Memories With Lessons MCP Server

🚀 知識グラフサーバー

知識グラフサーバーは、知識グラフの管理や操作を行うためのサーバーです。様々なエンティティの操作や、新しいツールを提供しており、DockerやNPXを用いた簡単な設定が可能です。

✨ 主な機能

知識点図

• create_entity：新しいエンティティを作成します。
• get_entity：単一のエンティティの情報を取得します。
• update_entity：既存のエンティティの情報を更新します。
• delete_entity：指定されたエンティティを削除します。
• link_entities：2つのエンティティ間に関係を確立します。
• unlink_entities：2つのエンティティ間の関係を解除します。
• query_graph：クエリ条件に基づいて、一致するエンティティと関係を返します。
• add_observation：知識グラフに観測事実を追加します。
• get_observations：特定のエンティティのすべての観測事実を取得します。
• update_observation：既存の観測事実の内容を更新します。
• delete_observation：指定された観測事実を削除します。

新ツール

• create_lesson

  • エラーとその解決策を使用して新しいレッスンを作成します。
  • 入力：lesson（オブジェクト）
    • エラーパターン、解決策の手順、メタデータを含みます。
    • 作成時間と更新状況を自動的に追跡します。
    • 解決策の手順が完全であることを検証します。

• find_similar_errors

  • 類似したエラーとその解決策を検索します。
  • 入力：errorPattern（オブジェクト）
    • エラータイプ、メッセージ、コンテキストを含みます。
    • 成功率でソートされた一致するレッスンを返します。
    • 関連する解決策と検証手順を含みます。

• update_lesson_success

  • レッスンの成功追跡情報を更新します。
  • 入力：
    • lessonName（文字列）：更新するレッスンの名前
    • success（ブール値）：解決策が有効かどうかを示します
  • 成功率と頻度の指標を更新します。

• get_lesson_recommendations

  • コンテキストに基づいて関連するレッスンの推薦を取得します。
  • 入力：context（文字列）
  • 関連性と成功率でソートされたレッスンを返します。
  • 完全な解決策の詳細と検証手順を含みます。

📦 インストール

Docker 設定

claude_desktop_config.json に以下の内容を追加します。

{
  "mcpServers": {
    "memory": {
      "command": "docker",
      "args": ["run", "-i", "-v", "claude-memory:/app/dist", "--rm", "mcp/memory"]
    }
  }
}

NPX 設定

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-memory"
      ]
    }
  }
}

カスタム環境変数設定

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-memory"
      ],
      "env": {
        "MEMORY_FILE_PATH": "/path/to/custom/memory.json"
      }
    }
  }
}

• MEMORY_FILE_PATH：メモリの保存先となるJSONファイルのパスを指定します（デフォルトはサーバーディレクトリ内の memory.json）

💻 使用例

システムプロンプト

使用シナリオに応じてプロンプトを調整します。以下は、Claude.ai プロジェクトの "Custom Instructions" フィールドで使用できるチャットのカスタマイズ設定の例です。

以下の手順に従って各インタラクションを行います。

1. ユーザー識別：
   - default_user とのインタラクションを想定します。
   - そうでない場合は、次の手順に進みます。

2. コンテキスト管理：
   - メモリグラフを使用してコンテキスト情報を保存します。
   - 必要に応じて関連するコンテキストを取得します。

3. ターゲット応答：
   - ユーザー入力を分析します。
   - 意味のある応答を生成します。

知識グラフの例

{
  "entities": [
    {
      "id": "e1",
      "name": "Alice",
      "age": 30,
      "occupation": "Engineer"
    },
    {
      "id": "e2",
      "name": "Bob",
      "age": 28,
      " occupation": "Designer"
    }
  ],
  "relations": [
    {
      "id": "r1",
      "from": "e1",
      "to": "e2",
      "type": "colleagues"
    }
  ],
  "observations": [
    {
      "id": "o1",
      "entity": "e1",
      "content": "Alice works at Google."
    },
    {
      "id": "o2",
      "entity": "e2", 
      "content": "Bob works at Microsoft."
    }
  ]
}

🔧 ビルド方法

docker build -t mcp-memory-server .
docker run -p 3000:3000 mcp-memory-server

📄 ライセンス

このプロジェクトは MIT License の下でライセンスされています。詳細については LICENSE ファイルを参照してください。

@your_name の貢献に感謝します！