Skip to main content
Glama
memanto-mcp
by geoffsdesk

memanto-mcp

Typisiertes semantisches Gedächtnis für Claude. Gedächtnis mit Meinung, konzipiert für regulierte B2B-Agenten.

Die meisten "Memory-MCP"-Server bieten Ihnen save_memory(text) und das war es dann. Dieser Server liefert ein meinungsstarkes Gedächtnismodell — typisierte Datensätze (fact, decision, commitment, instruction, …), Herkunftsnachweis und Konfidenz bei jedem Schreibvorgang, mandantenfähige Bereichsabgrenzung und bi-temporaler Abruf — zusammen mit einer Claude-Fähigkeit (Skill), die dem Modell sagt, wann es sich erinnern, abrufen oder antworten soll und wie Zitate und Mandantentrennung sauber gehalten werden.

Wenn Sie B2B-Agenten auf der Plattform von Anthropic entwickeln — für Rechtstechnologie, Finanzen, Gesundheitswesen, Kundenservice, interne Wissensarbeit —, dann ist dies die Zielgruppe, für die das System gebaut wurde.

Was ist das Besondere

  • Typisiertes Gedächtnis. Dreizehn erstklassige Gedächtnistypen (fact, preference, goal, decision, commitment, instruction, relationship, context, observation, event, artifact, learning, error). Falscher Typ = verrauschter Abruf. Die Wahl des richtigen Typs ist Teil des API-Vertrags.

  • Herkunftsnachweis und Konfidenz für jeden Datensatz. explicit_statement / inferred / observed / validated / corrected / imported, plus ein Konfidenzwert von 0,0–1,0. Filterbar beim Abruf über min_confidence. Der Audit-Trail ist in den Daten enthalten, nicht nachträglich angefügt.

  • Bi-temporale Lesezugriffe. recall_as_of(date) gibt das Gedächtnis so zurück, wie es zu einem bestimmten Datum war; recall_current schließt ersetzte/abgelaufene Datensätze aus. Entwickelt für Workflows der Art "Was wussten wir am ".

  • Ein gebündelter Claude-Skill, der sich auszahlt. skills/memanto-memory/SKILL.md weist Claude an, wann jedes Verb zu verwenden ist, wie Speicherbereiche über einen zusammengesetzten agent_id an Mandantengrenzen angepasst werden, wann roher Abruf besser ist als synthetisierte Antworten (Entwurf von extern gerichteten Texten → immer roher Abruf) und wie Gedächtnisinhalte beim Lesen als nicht vertrauenswürdig zu behandeln sind.

  • Ein Prozess. Kapselt die memanto Python-Serviceschicht direkt — kein separater REST-Prozess erforderlich.

Related MCP server: CozoDB Memory MCP Server

Was dies nicht ist

  • Kein allgemeiner Vektorspeicher. Die Gedächtniseinträge sind kurz, strukturiert und typisiert; wenn Sie 100.000 Verträge indizieren müssen, tun Sie dies in Ihrem Dokumentenspeicher und nutzen Sie dies für die Entscheidungen, Verpflichtungen und Beobachtungen, die der Agent darüber trifft.

  • Nicht (bisher) Backend-agnostisch. Derzeit an Moorcheh als Vektor-Backend gekoppelt. Der kostenlose Tarif umfasst 100.000 Operationen/Monat; austauschbare Backends stehen auf der Roadmap.

  • Kein unternehmensweites Auditsystem. Der Skill ist meinungsstark bezüglich dessen, was regulierte Implementierungen benötigen; der Server erzwingt noch nicht alles davon. Siehe Roadmap für die Lücken.

Tools

Neun MCP-Tools, unter dem Namespace memanto:

Tool

Zweck

memanto_remember

Speichern eines typisierten Gedächtniseintrags (fact, preference, goal, decision, …)

memanto_recall

Semantische Suche im Gedächtnis eines Agenten

memanto_recall_current

Abruf nur aktuell aktiver (nicht ersetzter) Gedächtniseinträge

memanto_recall_as_of

Abruf zu einem bestimmten Datum

memanto_answer

RAG-gestützte Antwort unter Verwendung des eingebauten LLM von memanto

memanto_create_agent

Bereitstellung eines neuen Agenten (erstellt einen Moorcheh-Namespace)

memanto_list_agents

Auflisten bekannter Agenten

memanto_get_agent

Abrufen der Metadaten eines einzelnen Agenten

memanto_delete_agent

Löschen eines Agenten und seines gesamten Gedächtnisses (destruktiv)

Installation

Als Cowork-Plugin (Anthropics Cowork-Modus)

  1. Laden Sie das neueste memanto-mcp.plugin Release herunter.

  2. Ziehen Sie es über die Plugin-Installations-UI in Cowork.

  3. Setzen Sie MOORCHEH_API_KEY in der Umgebung, die Cowork erbt, und starten Sie Cowork neu.

Als eigenständiger MCP-Server (Claude Code, Cline, Cursor, Continue, …)

pip install memanto-mcp
export MOORCHEH_API_KEY="mch_..."

