该服务器使用 mem0 原理为 AI 助手实现长期记忆功能，由 PostgreSQL 和 pgvector 提供支持，可实现高效的向量相似性搜索。
PostgreSQL 结合 pgvector 进行向量相似性搜索
使用 BERT 自动生成嵌入
用于内存操作的 RESTful API
语义搜索功能
支持不同类型的记忆（学习、经验等）
基于标签的记忆检索
记忆信心评分
用于实时更新的服务器发送事件 (SSE)
兼容 Cursor MCP 协议
Related MCP server: MCPMem
安装了 pgvector 扩展的 PostgreSQL 14+：
# In your PostgreSQL instance:
CREATE EXTENSION vector;Node.js 16+
安装依赖项：
npm install配置环境变量：将.env.sample复制到.env并调整值：
cp .env.sample .env.env配置示例：
# With username/password
DATABASE_URL="postgresql://username:password@localhost:5432/mcp_memory"
PORT=3333
# Local development with peer authentication
DATABASE_URL="postgresql:///mcp_memory"
PORT=3333初始化数据库：
npm run prisma:migrate启动服务器：
npm start对于自动重新加载的开发：
npm run dev要将内存服务器添加到 Cursor，您需要修改位于~/.cursor/mcp.json MCP 配置文件。将以下配置添加到mcpServers对象：
{
"mcpServers": {
"memory": {
"command": "node",
"args": [
"/path/to/your/memory/src/server.js"
]
}
}
}将/path/to/your/memory替换为内存服务器安装的实际路径。
例如，如果您将存储库克隆到/Users/username/workspace/memory ，则您的配置将如下所示：
{
"mcpServers": {
"memory": {
"command": "node",
"args": [
"/Users/username/workspace/memory/src/server.js"
]
}
}
}Cursor 会在需要时自动启动服务器。您可以通过以下方式验证服务器是否正常工作：
打开光标
Cursor 启动时，内存服务器将自动启动
您可以通过访问http://localhost:3333/mcp/v1/health检查服务器状态
端点： GET /mcp/v1/sse
查询参数：
subscribe ：要订阅的事件的逗号分隔列表（可选）
活动：
connected ：初始连接时发送
memory.created ：创建新记忆时发送
memory.updated ：当现有记忆更新时发送
创造记忆
POST /mcp/v1/memory
Content-Type: application/json
{
"type": "learning",
"content": {
"topic": "Express.js",
"details": "Express.js is a web application framework for Node.js"
},
"source": "documentation",
"tags": ["nodejs", "web-framework"],
"confidence": 0.95
}搜索记忆
GET /mcp/v1/memory/search?query=web+frameworks&type=learning&tags=nodejs列出回忆
GET /mcp/v1/memory?type=learning&tags=nodejs,web-frameworkGET /mcp/v1/health所有 API 响应均遵循标准 MCP 格式：
{
"status": "success",
"data": {
// Response data
}
}或者对于错误：
{
"status": "error",
"error": "Error message"
}id：唯一标识符
类型：记忆的类型（学习、经验等）
content：实际内存内容（JSON）
来源：记忆从何而来
嵌入：内容的向量表示（384 维）
tags：相关标签的数组
信心：信心得分（0-1）
createdAt：内存创建时间
updatedAt：内存最后更新时间
This server cannot be deployed
Long-term memory for AI assistants. Isolated per-user storage, recall across conversations.
Shared cross-LLM long-term memory over MCP: semantic recall, sessions, and media (pgvector).
Persistent memory for AI assistants: store, search, and connect knowledge across conversations.
Memory system for AI agents with semantic search. Store and recall memories with ease.
