Remote OpenClaw
Menu

Memory MCP Server

Neige-Neige/Memory-Defrost
8 starsCommunity

Install to Claude Code

This server doesn't publish a one-line install command. Follow the setup in the source repository.

Summary

A generic MCP memory service that provides AI clients with long-term memory capabilities, including semantic search, categorization, and priority management.

README.md

Memory MCP Server

一个通用的 MCP (Model Context Protocol) 记忆服务，为任何支持 MCP 协议的 AI 客户端提供长期记忆能力。支持语义搜索、记忆分类和优先级管理。

特性

  • 语义搜索 - 使用 Gemini gemini-embedding-001（3072维，100+语言支持，免费）
  • 多语言搜索 - 自动翻译查询词，支持中英日跨语言检索
  • 记忆分类 - 7 种预设分类，方便组织管理
  • 优先级系统 - 5 级重要性标记，影响搜索排序
  • 内存缓存 - 启动时加载记忆到内存，搜索更快
  • 自动升级 - 检测旧版 embedding 并自动重新生成
  • 渐进式注入 - 对话初期返回少量记忆，后期返回更多
  • 双版本支持 - 本地 JSON 存储 / 云端 PostgreSQL 存储
  • MCP 标准协议 - 兼容任何 MCP 客户端

可用工具

| 工具 | 说明 | 触发场景 | |------|------|----------| | save_memory | 保存重要的用户信息 | 用户提到重要个人信息、偏好、习惯 | | recall_memory | 按关键词/语义检索相关记忆 | 用户问「之前聊过什么」「你还记得吗」 | | update_memory | 更新已保存的记忆 | 需要修改之前保存的信息 | | list_all_memories | 查看所有已保存的记忆 | 用户要求列出所有记忆 | | delete_memory | 删除指定记忆 | 用户要求忘记某些信息 | | memory_stats | 显示记忆统计信息 | 查看记忆概览和分布 | | regenerate_embeddings | 重新生成所有记忆的 embedding | 切换 embedding 模型后使用 |

记忆优先级

每条记忆可以设置优先级（1-5），搜索时高优先级记忆会获得加成：

| 级别 | 说明 | 显示 | |------|------|------| | 1 | 最高 - 核心个人信息 | ★★★ | | 2 | 高 - 重要偏好或习惯 | ★★☆ | | 3 | 中 - 一般信息（默认） | ★☆☆ | | 4 | 低 - 临时或次要信息 | ☆☆☆ | | 5 | 最低 - 可能过时的信息 | · |

记忆分类

每条记忆可以归类到以下分类：

  • general - 通用（默认）
  • preference - 偏好设置
  • work - 工作相关
  • personal - 个人信息
  • habit - 习惯
  • skill - 技能
  • goal - 目标

渐进式注入

recall_memory 会根据会话中的调用次数，智能调整返回的记忆数量和类型：

| 调用次数 | 返回内容 | 目的 | |---------|---------|------| | 第 1 次 | 最多 3 条核心记忆（优先级 1-2 或 personal 分类） | 身份确认、关系确认、语言风格 | | 第 2 次 | 1 条最相关记忆 + 提示剩余数量 | 聚焦当前话题，提示可查看更多 | | 第 3+ 次 | MAX_RESULTS 条（默认 3） | 正常搜索，完整返回 |

会话重置：超过 5 分钟未调用 recall_memory，计数器自动归零

这个设计确保：

  • 对话开始时快速建立用户画像
  • 对话中期聚焦当前话题
  • 对话后期提供完整信息

两种部署方式

1. 本地版本 (memory_server.py)

适合本地运行的 MCP 客户端，使用 stdio 传输协议。

  • 记忆保存在本地 memories.json 文件
  • 使用关键词搜索
  • 数据完全本地化，隐私保护

运行方式： ``bash python memory_server.py ``

MCP 客户端配置示例： ``json { "mcpServers": { "memory": { "command": "python", "args": ["/path/to/memory_server.py"] } } } ``

2. 云端版本 (memory_server_http.py)

适合远程访问的 MCP 客户端，使用 HTTP/SSE 传输协议。

  • 使用 PostgreSQL 数据库存储
  • 集成 Gemini Embedding API 进行语义搜索
  • 支持多客户端连接
  • 需要部署到云平台（Railway、Render、Fly.io 等）或有公网 IP 的服务器