Zeigen Sie dann Ihren MCP-Host auf die Binärdatei. Claude Code:

claude mcp add memanto -- memanto-mcp

Cursor / Cline / Continue: Fügen Sie es Ihrer MCP-Konfiguration als stdio-Server mit dem Befehl memanto-mcp hinzu.

Damit der gebündelte Skill in MCP-Hosts geladen wird, die Skills unterstützen (Cowork, Claude Code mit dem Skills-Plugin), kopieren Sie skills/memanto-memory/SKILL.md in das Skills-Verzeichnis des Hosts.

Erhalten eines Moorcheh API-Keys

Registrieren Sie sich unter https://console.moorcheh.ai/api-keys. Der kostenlose Tarif umfasst 100.000 Operationen/Monat.

Erster Durchlauf

> Create a memanto agent called acme:matter-4711:user-jdoe and remember
> that this matter has a 60-day notice period.

Claude ruft memanto_create_agent auf, dann memanto_remember(memory_type="fact", content="Matter 4711 (Acme): 60-day notice period.", confidence=0.95).

> What do we know about Matter 4711?

Claude ruft memanto_recall(query="Matter 4711", agent_id="acme:matter-4711:user-jdoe") auf und zitiert den gespeicherten Fakt.

> What was our position on Matter 4711 before the redesign on 2026-03-01?

Claude ruft memanto_recall_as_of(query="Matter 4711 position", agent_id=..., as_of_date="2026-02-28") auf.

Wie der Skill über Bereichsabgrenzung denkt

Der Server verwendet agent_id als Primitiv für die Bereichsabgrenzung. Der Skill bringt Claude bei, dies als zusammengesetzten Schlüssel zu behandeln:

agent_id = "<tenant>:<workspace>:<actor>"

Zum Beispiel: acme:matter-4711:user-jdoe. Mandantenübergreifender Abruf ist der Fehler mit den schwerwiegendsten Auswirkungen in produktiven Gedächtnissystemen — der Skill bringt Claude dazu, dies lautstark abzulehnen, anstatt stillschweigend leere Ergebnisse zurückzugeben, wenn die Grenze falsch ist.

Für Achsen, die nicht in den zusammengesetzten Schlüssel passen (Rechtsordnung, Region, Interessenkonfliktgruppe, Produktlinie), verwenden Sie tags — diese sind beim Abruf filterbar.

Entwurfsregel

Wenn der Benutzer extern gerichtete Texte verfasst — eine Vertragsänderung, eine E-Mail an Kunden, eine behördliche Einreichung, eine klinische Zusammenfassung, ein Briefing-Memo —, weist der Skill Claude an, memanto_recall (rohe Treffer) zu verwenden und zu zitieren, nicht memanto_answer (synthetisiert). Die Audit-Kosten für ein paraphrasiertes Zitat sind zu hoch.

Wenn der Benutzer recherchiert, erkundet oder sich selbst briefed, ist memanto_answer in Ordnung.

Roadmap

Die ehrlichen Lücken — was der Skill voraussetzt, was Sie in einer vollständig regulierten Bereitstellung wünschen würden, und was der Server noch nicht tut — sind in ROADMAP.md dokumentiert. Highlights: strukturierte source_uri + source_span Felder (Zitate werden derzeit innerhalb von content kodiert), versionierte Mutationen + Redact-API, austauschbare Speicher-Backends und ein HTTP-Transport für Nicht-stdio-Hosts.

Repository-Struktur

memanto-mcp/
├── .claude-plugin/plugin.json       # Cowork plugin manifest
├── .mcp.json                        # MCP server registration (Cowork)
├── server/memanto_mcp_server.py     # FastMCP server (stdio)
├── skills/memanto-memory/SKILL.md   # the bundled skill
├── pyproject.toml                   # for `pip install memanto-mcp`
├── README.md                        # this file
├── ROADMAP.md                       # what's missing, ranked
├── CONTRIBUTING.md
├── CHANGELOG.md
├── LICENSE                          # MIT
└── docs/
    └── launch-post.md               # cross-post draft

Mitwirken

Siehe CONTRIBUTING.md. Die zwei wirkungsvollsten Beiträge sind derzeit (1) ein austauschbares Speicher-Backend (Schnittstelle + eine SQLite- oder pgvector-Implementierung) und (2) ein strukturiertes Zitier-Modell (source_uri + source_span + quote). Beide stehen auf der Roadmap.

Lizenz

MIT. Siehe LICENSE.

Credits

  • memanto und Moorcheh — das typisierte Gedächtnismodell und Vektor-Backend, das hier gekapselt wird.

  • Anthropics MCP und Agent Skills — das Protokoll und das Skill-Format.

