MemoryMesh

Universeller MCP-Hub für persönliche Daten. Local-First, standardmäßig privat, konzipiert als Speicherschicht für die Agenten, die Sie als Nächstes bauen werden.

MemoryMesh indiziert Ihre lokalen Dateien – und in zukünftigen Versionen auch Ihre E-Mails, Kalender, Browserverläufe und Chat-Protokolle – und stellt sie über das Model Context Protocol bereit. Jeder MCP-fähige Client (Claude Desktop, Cursor, Claude Code oder Ihr eigener Agent) kann semantische Fragen zu den Dingen stellen, die Sie tatsächlich besitzen, ohne ein einziges Byte in die Cloud zu senden.

Es ist ein Hub, kein RAG für einen einzigen Zweck. Der Transport, das Embedding-Modell, der Parser und die Chunking-Strategie sind hinter sauberen Schnittstellen austauschbar – sodass derselbe Hub von „Suche in meinen Notizen“ zu „Erinnere dich an alles für mein Agent-Betriebssystem“ wachsen kann.

Warum existiert dieses Projekt?

Persönliche Daten sind über Dutzende von Apps fragmentiert. Kein KI-Agent kann auf alle diese Daten auf eine einheitliche, private Weise zugreifen. Anthropic hat mit MCP das Protokoll definiert; MemoryMesh füllt die Lücke des Hubs, der alles miteinander verbindet – lokal, wobei Privatsphäre eine Voraussetzung und keine Einstellung ist.

Related MCP server: NOUZ MCP Server

Funktionsweise

                   ┌──────────────────────────────┐
  MCP clients ───▶ │         MemoryMesh           │
(Claude Desktop,   │  ┌────────────────────────┐  │
 Cursor, agents)   │  │ MCP Tools (FastMCP):   │  │
                   │  │  search_memory         │  │
                   │  │  list_sources          │  │
                   │  │  get_document          │  │
                   │  │  index_now             │  │
                   │  └──────────┬─────────────┘  │
                   │             ▼                 │
                   │     Search Engine             │
                   │   dense + BM25 → RRF          │
                   │             │                 │
                   │   ┌─────────┴──────────┐      │
                   │   ▼                    ▼      │
                   │ ChromaDB            BM25      │
                   │ (embeddings)     (sparse)     │
                   │   ▲                    ▲      │
                   │   └──────── Indexer ───┘      │
                   │                ▲              │
                   │           Watchdog            │
                   └────────────────┬──────────────┘
                                    ▼
                             Your filesystem

Indizierungs-Pipeline: Datei-Watcher erkennt Änderungen → SHA-256-Deduplizierung überspringt unveränderte Dateien → Parser (txt/md/pdf/docx/code) → intelligenter Chunker (tree-sitter für Code, nach Überschriften für Markdown, rekursiv für Text) → Embeddings via sentence-transformers → Upsert in ChromaDB + BM25-Index.

Such-Pipeline: Abfrage → Dense-Suche (ChromaDB) + Sparse-Suche (BM25) Over-Fetch → Reciprocal Rank Fusion (k=60) → Top-k-Ergebnisse mit Pfad, Vorschau, Score und Metadaten.

Was macht es anders?

Die meisten vergleichbaren Tools optimieren eine einzige Dimension. MemoryMesh ist das einzige, das alle gleichzeitig abdeckt:

MCP-nativ bedeutet, dass es von Anfang an für MCP gebaut wurde – nicht nachträglich hinzugefügt. Die 4 Tools (search_memory, list_sources, get_document, index_now) haben eine stabile API, die über Versionen hinweg nicht bricht.

Als Infrastruktur konzipiert bedeutet, dass die Architektur den Zugriff durch mehrere Agenten, Berechtigungen pro Agent und Hardware-Agenten (ESP32, Arduino), die denselben Hub abfragen, antizipiert. Siehe Roadmap.

Status

Quickstart

Voraussetzung: Python 3.11+ und uv.

# Install from PyPI
pip install memorymesh-mcp

Oder für die Entwicklung klonen:

# Clone and install
git clone https://github.com/kilhubprojects/memory-mesh.git
cd memory-mesh
uv sync

# Initialize state directory and copy example config
uv run memorymesh init

# Edit config.yaml — point it at the folders you want indexed
# (see Configuration section below)

# Index a folder
uv run memorymesh index ~/Documents

# Test a search
uv run memorymesh search "how did I configure the debounce"

Als Daemon ausführen (Echtzeit-Indizierung)

uv run memorymesh start --transport streamable-http --detach
uv run memorymesh status
# edit a file in one of your sources — it gets indexed within ~2s
uv run memorymesh search "the sentence you just typed"
uv run memorymesh stop

In Claude Desktop einbinden

Fügen Sie dies zu Ihrer Claude Desktop-Konfiguration hinzu:

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

• Windows: %APPDATA%\Claude\claude_desktop_config.json

• Linux: ~/.config/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "memorymesh": {
      "command": "uv",
      "args": [
        "run",
        "--directory", "/absolute/path/to/memory-mesh",
        "memorymesh", "serve", "--stdio"
      ]
    }
  }
}

Starten Sie Claude Desktop neu. Die vier Tools erscheinen automatisch.

