memory-mcp
Provides read-only tools (recall, search, search_raw, person, read) over a local SQLite memory database, using FTS5 full-text search with Chinese bigram indexing to retrieve past conversations and related memories.
This server does not currently have a deployable release on Glama. Follow the repository's setup instructions to install and configure it for your MCP client, including any required credentials and local dependencies.
javmem-mcp
中文 | English
一个只读的记忆 MCP:同时查事实库 memv2 和记忆图谱 Javis,两边对照着回答;Claude Code、DeepSeek Harness 和别的 MCP 客户端都能接。
这一套记忆叫 javmem:memv2 记事实(谁、什么时候、多少钱),Javis 记人和事的关系、时间线(Graphiti + Neo4j)。javmem-mcp 把两个库合成一个工具给模型用:两个库都记了的只列一次,说法不同的并排列出、以 memv2 为准;每个 Bot 用自己的令牌,只看得到自己那一份。程序自己不存记忆,只替模型去两个库里查。
为什么是 javmem
为个人 Bot 设计,舍得用好模型。 一个人一天聊的就那么多,不是商用的海量数据,所以 javmem 抽记忆时不抠模型:同一个人要认成同一个人,关系要连对,先后要排对,模型越好越准。花多少,装之前先报价;每天有上限,一次导入大量历史也不会多花。不想花钱,就用零准备模式,一分钱不花。
过去的对话,一次带进来。 别的记忆插件多是装上那天才开始记。javmem 带一个导入工具,把 Grok、ChatGPT、Claude 这类工具导出的历史会话一次解析、灌进库。导进来的是原话,不是 AI 凭印象转述的几条;人和事、时间地点都在原话里,抽出来才连得成网。导不出原始会话的工具,也可以用导出提示词,让它把记得的事写下来。
两个库各管一块,越攒越像一个真实的人。 用全套后端时,memv2 记「是什么」:事实、数字、日期;图谱记「跟谁、什么时候、在哪、后来怎么变了」;原话也都留着,听得出说话的口气。过时的说法会标成失效,分得清以前怎么想、现在怎么想;两个库说法不一样,也会标出来。记忆攒得越多,越能还原出一个真实的人,给数字人打底。
只读,Bot 改不了你的过去。 记忆只有两条来路:Bot 程序把新对话原生打包、投递进库,和你自己导入的历史,都不经过模型的手;模型只能查、不能写,既没法自己往记忆里添一条猜测,网页或别的 Bot 塞进来的指令也没法让它删改记忆。
Related MCP server: Lore
适合谁,不适合谁
适合:
已经在跑 memv2 和 Javis,想让 Claude Code、聊天 Bot 都能查这份记忆的人;
养了好几个 Bot、要每个 Bot 各查各的记忆的人:分区落在每个 Bot 的令牌和配置文件上;
要「查到的先核对再给看」的人:Javis 的事实要和原文对上才显示,说错的可以放进隐藏名单。
不适合:
没有 memv2 和 Javis、也不打算自己搭的人:这两个库目前没有公开发布(见「前提」);
想要 MCP 自己记下新对话的人:这里只读,写入走 memv2 和 Javis 自己的导入。
在 DeepSeek Harness 的 Tobs 里用,可以装配套插件 javmem-dsh-plugin,按 Bot 自动挂上这些工具,不用给每个 Bot 单独接 MCP。
快速开始
准备:Node 20 以上;memv2 和 Javis 在运行,每个 Bot 有自己的令牌文件(见「前提」)。
拿到程序,两种任选:
npm 包:
npx -y javmem-mcp就能起合起来的服务,不用先下载;git:
git clone https://github.com/xuxiaoxiang0721-tech/javmem-mcp.git,没有依赖,不用npm install。
自测(git 方式):
node test/smoke.mjs,不需要两个库在跑。接上:见下面的「接到 Claude Code」和「接到 DeepSeek Harness(Tobs)」。环境变量至少给
MEMV2_TOKEN_FILE和JAVIS_TOKEN_FILE。
先试试:演示数据
