memanto-mcp

Memoria semántica tipada para Claude. Memoria con opiniones, diseñada para agentes B2B regulados.

La mayoría de los servidores de "MCP de memoria" te ofrecen save_memory(text) y dan el trabajo por terminado. Este servidor incluye un modelo de memoria con opiniones: registros tipados (fact, decision, commitment, instruction, …), procedencia y nivel de confianza en cada escritura, alcance consciente del inquilino (tenant-aware) y recuperación bi-temporal, junto con una habilidad (skill) de Claude que le indica al modelo cuándo recordar, cuándo recuperar y cuándo responder, además de cómo mantener las citas y la gestión de inquilinos de forma limpia.

Si estás creando agentes B2B en la plataforma de Anthropic —tecnología legal, finanzas, atención sanitaria, operaciones con clientes, trabajo de conocimiento interno—, este es el público para el que se ha diseñado.

Qué lo hace distintivo

• Memoria tipada. Trece tipos de memoria de primer nivel (fact, preference, goal, decision, commitment, instruction, relationship, context, observation, event, artifact, learning, error). Un tipo incorrecto equivale a una recuperación ruidosa. Elegir el tipo correcto es parte del contrato de la API.

• Procedencia y confianza en cada registro. explicit_statement / inferred / observed / validated / corrected / imported, además de una puntuación de confianza de 0.0 a 1.0. Filtrable en la recuperación mediante min_confidence. El registro de auditoría está en los datos, no añadido a posteriori.

• Lecturas bi-temporales. recall_as_of(date) devuelve la memoria tal como estaba en una fecha determinada; recall_current excluye los registros sustituidos o caducados. Creado para flujos de trabajo de tipo "qué sabíamos en ".

• Una habilidad de Claude incluida que cumple su función. skills/memanto-memory/SKILL.md le indica a Claude cuándo usar cada verbo, cómo limitar las memorias a los límites del inquilino mediante un agent_id compuesto, cuándo la recuperación en bruto es mejor que las respuestas sintetizadas (redacción de textos externos → recuperación en bruto, siempre) y cómo tratar los cuerpos de memoria como no confiables al leerlos.

• Un solo proceso. Envuelve la capa de servicio de Python memanto directamente; no hay que ejecutar ningún proceso REST por separado.

Related MCP server: Kronvex

Qué no es esto

• No es un almacén vectorial de propósito general. Las memorias son cortas, estructuradas y tipadas; si necesitas indexar 100.000 contratos, hazlo en tu almacén de documentos y usa esto para las decisiones, compromisos y observaciones que el agente hace sobre ellos.

• No es agnóstico al backend (todavía). Actualmente está vinculado a Moorcheh como backend vectorial. El nivel gratuito es de 100.000 operaciones al mes; los backends conectables están en la hoja de ruta.

• No es un sistema de auditoría empresarial. La habilidad tiene opiniones sobre lo que necesitan los despliegues regulados; el servidor aún no aplica todo ello. Consulta la hoja de ruta para ver las carencias.

Herramientas

Nueve herramientas MCP, bajo el espacio de nombres memanto:

Instalación

Como plugin de Cowork (modo Cowork de Anthropic)

1. Descarga la última versión de memanto-mcp.plugin.

2. Suéltalo en Cowork a través de la interfaz de usuario de instalación de plugins.

3. Configura MOORCHEH_API_KEY en el entorno que hereda Cowork y luego reinicia Cowork.

Como servidor MCP independiente (Claude Code, Cline, Cursor, Continue, …)

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

Luego apunta tu host MCP al binario. Claude Code:

claude mcp add memanto -- memanto-mcp

Cursor / Cline / Continue: añádelo a tu configuración de MCP como un servidor stdio con el comando memanto-mcp.

Para que la habilidad incluida se cargue en hosts MCP que admitan habilidades (Cowork, Claude Code con el plugin de habilidades), copia skills/memanto-memory/SKILL.md en el directorio de habilidades del host.

Obtener una clave API de Moorcheh

Regístrate en https://console.moorcheh.ai/api-keys. El nivel gratuito es de 100.000 operaciones al mes.

Primera ejecución

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

Claude llama a memanto_create_agent y luego a memanto_remember(memory_type="fact", content="Matter 4711 (Acme): 60-day notice period.", confidence=0.95).

> What do we know about Matter 4711?

Claude llama a memanto_recall(query="Matter 4711", agent_id="acme:matter-4711:user-jdoe") y cita el hecho almacenado.

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

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

Cómo piensa la habilidad sobre el alcance

El servidor utiliza agent_id como la primitiva de alcance. La habilidad enseña a Claude a tratarlo como una clave compuesta:

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

Por ejemplo: acme:matter-4711:user-jdoe. La recuperación entre inquilinos es el modo de fallo de mayor impacto en los sistemas de memoria de producción; la habilidad hace que Claude se niegue rotundamente en lugar de devolver resultados vacíos silenciosamente cuando el límite es incorrecto.

Para los ejes que no encajan en la clave compuesta (jurisdicción, región, grupo de conflicto de intereses, línea de productos), usa tags: son filtrables en la recuperación.

Regla de redacción

Cuando el usuario está componiendo texto orientado al exterior —una enmienda de contrato, un correo electrónico para clientes, una presentación regulatoria, un resumen clínico, un memorando informativo—, la habilidad instruye a Claude a usar memanto_recall (resultados en bruto) y citar, no memanto_answer (sintetizado). El coste de auditoría de una cita parafraseada es demasiado alto.

Cuando el usuario está investigando, explorando o informándose a sí mismo, memanto_answer es adecuado.

Hoja de ruta

Las carencias honestas —lo que la habilidad asume que querrías en un despliegue totalmente regulado y lo que el servidor aún no hace— están documentadas en ROADMAP.md. Aspectos destacados: campos estructurados source_uri + source_span (las citas actualmente se codifican dentro de content), mutaciones versionadas + API de redacción, backends de almacenamiento conectables y un transporte HTTP para hosts que no sean stdio.

Diseño del repositorio

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

Contribución

Consulta CONTRIBUTING.md. Las dos contribuciones de mayor impacto en este momento son (1) un backend de almacenamiento conectable (interfaz + una implementación de SQLite o pgvector) y (2) un modelo de cita estructurado (source_uri + source_span + quote). Ambos están en la hoja de ruta.

Licencia

MIT. Consulta LICENSE.

Créditos

• memanto y Moorcheh: el modelo de memoria tipada y el backend vectorial que esto envuelve.

• MCP de Anthropic y Habilidades de Agente: el protocolo y el formato de habilidad.

• Los equipos que envían sistemas agentes empresariales cuyos patrones publicados informaron la habilidad: Harvey, Hebbia, Robin AI, Clio, EvenUp, Casetext.

No afiliado a Anthropic ni a Moorcheh.