Skip to main content
Glama
myx0423

tech-memory-mcp

by myx0423
OverviewSchemaSourceRelated ServersDiscussionsAdmin
TypeScript
Local

tech-memory-mcp

不只是记住"说了什么"，而是记住"学到了什么"。

让 Claude Code 等 AI 编程助手具备长期记忆能力，从每次技术对话中自动提取知识点，下次对话时自动检索相关经验。

核心特性

  • 🧠 自动提取：从对话中识别 decision/lesson/preference/fact/pattern 五类知识

  • 🔍 混合检索：向量语义搜索 + FTS5 全文搜索，中英文混合查询

  • 🇨🇳 中文优先：基于 jina-embeddings-v2-base-zh（768 维）嵌入模型

  • 📦 完全本地：SQLite + Transformers.js，无需外部服务

  • 🔄 跨项目累积：所有项目知识存入同一数据库，形成终身技术积累

Related MCP server: claude-memory-mcp

系统要求

  • Node.js >= 18.0.0

  • 首次启动下载嵌入模型约 154MB

  • Windows 用户：如安装失败，请先运行 npm install --global windows-build-tools

快速开始

第一步：安装

方式一：npx 安装（推荐）

npx -y tech-memory-mcp@latest

首次运行会自动下载嵌入模型（约 154MB，30-60 秒）。模型仅需下载一次，后续启动直接使用缓存。

方式二：从源码安装

git clone https://github.com/myx0423/tech-memory-mcp.git
cd tech-memory-mcp
npm install
npm run build

然后将 .mcp.json 配置改为：

{
  "mcpServers": {
    "tech-memory": {
      "command": "node",
      "args": ["/你的路径/tech-memory-mcp/dist/index.js"]
    }
  }
}

第二步：配置 Claude Code

在项目根目录或 ~/.claude/ 创建 .mcp.json：

{
  "mcpServers": {
    "tech-memory": {
      "command": "npx",
      "args": ["-y", "tech-memory-mcp"]
    }
  }
}

第三步：验证安装

启动 Claude Code，输入：

请调用 tech_stats 查看知识库统计

如果返回知识库统计信息（即使为空），说明安装成功。首次启动会自动下载模型，约 30-60 秒。

国内网络加速

如果网络环境不佳，可以提前手动下载模型：

1. 下载模型文件

从 HuggingFace 镜像站下载模型到本地目录：

mkdir -p ~/models/jina-embeddings-v2-base-zh
cd ~/models/jina-embeddings-v2-base-zh

# 使用 wget 下载（或使用浏览器手动下载）
wget https://hf-mirror.com/Xenova/jina-embeddings-v2-base-zh/resolve/main/config.json
wget https://hf-mirror.com/Xenova/jina-embeddings-v2-base-zh/resolve/main/model.onnx
wget https://hf-mirror.com/Xenova/jina-embeddings-v2-base-zh/resolve/main/tokenizer.json
wget https://hf-mirror.com/Xenova/jina-embeddings-v2-base-zh/resolve/main/vocab.txt

2. 配置环境变量

修改 .mcp.json，添加 TECH_MEMORY_MODEL_PATH：

{
  "mcpServers": {
    "tech-memory": {
      "command": "npx",
      "args": ["-y", "tech-memory-mcp"],
      "env": {
        "TECH_MEMORY_MODEL_PATH": "/Users/yourname/models/jina-embeddings-v2-base-zh"
      }
    }
  }
}

Windows 用户示例：

{
  "mcpServers": {
    "tech-memory": {
      "command": "npx",
      "args": ["-y", "tech-memory-mcp"],
      "env": {
        "TECH_MEMORY_MODEL_PATH": "C:\\Users\\yourname\\models\\jina-embeddings-v2-base-zh"
      }
    }
  }
}

可选：自定义模型缓存目录（用于自动下载的模型）：

{
  "mcpServers": {
    "tech-memory": {
      "command": "npx",
      "args": ["-y", "tech-memory-mcp"],
      "env": {
        "TECH_MEMORY_CACHE_DIR": "/path/to/cache"
      }
    }
  }
}

MCP 工具

工具

作用

tech_search

混合搜索（语义 + 全文），支持置信度过滤和过期知识过滤，自动记录曝光事件

tech_store

存储知识点，自动去重，支持置信度和过期时间

tech_extract_template

返回中文知识提取 Prompt + JSON Schema

tech_auto_extract

自动从对话中提取并存储技术知识（支持两阶段调用）

tech_confirm

确认知识点是否有用，调整置信度，记录采用/拒绝事件

tech_decay

执行知识老化衰减，批量更新置信度，清理过期使用事件

tech_outdated

查询过期或低置信度的知识点

tech_conflict_scan

扫描知识库中的冲突和重复条目

tech_resolve

处理冲突条目（保留、合并或标记矛盾）

tech_link

创建知识点之间有向关系

tech_get

查询知识点 + 关联条目

tech_stats

数据库统计

tech_usage_stats

知识库使用统计（曝光、采用、采用率、热门查询）

tech_export

导出知识库为 Markdown 或 JSON 格式

tech_import

从 JSON/Markdown/纯文本批量导入知识

tech_backup

创建 SQLite 数据库完整备份

知识分类

类型

说明

示例

decision

技术决策

"选了 Calico 而非 Flannel，因为需要 NetworkPolicy"

lesson

经验教训

"kubeadm init 失败记得先 kubeadm reset -f"

preference

个人偏好

"更喜欢用 Containerd 而非 Docker 作为运行时"

fact

技术事实

"K8s v1.34 对应 Containerd 沙箱镜像 pause:3.10"

pattern

通用模式

"三 Master + Nginx + KeepAlived 是生产标配"

工作原理

对话结束 → tech_auto_extract 提取知识点
         → tech_store 存储（自动嵌入 + 语义去重）
         → 下次对话时 tech_search 自动检索相关记忆
         → tech_confirm 反馈知识价值，优化搜索排序

数据存储

  • 数据库：~/.tech-memory/memory.db（SQLite + 内置向量搜索）

  • 嵌入模型：Xenova/jina-embeddings-v2-base-zh（q8 量化，154 MB）

  • 完全本地，无需任何外部服务

开发

git clone https://github.com/myx0423/tech-memory-mcp.git
cd tech-memory-mcp
npm install
npm run build
node dist/index.js  # 启动 MCP Server

运行测试：

npm test

姊妹项目

项目

说明

remote-ops-mcp

SSH 远程服务器管理：执行命令、部署服务、排查故障。操作失败时自动缓存踩坑上下文，配合 tech_memory.tech_store 形成运维知识闭环。

License

MIT

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityInactive
ResponsivenessNo issues

Resources

Related MCP Connectors

Related MCP Servers