不搭两个库也能看到效果:把 MEMV2_URL 和 JAVIS_URL 都设成 demo,三个程序就改读包里自带的虚构数据,回答格式和真库一样,也不要令牌。数据是一个虚构的「小明」:女儿小雨的游泳课、同事老陈调岗、十一月去千岛湖。

命令行:
git clone以后运行node scripts/demo.mjs,五个工具各问一遍。Claude Code:
claude mcp add javmem-demo -e MEMV2_URL=demo -e JAVIS_URL=demo -- npx -y javmem-mcp,然后问「小雨的游泳课学费交了多少?」「老陈最近怎么了?」。数据里故意放了几种情况:两个库一致(「图库也有」);说法不同(学费 2400 和 2600,以 memv2 为准);只在图库有;一条和原文对不上的编造事实(被过滤掉,回答里提示「另有 1 条和原文对不上」)。分区也能试:
MEMV2_NAMESPACE=work加MEMV2_BOT_ONLY=1只看工作,JAVIS_SOURCES=chatgpt只看一个账号。
接到 Claude Code
一条命令:
claude mcp add javmem -e MEMV2_TOKEN_FILE=/path/to/tokens/bot_a.token -e JAVIS_TOKEN_FILE=/path/to/profiles/bot_a.env -e MEMORY_AUDIENCE=cc -- npx -y javmem-mcp或者写在项目的 .mcp.json 里,用合起来的工具:
{
"mcpServers": {
"memory": {
"type": "stdio",
"command": "node",
"args": ["/path/to/javmem-mcp/memory-mcp.js"],
"env": {
"MEMV2_TOKEN_FILE": "/path/to/tokens/bot_a.token",
"JAVIS_TOKEN_FILE": "/path/to/profiles/bot_a.env",
"MEMORY_LABELS_FILE": "/path/to/labels.json",
"MEMORY_AUDIENCE": "cc"
}
}
}
}或者分开用两个:
{
"mcpServers": {
"memv2": {
"type": "stdio",
"command": "node",
"args": ["/path/to/javmem-mcp/memv2-mcp.js"],
"env": { "MEMV2_TOKEN_FILE": "/path/to/tokens/bot_a.token", "MEMV2_AUDIENCE": "cc" }
},
"javis": {
"type": "stdio",
"command": "node",
"args": ["/path/to/javmem-mcp/javis-mcp.js"],
"env": { "JAVIS_TOKEN_FILE": "/path/to/profiles/bot_a.env", "JAVIS_AUDIENCE": "cc" }
}
}
}MEMORY_AUDIENCE=cc(或任一边的 *_AUDIENCE=cc)让工具标成只读,Claude Code 在计划模式里也能用;提示语也换成写给 Claude Code 的。
接到 DeepSeek Harness(Tobs)
装配套插件 javmem-dsh-plugin:按 Bot 编号自动挂工具,不用卡片(推荐)。
或者每个 Bot 一个私有 MCP:命令
node /path/to/memory-mcp.js,环境变量填这个 Bot 的令牌文件路径。
四个程序
程序 | 接的是 | 工具 |
| 两个库合起来的一个工具(推荐) |
|
| memv2:事实记忆服务(HTTP 读接口) |
|
| Javis:Graphiti + Neo4j 的记忆图谱(通过它自带的 MCP 端点) |
|
| 本地库:本机的一个 SQLite 文件,零准备 |
|
四个程序都走 stdio,没有依赖,只用 Node 自带的模块(Node 20 以上;本地库用 Node 自带的 SQLite,要 Node 22.5 以上)。工具说明和返回内容是中文,按小模型的上下文写得很短。
合起来的工具 memory-mcp.js
一个 MCP 服务同时查两个库,给模型五个工具,代替分开的八个:
工具 | 做什么 |
| 按这一轮的话题取回 memv2 里相关的事实;两个库都记了的标「图库也有」 |
| 两个库一起查:先列 memv2 的事实(事实、金额以它为准),再列图库里的人和关系、时间线;两个库都记了的只列一次,说法不同的在 memv2 那条下面写「图库说:…」 |
| 按关键词在两个库的原文里找,同一句话只列一行,带记录号和对话号 |
| 图库里这个人的全部关系(按时间,名字要对得上),加上 memv2 里关于他的事实(按时间) |