  • Die Teams, die unternehmensweite agentische Systeme bereitstellen, deren veröffentlichte Muster den Skill beeinflusst haben: Harvey, Hebbia, Robin AI, Clio, EvenUp, Casetext.

Nicht mit Anthropic oder Moorcheh verbunden.

Available Tools

9 tools
memanto_answerB

RAG-grounded answer using the agent's memory.

Memanto retrieves relevant memories and synthesizes an answer with citations. Use this when the user wants a synthesized response, not raw search hits.

Inputs: query (required), agent_id (required). Returns: object

memanto_create_agentA

Create a new agent (provisions a dedicated Moorcheh namespace).

Args: agent_id: Unique kebab-case identifier (e.g. 'customer-support', 'geoff-personal'). description: Optional human description. pattern: One of support, project, tool. Default 'support'.

Inputs: agent_id (required), pattern, description. Returns: object

memanto_delete_agentA

Delete an agent and its memory namespace.

DESTRUCTIVE: this removes the agent's stored memories. Confirm with the user before calling.

Inputs: agent_id (required). Returns: object

memanto_get_agentB

Get metadata for a single agent (or None if it doesn't exist).

Inputs: agent_id (required). Returns: result

memanto_list_agentsA

List all agents this MCP server knows about.

Inputs: no named parameters. Returns: object

memanto_recallB

Semantic search over an agent's memory.

Args: query: Natural-language query. agent_id: Whose memory to search. memory_types: Optional filter by type(s). tags: Optional filter by tag(s). limit: Max results (default 10). min_confidence: Optional minimum confidence threshold.

Returns: dict with search hits (content, score, metadata).

Inputs: query (required), agent_id (required), tags, limit, +2 more. Returns: object

memanto_recall_as_ofC

Recall memories as they existed at a specific date.

Args: as_of_date: ISO 8601 date or datetime (e.g. '2026-01-15' or '2026-01-15T12:00:00Z').

Inputs: query (required), agent_id (required), as_of_date (required), tags, +2 more. Returns: object

memanto_recall_currentC

Recall only currently-active memories (excludes superseded, expired, deleted).

Inputs: query (required), agent_id (required), tags, limit, +1 more. Returns: object

memanto_rememberA

Store a typed memory for an agent.

Args: agent_id: Which agent's memory to write to (must already exist; create with memanto_create_agent). content: The memory content (1–10000 chars). memory_type: One of fact, preference, goal, decision, artifact, learning, event, instruction, relationship, context, observation, commitment, error. title: Optional short title; auto-derived from content if omitted. tags: Optional list of free-form tags for filtering on recall. confidence: Confidence score in [0.0, 1.0]; defaults to 0.8. source: Free-form source label (e.g. "claude", "user", a tool name). provenance: How the memory was obtained — explicit_statement, inferred, observed, validated, corrected, imported.

Returns: dict with the stored memory's id and namespace.

Inputs: content (required), agent_id (required), tags, title, +4 more. Returns: object

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    A3.5/5.0

    Scored across 9 tools

    Disambiguation3/5

    The forget/remember/recall core is clear, but three retrieval tools (recall, recall_as_of, recall_current) overlap: the docs never state whether plain `recall` already excludes superseded memories, and recall_as_of/recall_current document no agent_id or filter args, so an agent cannot tell whether they are scoped per-agent or global. The remember-vs-answer split (raw storage vs synthesized RAG) is well delineated.

    Naming Consistency5/5

    Every tool uses the same `memanto_` prefix with a snake_case verb or verb_object form (remember, recall, answer, create_agent, list_agents, get_agent, delete_agent). The recall_* variants form a predictable modifier pattern rather than a convention break.

    Tool Count5/5

    Nine tools is well-scoped: five memory operations plus four agent lifecycle operations, each earning its place. No obvious filler tools or redundancies that would bloat the surface.

    Completeness3/5

    Agent management is full CRUD except update_agent, but the memory lifecycle is write-and-read only — there is no way to update, forget, delete, or supersede an individual memory, despite memory types like 'error' and 'commitment' implying correction workflows. recall_as_of and recall_current also lack documented parameters, leaving dead ends for filtered use.

    Maintenance

    ActivityMaintained
    ResponsivenessNo recent community issues

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      A
      quality
      D
      maintenance
      Persistent memory API for AI agents — store, recall, and inject semantically-searchable context across sessions. EU-hosted, GDPR-compliant. Supports Claude, Cursor, Cline, and any MCP-compatible client.
      4
      2
      MIT
    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables Claude Code and other LLM agents to capture, consolidate, and retrieve memories from conversation history, building a local-first knowledge graph with semantic search and dream-state consolidation.
      75 npm
      1
      MIT
    • A
      license
      Not graded
      quality
      A
      maintenance
      Enables Claude and other AI agents to store and retrieve decisions, patterns, and knowledge persistently across sessions and context compaction, either self-hosted on Redis/Valkey or through a managed SaaS.
      17 npm
      MIT