MemoryMesh

Универсальный MCP-хаб для персональных данных. Ориентирован на локальное использование, по умолчанию приватный, спроектирован как уровень памяти для агентов, которых вы будете создавать в будущем.

MemoryMesh индексирует ваши локальные файлы — а в будущих версиях: электронную почту, календарь, историю браузера и логи чатов — и предоставляет к ним доступ через Model Context Protocol. Любой MCP-совместимый клиент (Claude Desktop, Cursor, Claude Code или ваш собственный агент) может задавать семантические вопросы по данным, которыми вы действительно владеете, не отправляя ни байта в облако.

Это хаб, а не узкоспециализированный RAG. Транспорт, модель эмбеддингов, парсер и стратегия разбиения на части (chunking) легко заменяются благодаря чистым интерфейсам — поэтому один и тот же хаб может вырасти из «поиска по заметкам» в «память для вашей агентной ОС».

Зачем это нужно

Персональные данные разбросаны по десяткам приложений. Ни один ИИ-агент не может получить доступ ко всем из них унифицированным и приватным способом. Протокол MCP от Anthropic определил стандарт; MemoryMesh заполняет пробел, выступая в роли хаба, который связывает всё воедино — локально, где приватность является обязательным условием, а не просто настройкой.

Related MCP server: NOUZ MCP Server

Как это работает

                   ┌──────────────────────────────┐
  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

Конвейер индексации: отслеживание файлов обнаруживает изменения → дедупликация через SHA-256 пропускает неизмененные файлы → парсер (txt/md/pdf/docx/code) → умный разбиватель (tree-sitter для кода, по заголовкам для markdown, рекурсивный для текста) → эмбеддинги через sentence-transformers → upsert в ChromaDB + индекс BM25.

Конвейер поиска: запрос → плотный поиск (ChromaDB) + разреженный поиск (BM25) с избыточной выборкой → Reciprocal Rank Fusion (k=60) → топ-k результатов с путем, превью, оценкой и метаданными.

Что отличает его от других

Большинство похожих инструментов оптимизируют что-то одно. MemoryMesh — единственный, который охватывает все аспекты одновременно:

MCP native означает, что он был создан для MCP с первого дня, а не прикручен позже. 4 инструмента (search_memory, list_sources, get_document, index_now) имеют стабильный API, который не сломается при обновлении версий.

Спроектирован как инфраструктура означает, что архитектура учитывает доступ нескольких агентов, права доступа для каждого агента и аппаратные агенты (ESP32, Arduino), запрашивающие один и тот же хаб. См. Roadmap.

Статус

Быстрый старт

Предварительные требования: Python 3.11+ и uv.

# Install from PyPI
pip install memorymesh-mcp

Или клонируйте для разработки:

# 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"

Запуск в качестве демона (индексация в реальном времени)

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

Подключение к Claude Desktop

Добавьте в конфигурацию Claude Desktop:

• 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"
      ]
    }
  }
}

Перезапустите Claude Desktop. Четыре инструмента появятся автоматически.

Инструменты MCP

Все инструменты обратно совместимы. Сигнатуры v0.1 заморожены — добавление extended_preview в v0.2 является дополнением, а не ломающим изменением.

Конфигурация

Все настройки находятся в config.yaml. См. config.example.yaml для получения полностью прокомментированного справочника. Основные моменты:

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

Глобальный список игнорирования защищает чувствительные пути по умолчанию: .env, *.key, id_rsa*, secrets/, .ssh/, .aws/, .git/, node_modules/.

Бенчмарки

Бенчмарки будут опубликованы здесь после того, как v0.2 пройдет CI на всех трех платформах. Цель — воспроизводимые цифры, а не «быстро на моей машине».

Скрипты уже находятся в benchmarks/ и доступны для запуска локально:

• bench_indexing.py — пропускная способность индексации (частей/с, МБ/с) на синтетическом корпусе

• bench_search_latency.py — p50/p95/p99 задержка поиска в гибридном/плотном/разреженном режимах

• bench_embedding_models.py — сравнение скорости и качества трех моделей эмбеддингов

Приватность и безопасность

Три жестких обязательства, которые не меняются от версии к версии:

1. Никакие данные не покидают вашу машину. Никакой телеметрии. Никаких внешних API-вызовов, если вы явно не дали согласие — и даже в этом случае в логе будет WARNING.

2. HTTP-слушатель по умолчанию привязывается только к 127.0.0.1. Открытие доступа к другим интерфейсам требует явного переопределения конфигурации.

3. Логи никогда не содержат содержимое документов или запросы в открытом виде. Лог аудита записывает хеши запросов, а не сами запросы.

Шифрование данных в покое находится в плане развития. Если ваш диск зашифрован на уровне ОС, вы защищены от модели угроз, против которой спроектирован MemoryMesh.

План развития (Roadmap)

Полные детали в ROADMAP.md.

Устранение неполадок

• UnicodeDecodeError в текстовом файле — MemoryMesh последовательно пробует UTF-8, UTF-8 BOM, cp1252, latin-1. Если файл все равно не читается, он логируется и пропускается, программа не падает.

• Наблюдатель не срабатывает на сетевом диске / WSL mount — установите watcher.use_polling: true в config.yaml.

• Tesseract не найден — установите его в системе и убедитесь, что он есть в PATH. Windows: установщик UB-Mannheim.

• Несоответствие модели эмбеддингов после изменения конфигурации — запустите memorymesh reindex --all. CLI отказывается запускаться, если ID модели, сохраненный в ChromaDB, не совпадает с конфигурацией.

О проекте

MemoryMesh — это сольный проект, созданный с использованием vibe coding — написания кода в тесном сотрудничестве с LLM на высокой скорости — со структурированными архитектурными обзорами на каждом этапе. Процесс: LLM предлагает код, архитектор проверяет на корректность, пробелы в дизайне и нарушения спецификаций, набор тестов подтверждает. Ошибки, которые проскользнули (порядок запуска в системе восстановления, нарушение инкапсуляции BM25, неверные аргументы конструктора в CLI), были пойманы при проверке до того, как они попали в продакшн.

Вот как выглядит vibe coding, когда вы серьезно относитесь к этапу проверки: набор из 172 тестов, реальный гибридный конвейер поиска, система восстановления и архитектура, спроектированная для развития в полноценную агентную ОС.

Вклад в проект

MemoryMesh пока не принимает внешние вклады — еще нет CI или руководства по контрибьютингу. Это изменится в v0.2. Следите за репозиторием или загляните позже.

Лицензия

MIT. См. LICENSE.

Благодарности

Архитектура основана на изучении LlamaIndex, LangChain, PrivateGPT, AnythingLLM, MemGPT и Haystack — понимании того, что каждый из них делает хорошо, а что нет. А также chroma-mcp и MCP Python SDK за демонстрацию того, как MCP-native выглядит на практике.