| 给记录号读 memv2 的一条记录,或给对话号分页读图库的整段对话 |
它直接引用同目录的
memv2-mcp.js和javis-mcp.js,用它们的查询和过滤(分区、隐藏名单、事实核对),所以要同时配好两边的设置(MEMV2_*、JAVIS_*、MEMORY_*)。一个库出错或没配,另一个照样回答,回复里说清哪个没查成。
标签:设了
MEMORY_LABELS_FILE就给每条标上两个库的对照结果。文件格式:{"version": 1, "memv2": {"<item_id>": {"l": "两边一致", "same": ["<javis uuid>"]}}, "javis": {"<uuid>": {"l": "只在图库"}}}l是两边一致、两边不同(diff列出说法不同的那条)、只在 memv2、只在图库之一。这个文件由你自己的对照程序生成,只放编号和标签,不放内容;没有这个文件就不标。
本地库 local-mcp.js(零准备)
不用 memv2 和 Javis,也不用另起服务:它读一个本地库文件(JAVMEM_LOCAL_DB),里面是以前的对话(javmem-dsh-plugin 按 Bot 从 DSH 的会话里建,一个 Bot 一个文件),以后还有从别的 AI 工具继承来的记忆。
工具和合起来的那套同名(
recall、search、search_raw、person、read),Bot 换后端时规则不用改。全文索引用 SQLite 的 FTS5。中文按相邻两个字切开再建索引(「游泳课」→「游泳」「泳课」),所以两个字的词也能在整句里找到;英文和数字按词。
recall按整句里的片段打分,search按关键词,search_raw逐字找。只读打开;库文件还不存在时回答「还没有内容」,不报错。
javmem/status报有几个会话、几条对话、最近一次更新。库的读写模块是
local-store.js,写入方(DSH 插件的索引程序)和它共用。
继承别的 AI 的记忆:javmem-inherit
你在别的 AI 工具(Grok、Muse、Dot、ChatGPT 这类)里攒下的「它记得你」的东西,可以搬进 javmem,Bot 一上来就有过去:
拿提示词:
npx -y -p javmem-mcp javmem-inherit prompt(英文版加--en),或者直接复制 docs/inherit-prompt.md。贴给那个 AI:它按固定格式(JSON)把记得的事写出来,内容多就分几段。把回答整个复制下来存成一个文件,比如
grok.json;几段可以存在同一个文件里,前后的闲话和代码块标记不用删。检查:
javmem-inherit check grok.json,只报几条事实、几段对话、哪里有问题,不打印内容。导入:用 DSH 插件的,把文件放进
<DSH 主目录>/javmem/inherit/<Bot 名字或编号>/,插件下次补录时导进这个 Bot 的本地库;单独用的,javmem-inherit import grok.json --db <本地库文件>,再用local-mcp.js查。每条都标「继承自 Grok,某日导出」;同一个文件再导一次不会重复。
继承来的记忆没有和原始对话核对过,工具说明会提醒模型讲明出处。
过去的对话,一次带进来:javmem-inherit history
别的 AI 工具能导出原始会话的,直接把导出文件导进本地库,不用让 AI 凭印象转述。导进来的是原话:谁说的、哪天说的、说到了谁和什么事都在里面。用事实库或图谱后端时,这些原话会和 Bot 自己的对话一样被抽取,人和事、时间地点就连成了网。
工具 | 导出文件 |
ChatGPT | 设置里「导出数据」得到的 |
Claude | 设置里「导出数据」得到的 |
Claude Code |
|
Codex |
|
Grok 这类 Bot 的记忆包 | 1.2 版的 |
npx -y -p javmem-mcp javmem-inherit history ~/Downloads/conversations.json # 先看能导进多少(只报条数)
npx -y -p javmem-mcp javmem-inherit history ~/Downloads/conversations.json --db me.sqlite
npx -y javmem-mcp estimate ~/Downloads/conversations.json # 抽取要花多少只收人说的话和 AI 的回答;工具调用和结果、系统消息、注入的上下文、子任务、没走到的分支都不收。
每段对话一个会话(
history:<工具>:<对话号>),标「导入自 某工具」;同一个导出再导一次不会重复,导出变长了只补新的。用 DSH 插件的,把导出文件放进
