Memory MCP

一个用于记录和检索来自LLM对话的记忆，并具有智能上下文窗口缓存能力的模型上下文协议（MCP）服务器。

特性

• 保存记忆：存储带有时间戳和LLM标识的记忆
• 检索记忆：获取所有存储的记忆及其详细元数据
• 添加记忆：追加新记忆而不覆盖现有记忆
• 清除记忆：移除所有存储的记忆
• 上下文窗口缓存：归档、检索和总结对话上下文
• 相关性评分：自动对归档内容的相关性进行评分
• 基于标签搜索：通过标签分类和搜索上下文
• 对话编排：外部系统管理上下文窗口缓存
• MongoDB存储：使用MongoDB数据库进行持久化存储

安装

方案1：从npm安装（推荐）

npm install -g @jamesanz/memory-mcp

安装时会自动配置Claude Desktop。

方案2：从源码安装

1. 安装依赖项：

npm install

2. 构建项目：

npm run build

配置

通过环境变量设置MongoDB连接字符串：

export MONGODB_URI="mongodb://localhost:27017"

默认值：mongodb://localhost:27017

使用

运行MCP服务器

启动MCP服务器：

npm start

运行对话编排器演示

尝试交互式CLI演示：

npm run cli

CLI演示允许您：

• 添加消息以模拟对话
• 查看当上下文满时自动归档
• 触发手动归档和检索
• 创建归档内容的摘要
• 监控对话状态并获得建议

基本记忆工具

1. save-memories：将所有记忆保存到数据库中，覆盖现有记忆

   • memories：要保存的记忆字符串数组
   • llm：LLM的名称（例如，'chatgpt'，'claude'）
   • userId：可选用户标识符

2. get-memories：从数据库中检索所有记忆

   • 不需要参数

3. add-memories：向数据库添加新记忆而不覆盖现有记忆

   • memories：要添加的记忆字符串数组
   • llm：LLM的名称（例如，'chatgpt'，'claude'）
   • userId：可选用户标识符

4. clear-memories：从数据库中清除所有记忆

   • 不需要参数

上下文窗口缓存工具

5. archive-context：归档对话中的上下文消息，带有标签和元数据

   • conversationId：对话的唯一标识符
   • contextMessages：要归档的上下文消息数组
   • tags：用于归档内容分类的标签
   • llm：LLM的名称（例如，'chatgpt'，'claude'）
   • userId：可选用户标识符

6. retrieve-context：检索对话的相关归档上下文

   • conversationId：对话的唯一标识符
   • tags：可选过滤标签
   • minRelevanceScore：最小相关性评分（0-1，默认：0.1）
   • limit：返回的最大项目数（默认：10）

7. score-relevance：评估归档上下文相对于当前对话上下文的相关性

   • conversationId：对话的唯一标识符
   • currentContext：要比较的当前对话上下文
   • llm：LLM的名称（例如，'chatgpt'，'claude'）

8. create-summary：创建上下文项目的摘要并将它们链接到摘要

   • conversationId：对话的唯一标识符
   • contextItems：要总结的上下文项目
   • summaryText：人类提供的摘要文本
   • llm：LLM的名称（例如，'chatgpt'，'claude'）
   • userId：可选用户标识符

9. get-conversation-summaries：获取特定对话的所有摘要

   • conversationId：对话的唯一标识符

10. search-context-by-tags：通过标签搜索归档上下文和摘要

    • tags：要搜索的标签

在LLM中的示例用法

基本记忆操作

1. 保存所有记忆（覆盖现有记忆）：

   用户："将这次对话中的所有记忆保存到MCP服务器"
   LLM：[使用save-memories工具保存当前对话记忆]
   

2. 检索所有记忆：

   用户："从MCP服务器获取我的所有记忆"
   LLM：[使用get-memories工具检索存储的记忆]
   

上下文窗口缓存工作流程

1. 当窗口满时归档上下文：

   用户："对话变得很长了，归档早期的部分"
   LLM：[使用archive-context工具存储旧消息并添加标签]
   

2. 评估归档内容的相关性：

   用户："归档的内容与我们当前讨论的相关性如何？"
   LLM：[使用score-relevance工具评估归档内容]
   

3. 检索相关归档上下文：

   用户："恢复相关的归档信息"
   LLM：[使用retrieve-context工具获取相关归档内容]
   

4. 为长对话创建摘要：

   用户："总结我们对话的早期部分"
   LLM：[使用create-summary工具压缩归档内容]
   

对话编排系统

ConversationOrchestrator类提供自动上下文窗口管理：

主要特性

• 自动归档：当上下文使用达到80%时归档内容
• 智能检索：当使用率降至30%以下时检索相关内容
• 相关性评分：使用关键词重叠来评分归档内容的相关性
• 智能标签：根据内容关键词自动生成标签
• 对话状态管理：跟踪活跃对话及其上下文
• 建议：提供最佳上下文管理建议

使用示例

import { ConversationOrchestrator } from "./orchestrator.js";

const orchestrator = new ConversationOrchestrator(8000); // 8k字限制

// 添加一条消息（触发自动归档/检索）
const result = await orchestrator.addMessage(
  "conversation-123",
  "这是对话中的新消息",
  "claude",
);

// 检查是否需要归档
if (result.archiveDecision?.shouldArchive) {
  await orchestrator.executeArchive(result.archiveDecision, result.state);
}

// 检查是否需要检索
if (result.retrievalDecision?.shouldRetrieve) {
  await orchestrator.executeRetrieval(result.retrievalDecision, result.state);
}

数据库模式

基本记忆结构

type BasicMemory = {
  _id: ObjectId;
  memories: string[]; // 记忆字符串数组
  timestamp: Date; // 记忆保存的时间
  llm: string; // LLM标识符（例如，'chatgpt'，'claude'）
  userId?: string; // 可选用户标识符
};

扩展记忆结构（上下文缓存）

type ExtendedMemory = {
  _id: ObjectId;
  memories: string[]; // 记忆字符串数组
  timestamp: Date; // 记忆保存的时间
  llm: string; // LLM标识符
  userId?: string; // 可选用户标识符
  conversationId?: string; // 对话的唯一标识符
  contextType?: "active" | "archived" | "summary";
  relevanceScore?: number; // 0-1的相关性评分
  tags?: string[]; // 分类标签
  parentContextId?: ObjectId; // 摘要内容的原始内容引用
  messageIndex?: number; // 对话中的顺序
  wordCount?: number; // 尺寸追踪
  summaryText?: string; // 压缩版本
};

上下文窗口缓存工作流程

编排系统自动：

1. 监控对话长度和上下文使用情况
2. 归档内容当上下文使用达到80%时
3. 评分归档内容相对于当前上下文的相关性
4. 检索相关内容当使用率降至30%以下时
5. 创建摘要以压缩非常长的对话

主要特性

• 对话分组：所有归档内容都链接到特定的对话ID
• 相关性评分：简单的关键词重叠评分（可以增强语义相似度）
• 基于标签组织：分类内容以便于检索
• 摘要链接：保持摘要与原始内容之间的链接
• 向后兼容性：所有现有的记忆函数无需更改即可工作
• 自动管理：基本操作不需要人工干预

开发

要在开发模式下运行：

npm run build
node build/index.js

要运行CLI演示：

npm run cli

许可证

ISC