Установка

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

Скрипт установки выполнит следующее:

1. Установит Ollama (если отсутствует) и запустит его как службу

2. Загрузит модель qwen3-embedding:0.6b

3. Создаст виртуальное окружение Python и установит зависимости

4. Установит конфигурацию MCP-сервера в ~/.kiro/settings/mcp.json

5. Установит файл управления в ~/.kiro/steering/obsidian-memory.md

6. При необходимости заполнит память из существующего хранилища Obsidian

Ручная настройка

Если вы предпочитаете не использовать скрипт установки:

# 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)

Инструменты MCP

Уровни памяти

Формат ключей

• pref.* — предпочтения пользователя (pref.theme, pref.voice, pref.editor)

• project.* — активные проекты (project.active, project.stack)

• user.* — факты о пользователе (user.role, user.company, user.tools)

Синхронизация с Obsidian

Запуск вручную или через cron:

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

Результаты:

• Memory/Semantic.md — все факты, сгруппированные по префиксам

• Memory/Lessons.md — исправления, сгруппированные по категориям

• Sessions/YYYY-MM-DD.md — эпизодические воспоминания за сегодня

Конфигурация

Задайте путь к хранилищу Obsidian через переменную окружения (запрашивается при установке, сохраняется в ~/.kiro/memory/.env):

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

По умолчанию используется ~/Documents/Obsidian/Kiro Knowledge Base.

Конечная точка Ollama задаётся в embed.py:

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

Лицензия

MIT