<DSH 主目录>/javmem/inherit/<Bot 名字或编号>/,下次补录时自动导进这个 Bot 的本地库,和继承包放在一起。量大时先
estimate看要花多少:事实库按段问模型,每天有上限,导一大批历史也不会一天花光。
图谱接 Graphiti 官方服务(后端 C)
Javis 那层没有公开,图谱可以换成 Graphiti 官方的 MCP 服务(Zep 维护):backend/graphiti/ 里有一份菜谱(官方服务加 Neo4j 两个 Docker 容器,想少一个容器可以选 FalkorDB;模型可选 OpenAI、DeepSeek 加千问、或本地 Ollama),见 backend/graphiti/README.md。
送进去:
javmem-feed把本地库里的对话一段一段(最多 8 条)送进 Graphiti,每段只送一次;对话停了 30 分钟或攒够 8 条才送;每天有 token 上限(默认每个库 100 万),到了就停,第二天接着送;Graphiti 丢了的(它的队列在内存里)半小时后重送。只打印条数。查出来:
javis-mcp.js设JAVIS_BACKEND=graphiti,四个工具照旧:事实和人从 Graphiti 来,原话从本地库来(官方服务不能按原话搜)。合起来的memory-mcp.js也能接。每个 Bot 一个组(
GRAPHITI_GROUP_ID),互相看不到。只读:查的时候不改图谱。花多少:2026-11-06 自测(官方服务 1.1.3 + gpt-6-luna,虚构的 23 条消息切成 9 段)每段约 1.5 万 token;2026-11-09 换成 Neo4j 再测,每段也约 1.5 万。按每段 2 万估,约合每 1,000 条消息 250 万 token。本地 Ollama 不花钱但慢。
事实库用 memv2 精简版(后端 B)
原版 memv2 没有公开,这里带一个公开的精简版 memv2-lite.js(命令 javmem-memv2):同样的读接口,memv2-mcp.js 和 memory-mcp.js 不用改;一个 Node 程序加一个 SQLite 文件,不要 GPU,库一开始是空的。见 backend/memv2/README.md。
怎么记:原话都存下来;一段对话(最多 8 条)问一次模型,抽出值得记的事,每条都要从原话里逐字抄一句当证据,抄的找不到、数字对不上的丢掉;新的说法推翻旧的,旧的标「已被取代」,用户记不清的说法不算推翻;别的 AI 记得的事(继承包)直接存,不问模型。
模型自选:任何 OpenAI 兼容服务(OpenAI、DeepSeek、千问、本地 Ollama);向量可选,不设就只按词搜。可再设一个便宜模型只管短段落。
送进去:
javmem-feed --memv2 <地址> --memv2-token-file <可写令牌> --namespace <分区>;每个 Bot 一个分区、一个只读令牌,令牌只存哈希。花多少:按模型自己报的用量算,每天有上限(默认 100 万 token)。2026-11-06 自测(gpt-6-luna,虚构的 23 条消息分 9 段):共 12,804 token,每段约 1,600,约合每 1,000 条消息 60 万 token。
是照原版的做法重写的,不是原版的代码:接口和抽取的规矩一样,字段更少,没有原版的文件抽取、别名合并和核对后台。
全套:事实库加图谱(后端 A)
backend/full/ 一个 compose 起两个库(memv2 精简版和 Graphiti 官方服务),用同一份 .env 里的模型;加 --profile local 连模型也放在本机(Ollama)。javmem-feed 同时写 --memv2 和 --graphiti 就两边都送,合起来的 memory-mcp.js 一次查两个库。要 Docker、约 12 GB 硬盘。见 backend/full/README.md。
装的时候选:安装向导
npx -y javmem-mcp setup它先列出四种后端(D 本地库、B 事实库、C 图谱、A 全套)记什么、花多少、要装什么,再问:用哪种模型(默认质量好的 gpt-6-luna,也可以选 DeepSeek 加千问、或本机 Ollama)、图谱放在哪种图数据库(默认 Neo4j,也可以选 FalkorDB)、每个 Bot 每天最多花多少 token、记忆是谁的、哪些 Bot。有要一次导入的历史,给它本地库或继承包的路径,它按实际段数报价。你说好了才写文件,写进一个文件夹(默认 ./javmem):模型设置 .env、要起的 compose 或启动脚本、memv2 精简版的库和令牌、给 DSH 插件的 plugin-config.json。它不启动任何东西,也不往外发东西。最后打印接下来要做的几步。