什么时候需要云端版本？ - 使用 Claude.ai 网页版 连接 MCP 服务时（需要公网可访问的 URL） - 需要从多台设备访问同一份记忆时 - 本地版本使用 stdio 协议，仅支持 Claude Desktop 等本地客户端

运行方式： ```bash

设置环境变量

export DATABASE_URL="postgresql://user:pass@host:5432/dbname" export GEMINI_API_KEY="your-gemini-api-key" # 可选，用于语义搜索 export PORT=8000

可选：设置工具前缀（用于运行多个实例时避免工具名冲突）

export TOOL_PREFIX="work_" # 工具名将变为 work_save_memory, work_recall_memory 等 export SERVER_NAME="work-memory" # 服务器名称

python memory_server_http.py ```

多实例部署

如果需要同时运行多个 Memory MCP 实例（例如工作记忆和个人记忆分开存储），需要设置不同的 TOOL_PREFIX 避免工具名冲突：

实例 1 - 工作记忆： ``bash export TOOL_PREFIX="work_" export SERVER_NAME="work-memory" export DATABASE_URL="postgresql://..." # 工作数据库 ``

实例 2 - 个人记忆： ``bash export TOOL_PREFIX="personal_" export SERVER_NAME="personal-memory" export DATABASE_URL="postgresql://..." # 个人数据库 ``

这样工具名会变成：

  • work_save_memory, work_recall_memory, ...
  • personal_save_memory, personal_recall_memory, ...

MCP 客户端连接：

  • SSE 端点: http://your-server:8000/sse
  • 健康检查: http://your-server:8000/health

安装

pip install -r requirements.txt

依赖说明：

  • mcp - MCP 协议库
  • starlette, uvicorn - HTTP 服务器（云端版本）
  • psycopg2-binary - PostgreSQL 驱动（云端版本）
  • numpy - 向量计算
  • requests - HTTP 客户端

云端部署

Railway 部署

  1. Fork 此仓库到你的 GitHub
  2. 在 Railway 创建新项目，连接 GitHub 仓库
  3. 添加 PostgreSQL 数据库服务
  4. 设置环境变量：
  • DATABASE_URL - 自动由 Railway 设置
  • GEMINI_API_KEY - 你的 Gemini API 密钥（可选）
  1. 部署完成后获取服务 URL

其他云平台

项目包含 Procfile，兼容 Heroku、Render 等平台： `` web: python memory_server_http.py ``

使用示例

保存记忆

"记住我喜欢用 TypeScript 写代码"
"我的项目用的是 React + Vite，这是工作相关的"
"记住我不喜欢在代码里加太多注释，优先级设为高"

回忆信息

"我之前告诉过你什么编程偏好？"
"你还记得我的项目用什么技术栈吗？"
"只在工作分类里找一下相关记忆"

更新记忆

"把记忆 3 的优先级改成最高"
"更新记忆 5，把分类改成 work"

查看统计

"显示记忆统计"
"列出所有 work 分类的记忆"

数据格式

本地 JSON 格式

[
  {
    "id": 1,
    "content": "用户喜欢喝咖啡",
    "tags": ["偏好", "饮食"],
    "priority": 2,
    "category": "preference",
    "created_at": "2024-01-01T12:00:00",
    "updated_at": "2024-01-01T12:00:00"
  }
]

云端数据库 Schema

CREATE TABLE memories (
    id SERIAL PRIMARY KEY,
    content TEXT NOT NULL,
    tags TEXT[] DEFAULT '{}',
    embedding FLOAT8[],
    priority INTEGER DEFAULT 3,
    category VARCHAR(50) DEFAULT 'general',
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
)

API 端点（云端版本）

| 端点 | 方法 | 说明 | |------|------|------| | /sse | GET | MCP SSE 连接端点 | | /messages/ | POST | MCP 消息处理 | | /health | GET | 健康检查 |

健康检查响应示例： ``json { "status": "ok", "service": "memory-mcp", "storage": "postgresql", "semantic_search": "enabled" } ``

技术架构

┌──────────────────────────────────────────────────────────┐
│                    MCP Client (任意)                      │
│         (Claude Desktop, API Client, Custom App)         │
└─────────────────────────┬────────────────────────────────┘
                          │ MCP Protocol
          ┌───────────────┴───────────────┐
          ▼                               ▼
┌─────────────────────┐      ┌─────────────────────────────┐
│   本地版本 (stdio)   │      │     云端版本 (HTTP/SSE)     │
│  memory_server.py   │      │   memory_server_http.py     │
├─────────────────────┤      ├─────────────────────────────┤
│ - JSON 文件存储      │      │ - PostgreSQL 数据库          │
│ - 关键词搜索         │      │ - Gemini Embedding 语义搜索  │
│ - 优先级/分类管理    │      │ - 优先级/分类管理             │
└─────────────────────┘      └─────────────────────────────┘

