mcp-内存0

Name: mcp-内存0
Author: coleam00

作者：coleam00608 星标更新：2025-04-13

项目介绍

<h1 align="center">MCP-Mem0: 为AI代理提供长期记忆</h1> <p align="center"> <img src="public/Mem0AndMCP.png" alt="Mem0 和 MCP 集成" width="600"> </p>

这是一个实现模型上下文协议 (MCP) 服务器的模板，集成了 Mem0，以提供AI代理持久记忆能力。

您可以将其作为构建自己的MCP服务器的参考，或者将其作为一个示例提供给AI编码助手，并告诉它遵循此示例的结构和代码正确性！

概述

本项目展示了如何构建一个MCP服务器，使AI代理能够存储、检索和使用语义搜索查找记忆。它作为一个实用的模板，用于创建您自己的MCP服务器，只需使用Mem0和一个实际示例即可。

该实现遵循了Anthropic为构建MCP服务器制定的最佳实践，允许与任何MCP兼容客户端无缝集成。

功能

服务器提供了三个基本的记忆管理工具：

save_memory: 使用语义索引在长期记忆中存储任何信息
get_all_memories: 检索所有存储的记忆以获得全面的上下文
search_memories: 使用语义搜索找到相关记忆

前提条件

Python 3.12+
Supabase 或任何 PostgreSQL 数据库（用于记忆的向量存储）
您选择的LLM提供商的API密钥（OpenAI、OpenRouter或Ollama）
如果以容器方式运行MCP服务器，需要Docker（推荐）

安装

使用 uv

如果您还没有安装uv，请安装：
```
pip install uv
```

克隆此仓库：

git clone https://github.com/coleam00/mcp-mem0.git
cd mcp-mem0

安装依赖项：
```
uv pip install -e .
```
根据 .env.example 创建一个 .env 文件：
```
cp .env.example .env
```
在 .env 文件中配置您的环境变量（参见配置部分）

使用 Docker（推荐）

构建Docker镜像：

docker build -t mcp/mem0 --build-arg PORT=8050 .

根据 .env.example 创建一个 .env 文件并配置您的环境变量

配置

您可以在 .env 文件中配置以下环境变量：

变量	描述	示例
`TRANSPORT`	传输协议（sse 或 stdio）	`sse`
`HOST`	使用SSE传输时绑定的主机	`0.0.0.0`
`PORT`	使用SSE传输时监听的端口	`8050`
`LLM_PROVIDER`	LLM 提供商（openai、openrouter 或 ollama）	`openai`
`LLM_BASE_URL`	LLM API 的基础URL	`https://api.openai.com/v1`
`LLM_API_KEY`	LLM 提供商的API密钥	`sk-...`
`LLM_CHOICE`	要使用的LLM模型	`gpt-4o-mini`
`EMBEDDING_MODEL_CHOICE`	要使用的嵌入模型	`text-embedding-3-small`
`DATABASE_URL`	PostgreSQL 连接字符串	`postgresql://user:pass@host:port/db`

运行服务器

使用 uv

SSE 传输

# 在 .env 中设置 TRANSPORT=sse 然后：
uv run src/main.py

MCP服务器将作为一个API端点运行，您可以使用以下配置连接到它。

Stdio 传输

使用stdio时，MCP客户端本身可以启动MCP服务器，因此此时无需运行任何内容。

使用 Docker

SSE 传输

docker run --env-file .env -p:8050:8050 mcp/mem0

MCP服务器将在容器内作为一个API端点运行，您可以使用以下配置连接到它。

Stdio 传输

使用stdio时，MCP客户端本身可以启动MCP服务器容器，因此此时无需运行任何内容。

与MCP客户端集成

SSE 配置

一旦您使用SSE传输运行了服务器，可以使用以下配置连接到它：

{
  "mcpServers": {
    "mem0": {
      "transport": "sse",
      "url": "http://localhost:8050/sse"
    }
  }
}

Windsurf 用户注意：在您的配置中使用 serverUrl 而不是 url：
{
  "mcpServers": {
    "mem0": {
      "transport": "sse",
      "serverUrl": "http://localhost:8050/sse"
    }
  }
}

n8n 用户注意：使用 host.docker.internal 而不是 localhost，因为n8n必须从其自身的容器外部访问主机：

因此MCP节点中的完整URL为：http://host.docker.internal:8050/sse

如果您使用的是默认值以外的端口，请确保更新端口。

Python 与 Stdio 配置

将此服务器添加到您的MCP配置中，适用于Claude Desktop、Windsurf或其他任何MCP客户端：

{
  "mcpServers": {
    "mem0": {
      "command": "your/path/to/mcp-mem0/.venv/Scripts/python.exe",
      "args": ["your/path/to/mcp-mem0/src/main.py"],
      "env": {
        "TRANSPORT": "stdio",
        "LLM_PROVIDER": "openai",
        "LLM_BASE_URL": "https://api.openai.com/v1",
        "LLM_API_KEY": "YOUR-API-KEY",
        "LLM_CHOICE": "gpt-4o-mini",
        "EMBEDDING_MODEL_CHOICE": "text-embedding-3-small",
        "DATABASE_URL": "YOUR-DATABASE-URL"
      }
    }
  }
}

Docker 与 Stdio 配置

{
  "mcpServers": {
    "mem0": {
      "command": "docker",
      "args": ["run", "--rm", "-i", 
               "-e", "TRANSPORT", 
               "-e", "LLM_PROVIDER", 
               "-e", "LLM_BASE_URL", 
               "-e", "LLM_API_KEY", 
               "-e", "LLM_CHOICE", 
               "-e", "EMBEDDING_MODEL_CHOICE", 
               "-e", "DATABASE_URL", 
               "mcp/mem0"],
      "env": {
        "TRANSPORT": "stdio",
        "LLM_PROVIDER": "openai",
        "LLM_BASE_URL": "https://api.openai.com/v1",
        "LLM_API_KEY": "YOUR-API-KEY",
        "LLM_CHOICE": "gpt-4o-mini",
        "EMBEDDING_MODEL_CHOICE": "text-embedding-3-small",
        "DATABASE_URL": "YOUR-DATABASE-URL"
      }
    }
  }
}

构建您自己的服务器

此模板为构建更复杂的MCP服务器提供了基础。要构建您自己的服务器：

通过创建带有 @mcp.tool() 装饰器的方法来添加您自己的工具
创建您自己的生命周期函数以添加您自己的依赖项（客户端、数据库连接等）
修改 utils.py 文件以包含您MCP服务器所需的任何辅助函数
您还可以自由添加提示和资源，使用 @mcp.resource() 和 @mcp.prompt()