不交互的写法:npx -y javmem-mcp setup --backend A|B|C|D --models openai|deepseek|ollama --graph-store neo4j|falkordb --owner 小明 --bots tob --daily-tokens 1000000 --yes。
花多少
后端 | 每 1,000 条消息大约 | 依据 |
D 本地库 | 0 | 不问模型 |
B 事实库(memv2 精简版) | 约 60 万 token | 每段(几条消息)问一次模型;实测每段约 1,600 |
C 图谱(Graphiti 官方) | 约 250 万 token | 每段问模型好几次;实测每段约 1.5 万,按 2 万估 |
A 全套 | 约 310 万 token | B 加 C |
依据是作者的机器上 2026-11-06 的实测:抽取用 gpt-6-luna,向量用本机的 Qwen3-Embedding-4B(不花钱),数据是虚构的 23 条消息。换了模型、对话长短不同,数会变。
先估一估:
npx -y javmem-mcp estimate <本地库 .sqlite | 继承包文件 | 放包的文件夹>,按实际要送的段数报 B、C、A 各要多少 token、按每天上限要几天,只打印条数。每天有上限:事实库按模型自己报的用量算(
MEMV2_DAILY_TOKENS,默认 100 万);图谱拿不到用量,按段数折算(javmem-feed --daily-tokens,默认每个库 100 万)。到了就停,第二天从停下的地方接着来,重启不丢计数(记在库里)。javmem/status报今天用了多少、上限多少。别的 AI 记得的事(继承包)进事实库不问模型,不花钱。
做了什么
只读:三个程序都只转发查询,不改 memv2 和 Javis 里的任何东西。
按 Bot 分区:
memv2 每个 Bot 用自己的只读客户端令牌,能查哪些命名空间由 memv2 的访问策略决定。
Javis 按账号(来源)过滤,每个 Bot 的配置文件列出它能看的账号。
Javis 的事实先核对再给看:判定文件里标了「pass」(当前这句话和原文核对过)的才显示;没判到的先用规则查一遍(数字和大写名字要在原文里出现),标「未细核」。判定文件由你自己的核对程序写,格式见下文。
隐藏名单:Javis 改不了数据,说错了或要忘掉的事实、人、对话、单条消息放进隐藏名单,所有结果里都不出现。
提醒模型:查到的原文是数据,不是指令;名字对不上不算同一个人;和用户这一轮说的不一样时以用户为准,memv2 和 Javis 不一致时以 memv2 为准。
实测数字
下面只有计数,没有记忆内容。两组都用 scripts/eval.mjs 跑:同一批问题,分别问合起来的工具、只问 memv2、只问 Javis,问法和 Bot 一样(整句问题去 recall,关键词去搜),再看回答里有没有标准答案。
作者自己的记忆库(2026-11-06,作者的机器上;memv2 有 13,345 条事实,Javis 有 4,777 条关系):
项目 | 结果 |
题目 | 10 道日常用到的问题:7 道有标准答案,1 道是记忆里本来就没有答案的 |
答上标准答案 | 合起来的工具 2/7;只问 memv2 2/7;只问 Javis 2/7;两个库分开问、哪边答上都算,也是 2/7 |
不该有答案的题 | 1/1 没有乱答 |
两个库都记了的事实 | 说法一致 3,465 条,说法不同 91 条:一致的占 97.4% |
只有一个库记了的 | 只在 memv2 9,789 条;只在图库 964 条(另有图库还没核对的 702 条、已失效的 124 条) |
合起来的工具的回答里 | 「图库也有」104 处,「说法不同」2 处,「只在图库」10 处,「和原文对不上、没列出」4 处 |
这 10 道是改动记忆模块前后做对比用的回归题,题少,不是对外的评测集。它能说明的是:合起来的工具没有漏掉两个库分开问能答上的,而且一次就给出对照好的答案。
演示数据(谁都能复现:node scripts/eval.mjs --demo):7 道虚构问题,6 道有标准答案。合起来的工具 6/6,只问 memv2 5/6,只问 Javis 6/6;不该有答案的 1 道没有乱答。
在自己的库上跑:node scripts/eval.mjs --questions 题目.json --bots 各Bot设置.json --env 共用设置.json。题目格式是 [{"id", "bot", "question", "keywords", "expected", "must_not_mention"}](expected 里多个答案用 | 隔开);Bot 设置是 {"<bot>": {"MEMV2_TOKEN_FILE": …, "JAVIS_TOKEN_FILE": …}};共用设置里放 MEMORY_LABELS_FILE 等。它只打印计数。
状态检查(给宿主程序用)
