Memory MCP Server

一个通用的 MCP (Model Context Protocol) 记忆服务，为任何支持 MCP 协议的 AI 客户端提供长期记忆能力。支持语义搜索、记忆分类和优先级管理。

特性

• 语义搜索 - 使用 Gemini gemini-embedding-001（3072维，100+语言支持，免费）

• 多语言搜索 - 自动翻译查询词，支持中英日跨语言检索

• 记忆分类 - 7 种预设分类，方便组织管理

• 优先级系统 - 5 级重要性标记，影响搜索排序

• 内存缓存 - 启动时加载记忆到内存，搜索更快

• 自动升级 - 检测旧版 embedding 并自动重新生成

• 渐进式注入 - 对话初期返回少量记忆，后期返回更多

• 双版本支持 - 本地 JSON 存储 / 云端 PostgreSQL 存储

• MCP 标准协议 - 兼容任何 MCP 客户端

Related MCP server: Cognio

可用工具

记忆优先级

每条记忆可以设置优先级（1-5），搜索时高优先级记忆会获得加成：

记忆分类

每条记忆可以归类到以下分类：

• general - 通用（默认）

• preference - 偏好设置

• work - 工作相关

• personal - 个人信息

• habit - 习惯

• skill - 技能

• goal - 目标

渐进式注入

recall_memory 会根据会话中的调用次数，智能调整返回的记忆数量和类型：

会话重置：超过 5 分钟未调用 recall_memory，计数器自动归零

这个设计确保：

• 对话开始时快速建立用户画像

• 对话中期聚焦当前话题

• 对话后期提供完整信息

两种部署方式

1. 本地版本 (memory_server.py)

适合本地运行的 MCP 客户端，使用 stdio 传输协议。

• 记忆保存在本地 memories.json 文件

• 使用关键词搜索

• 数据完全本地化，隐私保护

运行方式：

python memory_server.py

MCP 客户端配置示例：

{
  "mcpServers": {
    "memory": {
      "command": "python",
      "args": ["/path/to/memory_server.py"]
    }
  }
}

2. 云端版本 (memory_server_http.py)

适合远程访问的 MCP 客户端，使用 HTTP/SSE 传输协议。

• 使用 PostgreSQL 数据库存储

• 集成 Gemini Embedding API 进行语义搜索

• 支持多客户端连接

• 需要部署到云平台（Railway、Render、Fly.io 等）或有公网 IP 的服务器

什么时候需要云端版本？

• 使用 Claude.ai 网页版 连接 MCP 服务时（需要公网可访问的 URL）

• 需要从多台设备访问同一份记忆时

• 本地版本使用 stdio 协议，仅支持 Claude Desktop 等本地客户端

运行方式：

# 设置环境变量
export DATABASE_URL="postgresql://user:pass@host:5432/dbname"
export GEMINI_API_KEY="your-gemini-api-key"  # 可选，用于语义搜索
export PORT=8000

# 可选：设置工具前缀（用于运行多个实例时避免工具名冲突）
export TOOL_PREFIX="work_"      # 工具名将变为 work_save_memory, work_recall_memory 等
export SERVER_NAME="work-memory"  # 服务器名称

python memory_server_http.py

多实例部署

如果需要同时运行多个 Memory MCP 实例（例如工作记忆和个人记忆分开存储），需要设置不同的 TOOL_PREFIX 避免工具名冲突：

实例 1 - 工作记忆：

export TOOL_PREFIX="work_"
export SERVER_NAME="work-memory"
export DATABASE_URL="postgresql://..."  # 工作数据库

实例 2 - 个人记忆：

export TOOL_PREFIX="personal_"
export SERVER_NAME="personal-memory"
export DATABASE_URL="postgresql://..."  # 个人数据库

这样工具名会变成：

• work_save_memory, work_recall_memory, ...

• personal_save_memory, personal_recall_memory, ...

MCP 客户端连接：

• SSE 端点: http://your-server:8000/sse

• 健康检查: http://your-server:8000/health

安装

pip install -r requirements.txt

依赖说明：

• mcp - MCP 协议库

• starlette, uvicorn - HTTP 服务器（云端版本）

• psycopg2-binary - PostgreSQL 驱动（云端版本）

• numpy - 向量计算

• requests - HTTP 客户端

云端部署

Railway 部署

1. Fork 此仓库到你的 GitHub

2. 在 Railway 创建新项目，连接 GitHub 仓库

3. 添加 PostgreSQL 数据库服务

4. 设置环境变量：

   • DATABASE_URL - 自动由 Railway 设置

   • GEMINI_API_KEY - 你的 Gemini API 密钥（可选）

5. 部署完成后获取服务 URL

其他云平台

项目包含 Procfile，兼容 Heroku、Render 等平台：

web: python memory_server_http.py

使用示例

保存记忆

"记住我喜欢用 TypeScript 写代码"
"我的项目用的是 React + Vite，这是工作相关的"
"记住我不喜欢在代码里加太多注释，优先级设为高"