兼容的 MCP 客户端

本服务兼容任何支持 MCP 协议的客户端，包括但不限于：

  • Claude Desktop
  • 自定义 API 客户端
  • MCP Inspector（调试工具）
  • 其他 MCP 兼容应用

使用建议

关于客户端内置记忆功能 部分 MCP 客户端（如 Claude Desktop）自带记忆功能，其内置记忆的权重通常比外部 MCP 服务更高。 - 建议：根据自身需求决定是否关闭客户端的内置记忆功能 - 注意：如果关闭客户端内置记忆，所有记忆检索都会走本服务的 recall_memory，响应时间可能会稍长（需要进行语义搜索和数据库查询） 请根据实际使用场景自行权衡。

故障排除

语义搜索不工作

  1. 检查 GEMINI_API_KEY 环境变量是否设置
  2. 查看服务日志中的 [EMBEDDING] 相关信息
  3. 如果 API 出错，会自动降级为关键词搜索

数据库连接失败

  1. 检查 DATABASE_URL 格式是否正确
  2. 确认数据库服务正在运行
  3. 检查网络连接和防火墙设置

SSE 连接问题

  1. 确认客户端支持 SSE 传输
  2. 检查 CORS 设置（如果是跨域访问）
  3. 确认端口没有被占用

自定义 Embedding 服务

本项目默认使用 Google Gemini Embedding API（免费），但你可以替换为其他 embedding 服务。

当前默认行为

  • 有 GEMINI_API_KEY: 使用 Gemini gemini-embedding-001 模型进行语义搜索
  • 3072 维向量，精度更高
  • 支持 100+ 语言，跨语言检索效果更好
  • 启动时自动检测旧版 embedding (768维) 并升级
  • 无 GEMINI_API_KEY: 自动降级为关键词搜索（仍然可用）

替换为其他 Embedding 服务

如果你想使用 OpenAI、Cohere、本地模型等其他 embedding 服务，需要修改 memory_server_http.py 中的 get_embedding() 函数：

def get_embedding(text: str) -> list[float] | None:
    """获取文本的 embedding 向量"""
    # 替换为你的 embedding API 调用
    # 返回值应为 float 列表，如 [0.1, 0.2, ...]
    # 返回 None 表示失败，会降级为关键词搜索
    pass

常见替代方案：

  • OpenAI text-embedding-3-small
  • Cohere embed-multilingual-v3.0
  • 本地部署的 sentence-transformers
  • 其他支持中文的 embedding 模型

后续优化方向

  • [x] 语义搜索（Gemini Embedding）
  • [x] 多语言搜索（中英日跨语言检索）
  • [x] 记忆优先级
  • [x] 记忆分类管理
  • [x] 记忆更新功能
  • [x] 记忆统计功能
  • [x] Embedding 自动升级
  • [ ] 记忆过期机制
  • [ ] 记忆导出/导入
  • [ ] 记忆关联功能
  • [ ] WebSocket 传输支持

License

MIT

---

<p align="center"> <a href="https://buymeacoffee.com/neige_neige"> <img src="https://img.shields.io/badge/Buy%20Me%20A%20Coffee-yellow?style=flat-square&logo=buy-me-a-coffee"> </a> </p>

<p align="center"> <sub>Built with 🌀 <a href="https://github.com/anthropics/claude-code">Claude Code</a></sub> </p>

Related MCP servers

Browse all →

Apify MCP

apify/actors-mcp-server

Browser & ScrapingOpen

AWS MCP Servers

awslabs/mcp

9,330 starsOpen

Axiom MCP

axiomhq/mcp-server-axiom

61 starsOpen

Azure MCP

Azure/azure-mcp

1,219 starsOpen

Browserbase MCP

browserbase/mcp-server-browserbase

3,383 starsOpen

Chroma MCP

chroma-core/chroma-mcp

570 starsOpen

Browse

MCP servers by category

Other2643AI & ML2284Search2091Developer Tools1127Vector & Memory1121Cloud & DevOps721Files & Docs719Databases704Finance & Payments701Browser & Scraping485Communication418Productivity355