记忆回溯MCP服务器
项目介绍
rag-memory-mcp
一个通过知识图谱和向量搜索能力实现的高级MCP服务器，用于RAG增强的记忆。此服务器扩展了基本的记忆概念，包括语义搜索、文档处理和混合检索，以实现更智能的记忆管理。
灵感来源： 知识图谱记忆服务器，来自Model Context Protocol项目。
注意： 此服务器设计为与MCP客户端（如Claude Desktop、VS Code）本地运行，并需要访问本地文件系统进行数据库存储。
✨ 主要特性
- 🧠 知识图谱记忆：持久实体、关系和观察
- 🔍 向量搜索：使用句子转换器进行语义相似性搜索
- 📄 文档处理：RAG增强的文档分块和嵌入
- 🔗 混合搜索：结合向量相似性和图遍历
- ⚡ SQLite 后端：使用sqlite-vec进行快速本地存储和向量操作
- 🎯 实体提取：从文档中自动提取潜在实体术语
工具
此服务器通过模型上下文协议（MCP）提供全面的记忆管理：
📚 文档管理
storeDocument：存储带有元数据的文档以供处理chunkDocument：创建具有可配置参数的文本块embedChunks：生成用于语义搜索的向量嵌入extractTerms：从文档中提取潜在实体术语linkEntitiesToDocument：创建明确的实体-文档关联deleteDocuments：删除文档及其相关数据listDocuments：查看所有存储的文档及其元数据
🧠 知识图谱
createEntities：创建带有观察和类型的实体createRelations：在实体之间建立关系addObservations：向现有实体添加上下文信息deleteEntities：删除实体及其关系deleteRelations：删除特定关系deleteObservations：从实体中删除特定观察
🔍 搜索与检索
hybridSearch：结合向量相似性和图遍历的高级搜索searchNodes：按名称、类型或观察内容查找实体openNodes：检索特定实体及其关系readGraph：获取完整的知识图谱结构
📊 分析
getKnowledgeGraphStats：关于知识库的综合统计
使用场景
此服务器适用于需要智能记忆和文档理解的场景：
- 研究和文档：存储、处理并智能检索研究论文
- 知识库构建：从文档中构建相互连接的知识
- 对话记忆：通过语义理解记住聊天会话中的上下文
- 内容分析：从大量文档集合中提取和关联概念
- 智能辅助：基于存储的知识提供上下文感知响应
客户端配置
本节解释如何配置MCP客户端以使用rag-memory-mcp服务器。
与Claude Desktop / Cursor一起使用
在您的claude_desktop_config.json（Claude Desktop）或mcp.json（Cursor）中添加以下配置：
{
"mcpServers": {
"rag-memory": {
"command": "npx",
"args": ["-y", "rag-memory-mcp"]
}
}
}
指定版本：
{
"mcpServers": {
"rag-memory": {
"command": "npx",
"args": ["-y", "rag-memory-mcp@1.0.0"]
}
}
}
自定义数据库路径：
{
"mcpServers": {
"rag-memory": {
"command": "npx",
"args": ["-y", "rag-memory-mcp"],
"env": {
"MEMORY_DB_PATH": "/path/to/custom/memory.db"
}
}
}
}
与VS Code一起使用
在您的用户设置（JSON）文件或.vscode/mcp.json中添加以下配置：
{
"mcp": {
"servers": {
"rag-memory-mcp": {
"command": "npx",
"args": ["-y", "rag-memory-mcp"]
}
}
}
}
核心概念
实体
实体是知识图谱中的主要节点。每个实体都有：
- 唯一名称（标识符）
- 实体类型（例如，“PERSON”，“CONCEPT”，“TECHNOLOGY”）
- 观察列表（上下文信息）
示例：
{
"name": "机器学习",
"entityType": "CONCEPT",
"observations": [
"人工智能的一个子集",
"专注于从数据中学习",
"用于推荐系统"
]
}
关系
关系定义了实体之间的有向连接，描述它们如何交互：
示例：
{
"from": "React",
"to": "JavaScript",
"relationType": "BUILT_WITH"
}
观察
观察是关于实体的信息片段：
- 存储为字符串
- 附属于特定实体
- 可独立添加或删除
- 应该是原子的（每个观察一个事实）
文档与向量搜索
文档通过以下步骤处理：
- 存储：原始文本与元数据
- 分块：拆分为可管理的部分
- 嵌入：转换为向量表示
- 关联：与相关实体关联
这使混合搜索能够结合：
- 向量相似性（语义匹配）
- 图遍历（概念关系）
环境变量
MEMORY_DB_PATH：SQLite数据库文件的路径（默认：服务器目录下的memory.db）
开发环境设置
本节面向希望修改或贡献于服务器的开发者。
先决条件
- Node.js：检查
package.json中的版本兼容性 - npm：用于包管理
安装（开发者）
- 克隆仓库：
git clone https://github.com/ttommyth/rag-memory-mcp.git
cd rag-memory-mcp
- 安装依赖项：
npm install
构建
npm run build
运行（开发）
npm run watch # 开发时自动重建
开发命令
- 构建：
npm run build - 监视：
npm run watch - 准备：
npm run prepare
使用示例
这是一个典型的构建和查询知识库的工作流程：
// 1. 存储文档
await storeDocument({
id: "ml_intro",
content: "机器学习是AI的一个子集...",
metadata: { type: "教育", topic: "ML" }
});
// 2. 处理文档
await chunkDocument({ documentId: "ml_intro" });
await embedChunks({ documentId: "ml_intro" });
// 3. 提取并创建实体
const terms = await extractTerms({ documentId: "ml_intro" });
await createEntities({
entities: [
{
name: "机器学习",
entityType: "CONCEPT",
observations: ["人工智能的一个子集", "从数据中学习"]
}
]
});
// 4. 使用混合方法搜索
const results = await hybridSearch({
query: "人工智能应用",
limit: 10,
useGraph: true
});
系统提示建议
为了优化内存利用，请考虑使用以下系统提示：
您有权访问一个具备知识图谱能力的RAG增强型记忆系统。遵循以下指南：
1. **信息存储**：
- 使用文档管理工具存储重要文档
- 创建人员、概念、组织和技术实体
- 在相关概念之间建立关系
2. **信息检索**：
- 使用混合搜索进行全面信息检索
- 利用语义相似性和图关系
- 在创建重复项之前搜索实体
3. **记忆维护**：
- 添加观察以丰富实体上下文
- 将文档链接到相关实体以提高可发现性
- 使用统计数据监控知识库的增长
4. **处理工作流**：
- 存储 → 分块 → 嵌入 → 提取 → 关联
- 总是完全处理文档以获得最佳搜索结果
贡献
欢迎贡献！请遵循标准开发实践，并确保所有测试通过后再提交拉取请求。
许可证
本项目根据MIT许可证发布。详情见LICENSE文件。
构建于：TypeScript, SQLite, sqlite-vec, Hugging Face Transformers, Model Context Protocol SDK