Servidor MCP de memoria Titan

Sé que está roto ahora mismo, ¡lo arreglaré! Idealmente, esto se ejecuta en modo Yolo en el cursor (o en el escritorio de Claude) sin intervención humana y crea un "cerebro" disponible independientemente de la versión de LLM.

Un sistema de memoria neuronal para LLM que puede aprender y predecir secuencias, manteniendo el estado mediante un vector de memoria. Este servidor MCP (Protocolo de Contexto de Modelo) proporciona herramientas para que Claude 3.7 Sonnet y otros LLM mantengan el estado de la memoria en todas las interacciones.

Related MCP server: ContextHub

Características

• Perfecto para Cursor : ahora que Cursor ejecuta automáticamente MCP en modo yolo, puedes quitar las manos del volante con la nueva memoria de tu LLM.

• Arquitectura de memoria neuronal : sistema de memoria basado en transformadores que puede aprender y predecir secuencias

• Gestión de memoria : operaciones tensoriales eficientes con limpieza automática de memoria

• Integración con MCP : totalmente compatible con Cursor y otros clientes MCP

• Codificación de texto : convierte entradas de texto en representaciones tensoriales

• Persistencia de memoria : guarda y carga estados de memoria entre sesiones

Instalación

# Clone the repository
git clone https://github.com/yourusername/titan-memory.git
cd titan-memory

# Install dependencies
npm install

# Build the project
npm run build

# Start the server
npm start

Herramientas disponibles

El servidor Titan Memory MCP proporciona las siguientes herramientas:

help

Obtenga ayuda sobre las herramientas disponibles.

Parámetros:

• tool (opcional): nombre de la herramienta específica para obtener ayuda

• category (opcional): Categoría de herramientas a explorar

• showExamples (opcional): incluye ejemplos de uso

• verbose (opcional): incluye descripciones detalladas

init_model

Inicialice el modelo de memoria Titan con una configuración personalizada.

Parámetros:

• inputDim : tamaño de la dimensión de entrada (predeterminado: 768)

• hiddenDim : tamaño de la dimensión oculta (predeterminado: 512)

• memoryDim : Tamaño de la dimensión de memoria (predeterminado: 1024)

• transformerLayers : Número de capas de transformador (predeterminado: 6)

• numHeads : Número de cabezas de atención (predeterminado: 8)

• ffDimension : dimensión de avance (valor predeterminado: 2048)

• dropoutRate : tasa de abandono (predeterminado: 0,1)

• maxSequenceLength : Longitud máxima de secuencia (predeterminado: 512)

• memorySlots : Número de ranuras de memoria (predeterminado: 5000)

• similarityThreshold : Umbral de similitud (predeterminado: 0,65)

• surpriseDecay : tasa de decaimiento de la sorpresa (predeterminado: 0,9)

• pruningInterval : Intervalo de poda (predeterminado: 1000)

• gradientClip : valor de recorte de degradado (predeterminado: 1.0)

forward_pass

Realice un paso hacia adelante a través del modelo para obtener predicciones.

Parámetros:

• x : Vector o texto de entrada

• memoryState (opcional): Estado de la memoria a utilizar

train_step

Ejecute un paso de entrenamiento para actualizar el modelo.

Parámetros:

• x_t : Vector o texto de entrada actual

• x_next : Siguiente vector o texto de entrada

get_memory_state

Obtenga el estado actual de la memoria y las estadísticas.

Parámetros:

• type (opcional): Filtro de tipo de memoria opcional

manifold_step

Actualizar la memoria a lo largo de una dirección múltiple.

Parámetros:

• base : Estado de memoria base

• velocity : Actualizar dirección

prune_memory

Elimina los recuerdos menos relevantes para liberar espacio.

Parámetros:

• threshold : Umbral de poda (0-1)

save_checkpoint

Guardar el estado de la memoria en un archivo.

Parámetros:

• path : Ruta del archivo del punto de control

load_checkpoint

Cargar el estado de la memoria desde un archivo.

Parámetros:

• path : Ruta del archivo del punto de control

reset_gradients

Restablecer los gradientes acumulados para recuperarse de los problemas de entrenamiento.

Parámetros: Ninguno

Uso con Claude 3.7 Sonnet en Cursor

El servidor Titan Memory MCP está diseñado para funcionar a la perfección con Claude 3.7 Sonnet en Cursor. A continuación, se muestra un ejemplo de cómo usarlo:

// Initialize the model
const result = await callTool("init_model", {
  inputDim: 768,
  memorySlots: 10000,
  transformerLayers: 8,
});

// Perform a forward pass
const { predicted, memoryUpdate } = await callTool("forward_pass", {
  x: "const x = 5;", // or vector: [0.1, 0.2, ...]
  memoryState: currentMemory,
});

// Train the model
const result = await callTool("train_step", {
  x_t: "function hello() {",
  x_next: "  console.log('world');",
});

// Get memory state
const state = await callTool("get_memory_state", {});

Gestión de la memoria

El servidor Titan Memory MCP incluye una gestión de memoria sofisticada para evitar fugas de memoria y garantizar operaciones de tensor eficientes:

1. Limpieza automática : limpia periódicamente los tensores no utilizados

2. Cifrado de memoria : almacena de forma segura los estados de la memoria

3. Validación de tensores : garantiza que los tensores tengan la forma correcta

4. Recuperación de errores : maneja errores de tensor con elegancia

Arquitectura

El servidor Titan Memory MCP está construido con una arquitectura modular:

• TitanMemoryServer : Clase de servidor principal que registra herramientas y maneja solicitudes

• TitanMemoryModel : Implementación del modelo de memoria neuronal

• VectorProcessor : maneja el procesamiento de entrada y la codificación de texto

• MemoryManager : administra las operaciones de tensor y la limpieza de memoria

Contribuyendo

¡Agradecemos sus contribuciones! No dude en enviar una solicitud de incorporación de cambios.

Licencia

Este proyecto está licenciado bajo la licencia MIT: consulte el archivo de LICENCIA para obtener más detalles.