Indexes Markdown notes into a searchable local knowledge base and exposes search and full-text retrieval tools for finding relevant note chunks.
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.
把一堆 Markdown 笔记变成一个可检索的知识库：一条命令建索引，查询返回最相关的几段，零 LLM token、零外部服务、纯本地 SQLite。
面向的场景是「给 Agent 用的长期记忆」：在几千个笔记块里，用一句中文自然问法找到那一段，再把原文喂给模型。也可以直接当个人笔记搜索用。
纯 grep 只能字面匹配，换个说法就找不到；纯向量库又经常把泛泛而谈的段落排在真正答案前面，而且中文短查询效果不稳。memorag 把两者分层用：
关键词永远是主召回路径（FTS5 + trigram）
向量只做重排补充（可选，未装 fastembed 自动退化为纯 FTS）
四路候选按 RRF（倒数排名融合） 合并，再叠加时间衰减与访问反馈
最关键的细节是中文查询的分词：SQLite 没有中文分词器，所以正文按字切分（unicode61），查询侧同时构造 4 字滑窗短语和 2 字短语。只做 4 字滑窗会有一个隐蔽的坑——「周报」「待办」这类双字实体常被切在窗口边界上（份 周 报、些 待 办 和），而 FTS 短语要求连续相邻，错位一个字就完全匹配不到。
Related MCP server: repository-runtime
pip install memorag # 只要关键词检索，无第三方依赖
pip install 'memorag[embed]' # 加语义重排（fastembed + ONNX，CPU 可跑）
pip install 'memorag[mcp]' # 作为 MCP 服务供 Agent 调用memorag init # 生成 ~/.memorag/memorag.toml
$EDITOR ~/.memorag/memorag.toml
memorag build
memorag search "周报怎么生成"从源码：
git clone <repo> && cd memorag
pip install -e '.[all]'
python -m unittest discover -s tests[index]
db = "~/.memorag/index.db"
model = "BAAI/bge-small-zh-v1.5" # 留空则只做 FTS5 + trigram
model_dir = "~/.memorag/models"
# weights = { fts = 1.0, trigram = 0.6, spell = 0.85, vector_knowledge = 0.7, vector_other = 0.35 }
# kind_bonus = { memory = 4.0, archive = 2.4, doc = 2.2, task = 2.6, activity = 0.0, snapshot = -20.0 }
[[sources]]
name = "notes"
path = "~/notes"
kind = "memory" # 自定义类别，检索时可用 --kind 过滤
pattern = "*.md"
recursive = true
exclude = ["archive/**", "**/.trash/**"]
[[sources]]
path = "~/notes/archive"
kind = "archive"
recursive = true
strip_frontmatter = true # 剥掉 YAML 头，避免元数据污染召回
[[sources]]
path = "~/logs/2026-11-06.md"
kind = "activity"
recursive = false
chunker = "activity" # 按「- HH:MM 内容」逐行切块kind_bonus 是排序时的类别加权：知识类给正分、日志类给 0、快照类给负分。这样「某规则怎么定」这类问题不会把流水日志顶上来。
memorag build # 全量重建（并发时后来者自动跳过）
memorag search "查询" -n 8 # 检索，返回编号 + 路径 + 摘要
memorag search "查询" --kind doc --json
memorag get 12,34 # 按编号取全文
memorag stats # 块数 / 词表 / 向量 / 库大小
memorag serve # MCP stdio 服务MCP 模式暴露四个工具：search、get_chunks、reindex、stats。典型用法是两步：先 search 拿摘要和编号，需要原文时再 get_chunks，避免把整库塞进上下文。
表 | 作用 |
| FTS5 主索引，正文按字切分，带 |
| FTS5 trigram，做子串召回（关键词被写在不同位置时兜底） |
| 块向量（float32 blob），按文本 hash 对账，重建后自动重挂 |
| ASCII 词频表，用于查询拼写纠错 |
| 访问反馈：被搜索命中记 |
反馈按文本 hash 记账而不是 rowid——每次重建 rowid 都会重排，按 id 记会错挂到别的块上。
仓库带一个 57 条中文用例的评测脚本思路，同一套用例上：
版本 | top3 命中 |
仅 4 字滑窗 | 82.5% |
加 2 字短语 | 89.5% |
再加英文专名加权 | 91.2% |
主要瓶颈是排序和分词，不是语义理解——所以先修这两块，而不是急着微调 embedding 模型。评测时记得设 MEMORAG_NO_FEEDBACK=1，否则跑评测本身会通过 use_feedback 改变排序，两次结果对不上。
权重扫描的结论（向量权重 0.7 / 0.85 / 1.0 / 1.2 / 1.6 → top3 91.2 / 91.2 / 91.2 / 87.7 / 89.5）：默认 0.7 已经够，调高只是让个别条目挪位置。
中文按字切分，等同于「无分词」方案：对同义词、缩写无能为力，靠 4 字/2 字短语和向量兜底
全量重建而非增量更新：几千块约 15 秒，十万块需要改成增量
向量模型体积与首次下载依赖 fastembed；不装则纯 FTS，效果下降但可用
fcntl 文件锁仅 Unix；Windows 下并发重建需自行加锁
MIT
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Private, multimodal knowledge store for agents: hybrid search with cited, provenance-backed results.
Search your knowledge bases from any AI assistant using hybrid RAG.
Persistent memory and knowledge management for AI agents with semantic search and 50+ tools.
Cloud or self-hosted knowledge for AI agents: hybrid search, reranking, GraphRAG, scoped MCP tools.
