Agentwong Optimized Memory MCP Server

🚀 優化內存 MCP 服務器

本項目旨在測試和展示Claude AI的編程能力，同時呈現良好的AI工作流程和提示設計。這是一個基於Python的記憶MCP服務器（官方版本採用Java編寫），並以SQLite作為後端數據庫。

🚀 快速開始

本項目是一個記憶MCP服務器，通過本地知識圖譜實現持久化記憶，讓Claude能夠跨越不同聊天記錄記住用戶信息。

✨ 主要特性

• 基於Python實現，使用SQLite作為後端。
• 利用本地知識圖譜實現持久化記憶功能。
• 提供豐富的API工具，方便對實體進行創建、更新、獲取和刪除操作。
• 可與Claude Desktop集成，通過合理的提示設計實現記憶管理。

📚 詳細文檔

知識圖譜記憶服務器

本服務器實現了基本的記憶功能，藉助本地知識圖譜達成持久化記憶，使得Claude能夠在不同聊天記錄中記住用戶信息。

核心概念

• 實體：知識圖譜中的主要節點，每個實體具備唯一名稱（標識符）、實體型（如“人”“組織”“事件”等）以及觀察結果列表。 示例：

  {
    "name": "John_Smith",
    "entityType": "person",
    "observations": ["講流利的西班牙語"]
  }
  

• 關係：定義了實體之間的定向連接，以主動語態存儲，描述實體間的交互或關聯方式。 示例：

  {
    "from": "John_Smith",
    "to": "Anthropic",
    "relationType": "works_at"
  }
  

• 觀察結果：關於實體的離散信息片段，以字符串形式存儲，附加到特定實體，可獨立添加或刪除，應為原子事實。

API 工具說明

創建實體（Create Entities）

• 功能：創建一個新實體。
• 輸入參數：
  • name (字符串)：實體的名稱。
  • entityType (字符串)：實體型，例如“人”“組織”等。
• 示例代碼：

  response = client.create_entities([
      {"name": "John_Doe", "entityType": "person"},
      {"name": "TechCorp", "entityType": "organization"}
  ])
  

更新實體（Update Entity）

• 功能：更新現有實體的屬性。
• 輸入參數：
  • name (字符串)：實體的名稱。
  • properties (字典)：要更新的屬性和值。
• 示例代碼：

  response = client.update_entity("John_Doe", {"age": 30, "location": "New York"})
  

獲取實體（Get Entity）

• 功能：檢索特定實體的信息。
• 輸入參數：
  • name (字符串)：實體的名稱。
• 示例代碼：

  response = client.get_entity("John_Doe")
  print(response)  # 輸出實體的詳細信息
  

刪除實體（Delete Entity）

• 功能：刪除特定實體。
• 輸入參數：
  • name (字符串)：實體的名稱。
• 示例代碼：

  client.delete_entity("John_Doe")  # 成功刪除後返回True，失敗返回False
  

集成與Claude Desktop

提示設計（Prompt Design）

在使用記憶功能時，提示設計至關重要，合理調整提示有助於模型決定記憶的頻率和類型。 示例提示：

遵循以下步驟進行每次交互：

1. 用戶識別：
   - 你應假設與default_user交互
   - 如果尚未識別default_user，請主動嘗試識別。

2. 記憶檢索：
   - 總是從“Remembering...”開始，並從知識圖譜中檢索所有相關信息
   - 將知識圖譜稱為你的“記憶”

3. 記憶管理：
   - 在與用戶交流時，注意任何新信息，包括以下類別：
     a) 基本人際關係（年齡、性別、位置、職位、教育程度等）
     b) 行為（興趣、習慣等）
     c) 偏好（溝通風格、首選語言等）
     d) 目標（目標、目標、抱負等）
     e) 關係（個人和專業關係，最多三級）

4. 更新記憶：
   - 如果在交互中收集到新信息，請按以下方式更新記憶：
     a) 為重複出現的組織、人物和重要事件創建實體
     b) 使用關係將它們與當前實體連接
     c) 將有關它們的事實存儲為觀察結果

💻 使用示例

基礎用法

# 初始化MCP客戶端
client = MCPClient()

# 創建用戶實體
response = client.create_entities([
    {"name": "User_123", "entityType": "person"},
    {"name": "Default_Project", "entityType": "project"}
])

# 更新用戶屬性和關係
client.update_entity("User_123", {
    "age": 28,
    "location": "上海",
    "preferences": ["技術交流", "學習"]
})

# 添加觀察結果
client.add_observations("User_123", [
    {"content": "用戶在項目中表現出對人工智能的興趣", "timestamp": "2023-10-05"},
    {"content": "用戶偏妤早上進行技術討論", "timestamp": "2023-10-06"}
])

# 檢索記憶
memory = client.get_entity("User_123")
print(memory)  # 輸出用戶詳細信息和關聯關係

# 刪除實體（清理）
client.delete_entity("Default_Project")  # 成功返回True，失敗返回False

📦 安裝指南

Docker構建

docker build -t mcp/memory -f src/memory/Dockerfile . 

📄 許可證

此MCP服務器依據MIT許可證發佈。你可自由使用、修改和分發該軟件，但需遵循MIT許可證的條款和條件。詳細信息請查閱項目存儲庫中的LICENSE文件。