回忆信息

"我之前告诉过你什么编程偏好？"
"你还记得我的项目用什么技术栈吗？"
"只在工作分类里找一下相关记忆"

更新记忆

"把记忆 3 的优先级改成最高"
"更新记忆 5，把分类改成 work"

查看统计

"显示记忆统计"
"列出所有 work 分类的记忆"

数据格式

本地 JSON 格式

[
  {
    "id": 1,
    "content": "用户喜欢喝咖啡",
    "tags": ["偏好", "饮食"],
    "priority": 2,
    "category": "preference",
    "created_at": "2024-01-01T12:00:00",
    "updated_at": "2024-01-01T12:00:00"
  }
]

云端数据库 Schema

CREATE TABLE memories (
    id SERIAL PRIMARY KEY,
    content TEXT NOT NULL,
    tags TEXT[] DEFAULT '{}',
    embedding FLOAT8[],
    priority INTEGER DEFAULT 3,
    category VARCHAR(50) DEFAULT 'general',
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
)

API 端点（云端版本）

健康检查响应示例：

{
  "status": "ok",
  "service": "memory-mcp",
  "storage": "postgresql",
  "semantic_search": "enabled"
}

技术架构

┌──────────────────────────────────────────────────────────┐
│                    MCP Client (任意)                      │
│         (Claude Desktop, API Client, Custom App)         │
└─────────────────────────┬────────────────────────────────┘
                          │ MCP Protocol
          ┌───────────────┴───────────────┐
          ▼                               ▼
┌─────────────────────┐      ┌─────────────────────────────┐
│   本地版本 (stdio)   │      │     云端版本 (HTTP/SSE)     │
│  memory_server.py   │      │   memory_server_http.py     │
├─────────────────────┤      ├─────────────────────────────┤
│ - JSON 文件存储      │      │ - PostgreSQL 数据库          │
│ - 关键词搜索         │      │ - Gemini Embedding 语义搜索  │
│ - 优先级/分类管理    │      │ - 优先级/分类管理             │
└─────────────────────┘      └─────────────────────────────┘

兼容的 MCP 客户端

本服务兼容任何支持 MCP 协议的客户端，包括但不限于：

• Claude Desktop

• 自定义 API 客户端

• MCP Inspector（调试工具）

• 其他 MCP 兼容应用

使用建议

关于客户端内置记忆功能

部分 MCP 客户端（如 Claude Desktop）自带记忆功能，其内置记忆的权重通常比外部 MCP 服务更高。

• 建议：根据自身需求决定是否关闭客户端的内置记忆功能

• 注意：如果关闭客户端内置记忆，所有记忆检索都会走本服务的 recall_memory，响应时间可能会稍长（需要进行语义搜索和数据库查询）

请根据实际使用场景自行权衡。

故障排除

语义搜索不工作

1. 检查 GEMINI_API_KEY 环境变量是否设置

2. 查看服务日志中的 [EMBEDDING] 相关信息

3. 如果 API 出错，会自动降级为关键词搜索

数据库连接失败

1. 检查 DATABASE_URL 格式是否正确

2. 确认数据库服务正在运行

3. 检查网络连接和防火墙设置

SSE 连接问题

1. 确认客户端支持 SSE 传输

2. 检查 CORS 设置（如果是跨域访问）

3. 确认端口没有被占用

自定义 Embedding 服务

本项目默认使用 Google Gemini Embedding API（免费），但你可以替换为其他 embedding 服务。

当前默认行为

• 有 GEMINI_API_KEY: 使用 Gemini gemini-embedding-001 模型进行语义搜索

  • 3072 维向量，精度更高

  • 支持 100+ 语言，跨语言检索效果更好

  • 启动时自动检测旧版 embedding (768维) 并升级

• 无 GEMINI_API_KEY: 自动降级为关键词搜索（仍然可用）

替换为其他 Embedding 服务

如果你想使用 OpenAI、Cohere、本地模型等其他 embedding 服务，需要修改 memory_server_http.py 中的 get_embedding() 函数：

def get_embedding(text: str) -> list[float] | None:
    """获取文本的 embedding 向量"""
    # 替换为你的 embedding API 调用
    # 返回值应为 float 列表，如 [0.1, 0.2, ...]
    # 返回 None 表示失败，会降级为关键词搜索
    pass

常见替代方案：

• OpenAI text-embedding-3-small

• Cohere embed-multilingual-v3.0

• 本地部署的 sentence-transformers

• 其他支持中文的 embedding 模型

后续优化方向

• 语义搜索（Gemini Embedding）

• 多语言搜索（中英日跨语言检索）

• 记忆优先级

• 记忆分类管理

• 记忆更新功能

• 记忆统计功能

• Embedding 自动升级

• 记忆过期机制

• 记忆导出/导入

• 记忆关联功能

• WebSocket 传输支持

License

MIT