MCP-Tools

Alle Tools sind abwärtskompatibel. Die v0.1-Signaturen sind eingefroren – das Hinzufügen von extended_preview in v0.2 ist additiv, nicht brechend.

Konfiguration

Alles befindet sich in config.yaml. Siehe config.example.yaml für eine vollständig kommentierte Referenz. Wichtige Highlights:

sources:
  - name: documents
    path: ~/Documents
    recursive: true
    extensions: [.txt, .md, .pdf, .docx]

  - name: projects
    path: ~/Projects
    recursive: true
    extensions: [.py, .js, .ts, .go, .rs, .md]

embeddings:
  model: all-MiniLM-L6-v2   # swap to paraphrase-multilingual-MiniLM-L12-v2 for PT/EN

search:
  mode: hybrid               # hybrid | dense | sparse
  top_k: 10

server:
  transport: stdio           # stdio | streamable-http

Die globale Ignorierliste schützt sensible Pfade standardmäßig: .env, *.key, id_rsa*, secrets/, .ssh/, .aws/, .git/, node_modules/.

Benchmarks

Benchmarks werden hier veröffentlicht, sobald v0.2 die CI auf allen drei Plattformen erreicht. Das Ziel sind reproduzierbare Zahlen – nicht „schnell auf meinem Rechner“.

Skripte befinden sich bereits in benchmarks/ und sind lokal ausführbar:

• bench_indexing.py — Indizierungsdurchsatz (Chunks/s, MB/s) auf einem synthetischen Korpus

• bench_search_latency.py — p50/p95/p99 Suchlatenz über hybride/dense/sparse Modi

• bench_embedding_models.py — Geschwindigkeits- vs. Qualitätsvergleich über drei Embedding-Modelle

Datenschutz & Sicherheit

Drei harte Verpflichtungen, die sich über Versionen hinweg nicht ändern:

1. Keine Daten verlassen Ihren Rechner. Keine Telemetrie. Keine externen API-Aufrufe, es sei denn, Sie stimmen explizit zu – und selbst dann gibt es eine WARNING im Log.

2. HTTP-Listener bindet standardmäßig nur an 127.0.0.1. Das Exponieren an andere Schnittstellen erfordert eine explizite Konfigurationsüberschreibung.

3. Logs enthalten niemals Dokumentinhalte oder Abfragen im Klartext. Das Audit-Log zeichnet Abfrage-Hashes auf, nicht die Abfragen selbst.

Verschlüsselung im Ruhezustand steht auf der Roadmap. Wenn Ihre Festplatte auf Betriebssystemebene verschlüsselt ist, sind Sie für das Bedrohungsmodell, gegen das MemoryMesh entwickelt wurde, abgesichert.

Roadmap

Alle Details in ROADMAP.md.

Fehlerbehebung

• UnicodeDecodeError bei einer Textdatei — MemoryMesh versucht nacheinander UTF-8, UTF-8 BOM, cp1252, latin-1. Wenn eine Datei dennoch fehlschlägt, wird dies protokolliert und übersprungen, ohne Absturz.

• Watcher reagiert nicht auf einem Netzlaufwerk / WSL-Mount — setzen Sie watcher.use_polling: true in config.yaml.

• Tesseract nicht gefunden — installieren Sie es systemweit und stellen Sie sicher, dass es im PATH ist. Windows: UB-Mannheim Installer.

• Embedding-Modell-Mismatch nach Konfigurationsänderung — führen Sie memorymesh reindex --all aus. Das CLI verweigert den Start, wenn die in ChromaDB gespeicherte Modell-ID nicht mit der Konfiguration übereinstimmt.

Über dieses Projekt

MemoryMesh ist ein Solo-Projekt, das mittels Vibe Coding erstellt wurde – das Schreiben von Code in enger Zusammenarbeit mit LLMs bei hoher Geschwindigkeit – mit strukturierten Architektur-Reviews in jeder Phase. Der Prozess: LLM schlägt Code vor, Architekt prüft auf Korrektheit, Designlücken und Spezifikationsverletzungen, Test-Suite bestätigt. Fehler, die durchgerutscht sind (Startreihenfolge im Reconciliation-System, BM25-Kapselungsverletzung, falsche Konstruktor-Kwargs im CLI), wurden im Review gefangen, bevor sie jemals in Produktion liefen.

So sieht Vibe Coding aus, wenn man den Review-Schritt ernst nimmt: eine 172-Test-Suite, eine echte hybride Such-Pipeline, ein Reconciliation-System und eine Architektur, die darauf ausgelegt ist, in ein Agent-Betriebssystem überführt zu werden.

Mitwirken

MemoryMesh akzeptiert derzeit noch keine externen Beiträge – es gibt noch keine CI oder einen Leitfaden für Mitwirkende. Dies ändert sich mit v0.2. Beobachten Sie das Repo oder schauen Sie dann wieder vorbei.

Lizenz

MIT. Siehe LICENSE.

Danksagungen

Die Architektur wurde durch das Studium von LlamaIndex, LangChain, PrivateGPT, AnythingLLM, MemGPT und Haystack geprägt – um zu verstehen, was jedes gut macht und was nicht. Und an chroma-mcp und das MCP Python SDK dafür, dass sie gezeigt haben, wie MCP-nativ in der Praxis aussieht.