Optimized Memory MCP Server

🚀 优化内存 MCP 服务器

本项目旨在测试和演示 Claude AI 的编程能力，以及展示良好的 AI 工作流程和提示设计。它是一个基于 Python 的本地知识图谱记忆 MCP 服务器（官方实现采用 Java 编写）的分支版本，使用 SQLite 作为后端数据库。

🚀 快速开始

在聊天开始时，Claude 会主动检索所有相关记忆，并以“正在回忆...”开头提示用户。在整个对话过程中，Claude 会注意收集新信息，并将其更新到知识图谱中。

✨ 主要特性

知识图谱内存服务器

实现了基本的知识图谱持久化内存功能，让 Claude 能够记住用户在聊天中的信息。

📦 安装指南

使用 Docker 进行构建：

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

💻 使用示例

基础用法

建议根据具体的使用场景调整提示内容，以便模型决定记忆的频率和类型。以下是一个用于聊天个性化的示例提示：

按照以下步骤进行每次交互：

1. 用户识别：
   - 您应假设与 default_user 对话
   - 如果尚未确定 default_user，请主动尝试识别。

2. 记忆检索：
   - 总是从“正在回忆...”开始，从知识图谱中检索所有相关信息。
   - 将知识图谱称为您的“记忆”。

3. 记忆内容：
   - 在与用户交流时，注意收集以下类别的新信息：
     a) 基本人格（年龄、性别、位置、职位、教育水平等）
     b) 行为（兴趣、习惯等）
     c) 偏好（沟通风格、首选语言等）
     d) 目标（目标、目标、抱负等）
     e) 关系（个人和专业关系，直到三度分离）

4. 更新记忆：
   - 如果在交互中收集到任何新信息，请按照以下方式更新您的记忆：
     a) 为反复出现的组织、人物和重要事件创建实体
     b) 使用关系将它们与当前实体连接
     c) 将有关它们的事实存储为观察结果

📚 详细文档

核心概念

实体

实体是知识图谱中的主要节点。每个实体都有：

• 唯一名称（标识符）
• 实体型（例如，“人”，“组织”，“事件”）
• 观察结果列表

示例：

{
  "name": "John_Smith",
  "entityType": "person",
  "observations": ["会说流利的西班牙语"]
}

关系

关系定义了实体之间的定向连接。它们始终以主动语态存储，并描述实体如何相互作用或关联。

示例：

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

观察结果

观察结果是对实体的离散信息片段。它们是：

• 以字符串形式存储
• 附加到特定实体
• 可以独立添加或删除
• 应该是原子化的（每个观察结果表示一个事实）

示例：

{
  "entityName": "John_Smith",
  "observations": [
    "会说流利的西班牙语",
    "2019年毕业",
    "喜欢早晨会议"
  ]
}

API

工具

实体管理

• getEntities(): 获取所有实体。
• addEntity(entity): 添加新实体。
• updateEntity(entityId, updates): 更新指定实体的属性。

关系管理

• getRelations(): 获取所有关系。
• addRelation(relation): 添加新关系。
• removeRelation(relationId): 删除指定关系。

观察结果管理

• getObservations entityId: 获取指定实体的所有观察结果。
• addObservation(entityId, observation): 添加新的观察结果到指定实体。
• updateObservation(observationId, updates): 更新指定的观察结果。

📄 许可证

此 MCP 服务器根据 MIT License 分发。这意味着您可以自由地使用、修改和分发软件，但需遵守 MIT 许可证的条款和条件。有关更多详细信息，请参阅项目存储库中的 LICENSE 文件。