三个程序都认一个不是工具的请求 javmem/status(JSON-RPC,参数为空):回答每个库连不连得上、令牌能不能用(state 是 ok、bad_token、down、no_token、error 之一),Javis 还报隐藏名单读不读得了,合起来的程序还报标签文件在不在。它不读任何记忆:memv2 那边问一条不存在的记录(memv2 先验令牌再找记录,「没找到」就说明令牌可用),Javis 那边问它的工具列表。回答里没有令牌,也没有记忆内容。javmem-dsh-plugin 的 memory_status 工具用的就是它。
前提
这三个程序自己不存记忆,只负责替 Bot 去两个记忆库里查,所以用之前要先有:
memv2 在运行,程序要知道它的地址(默认
http://127.0.0.1:8766,即本机的 8766 端口)。每个 Bot 还要一个只读令牌,相当于这个 Bot 的借阅证:由 memv2 的管理员发,发的时候就定好它能查哪些分区(memv2 里叫命名空间)。令牌存在一个文件里,配置里只写这个文件的路径(MEMV2_TOKEN_FILE)。Javis 在运行,程序要知道它的地址(默认
http://127.0.0.1:8765/mcp),还要 Javis 的令牌,同样存在文件里。每个 Bot 能看哪些账号,写在这个 Bot 的配置文件里(JAVIS_TOKEN_FILE,格式见下文)。
注意:原版 memv2 和 Javis 目前没有公开发布,memv2-mcp.js 和 javis-mcp.js 默认调用的正是它们自己的查询接口。不搭它们也能用:本地库装上就有;事实库可以用公开的 memv2 精简版(javmem-memv2,见「事实库用 memv2 精简版」);图谱可以换成 Graphiti 官方服务(JAVIS_BACKEND=graphiti,见「图谱接 Graphiti 官方服务」)。
配置(环境变量)
memv2-mcp.js
变量 | 说明 |
| 必填。存只读客户端令牌的文件路径(令牌本身不要写进环境变量) |
| 只查这一个命名空间;不填 = 这个客户端能查的全部 |
|
|
| 默认 |
|
|
|
|
javis-mcp.js
变量 | 说明 |
| 必填。Bot 的配置文件(每行 |
| 覆盖配置文件里的账号; |
| 默认 |
|
|
| 接 Graphiti 时这个 Bot 的组,默认 |
| 接 Graphiti 时必填:本地库文件(原话在这里, |
| 隐藏名单,默认程序旁边的 |
| 判定文件,默认程序旁边的 |
| 同上 |
local-mcp.js
变量 | 说明 |
| 必填。本地库文件的路径;文件还不存在 = 还没有内容 |
|
|
三个程序共用
变量 | 说明 |
| 记忆是谁的,工具说明里这样称呼(默认「用户」) |
| 原文是什么(默认「以前和 AI 的对话」) |
| 记错了找谁改(memv2 默认「找 memv2 的管理员,用 memv2 的命令改」,Javis 默认「找 Javis 的管理员,把它加进「不给 Bot 看」的名单」) |
| 仅 Javis:事实里可能用来指代「我」「你」的其他名字,逗号隔开(例如助手的名字) |
文件格式
隐藏名单
hidden.json:{"facts": [...], "entities": [...], "sessions": [...], "messages": [...]},每项是 id 字符串或{"id": "..."}。单条消息用指纹:"fp:"加上sha256(role + "\n" + timestamp + "\n" + 原文前 600 字)十六进制的前 32 位。判定文件
verdicts.jsonl:每行{"id": "<事实 uuid>", "h": "<sha256(事实原句) 十六进制前 16 位>", "v": "pass|fail|unsure"},可以多带别的字段;同一事实以最后一行为准;事实原句改了,旧判定自动作废。
测试
node test/smoke.mjs不需要 memv2 和 Javis 在跑:测三个程序的握手(版本号)、工具名单、主人名字、令牌缺失和服务没起来时的报错、合起来的工具在一个库出错时照样回答、javmem/status 的几种状态,演示数据上的 13 个工具,还有本地库、继承包、接 Graphiti(假服务)、memv2 精简版(假模型)和安装向导。GitHub Actions 在 Node 20、22、24 上各跑一遍;没有 node:sqlite 的 Node(20,或 22.5 以前)跳过要 SQLite 的那几条,并写明跳过了几条。截图用 node scripts/screenshot.mjs 重新生成(要本机有 Chrome 或 Edge)。
安全
令牌只放在文件里,环境变量里只写路径。
三个程序都不往标准输出打别的东西,只有 JSON-RPC 消息,不记查询内容。
查询走本机或你指定的地址;Javis 的事实查询只按关键词,不调用嵌入模型。
发版
步骤见 RELEASING.md,更新记录见 CHANGELOG.md。
许可证
MIT,见 LICENSE。
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
Persistent memory, hybrid search and a goal graph for AI agents, over stdio or remote HTTP.
Read-only memory search and task context for AI clients. Requires a Mem.Center Pro account.
Hosted agent memory: store, search, and recall facts across sessions from any MCP client.
Shared memory for your AI agents. Every fact shows its source, and stale facts get replaced.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceSelf-hosted service providing unified memory search and write operations across file-based memory, vector embeddings, and the Graphiti temporal knowledge graph, accessible via HTTP API or MCP stdio transport.3MIT

Loreofficial
AlicenseBqualityCmaintenanceCross-agent memory server: hybrid (vector + full-text + knowledge-graph) recall, per-user private/shared visibility, write-side secret/PII redaction, and as-of-date bi-temporal fact queries. Auto-injection hooks for Claude Code / Cursor / Codex; self-hostable on PostgreSQL or SQLite.4636 PyPI10MIT- AlicenseNot gradedqualityNot gradedmaintenanceEnables agents to retrieve relevant context via a zero-dependency hybrid search engine that blends sparse keyword-based lexical ranking with dense vector similarity scores into one fused result set, then refines it with knowledge graph triplet expansion and lost-in-the-middle context reordering. It also provides episodic memory consolidation, recency decay, and semantic query caching, exposed as a JSON-RPC 2.0 stdio MCP server for clients such as Claude Desktop, Cursor, and Windsurf.MIT
- AlicenseNot gradedqualityBmaintenanceEnables AI clients to read and write a self-hosted, git-backed graph of team memory nodes — searching, creating, updating, linking, and tracing the history of notes about what exists, its state, and what was done — over MCP (stdio or HTTP) or a plain REST API. Combines lexical and semantic search in an embedded index, so it works model-agnostically and even fully offline.1Apache 2.0