optimized-memory-mcp-server

这是为了测试和展示 Claude AI 的编程能力，以及良好的 AI 工作流程和提示设计。这是一个基于 Python 的记忆 MCP 服务器的分支（我相信官方版本是用 Java 编写的），它使用 SQLite 作为后端。

知识图谱记忆服务器

这是一个使用本地知识图谱实现持久记忆的基本示例。这使得 Claude 可以在多次聊天中记住用户的信息。

核心概念

实体

实体是知识图谱中的主要节点。每个实体具有：

• 唯一名字（标识符）
• 实体类型（例如，“人”、“组织”、“事件”）
• 观察列表

示例：

{
  "name": "John_Smith",
  "entityType": "person",
  "observations": ["Speaks fluent Spanish"]
}

关系

关系定义了实体之间的有向连接。它们总是以主动语态存储，并描述实体之间如何互动或关联。

示例：

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

观察

观察是对实体的具体信息片段。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
• 应该是原子性的（每个观察一个事实）

示例：

{
  "entityName": "John_Smith",
  "observations": [
    "Speaks fluent Spanish",
    "Graduated in 2019",
    "Prefers morning meetings"
  ]
}

API

工具

• create_entities

  • 在知识图谱中创建多个新实体
  • 输入: entities (对象数组)
    • 每个对象包含:
      • name (字符串): 实体标识符
      • entityType (字符串): 类型分类
      • observations (字符串[]): 关联的观察
  • 忽略已存在的名称实体

• create_relations

  • 在实体之间创建多个新关系
  • 输入: relations (对象数组)
    • 每个对象包含:
      • from (字符串): 源实体名称
      • to (字符串): 目标实体名称
      • relationType (字符串): 主动语态的关系类型
  • 跳过重复的关系

• add_observations

  • 向现有实体添加新的观察
  • 输入: observations (对象数组)
    • 每个对象包含:
      • entityName (字符串): 目标实体
      • contents (字符串[]): 要添加的新观察
  • 返回每个实体添加的观察
  • 如果实体不存在则失败

• delete_entities

  • 删除实体及其关系
  • 输入: entityNames (字符串数组)
  • 级联删除关联的关系
  • 如果实体不存在则静默操作

• delete_observations

  • 从实体中删除特定的观察
  • 输入: deletions (对象数组)
    • 每个对象包含:
      • entityName (字符串): 目标实体
      • observations (字符串[]): 要删除的观察
  • 如果观察不存在则静默操作

• delete_relations

  • 从图中删除特定的关系
  • 输入: relations (对象数组)
    • 每个对象包含:
      • from (字符串): 源实体名称
      • to (字符串): 目标实体名称
      • relationType (字符串): 关系类型
  • 如果关系不存在则静默操作

• read_graph

  • 读取整个知识图谱
  • 不需要输入
  • 返回包含所有实体和关系的完整图结构

• search_nodes

  • 根据查询搜索节点
  • 输入: query (字符串)
  • 搜索范围:
    • 实体名称
    • 实体类型
    • 观察内容
  • 返回匹配的实体及其关系

• open_nodes

  • 通过名称检索特定节点
  • 输入: names (字符串数组)
  • 返回:
    • 请求的实体
    • 请求实体之间的关系
  • 静默跳过不存在的节点

使用 Claude Desktop

设置

将以下内容添加到您的 claude_desktop_config.json 中：

Docker

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

NPX

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

系统提示

利用记忆的提示取决于用例。更改提示将有助于模型确定创建记忆的频率和类型。

这是一个用于聊天个性化的示例提示。您可以在 Claude.ai 项目 的“自定义指令”字段中使用此提示。

Follow these steps for each interaction:

1. User Identification:
   - You should assume that you are interacting with default_user
   - If you have not identified default_user, proactively try to do so.

2. Memory Retrieval:
   - Always begin your chat by saying only "Remembering..." and retrieve all relevant information from your knowledge graph
   - Always refer to your knowledge graph as your "memory"

3. Memory
   - While conversing with the user, be attentive to any new information that falls into these categories:
     a) Basic Identity (age, gender, location, job title, education level, etc.)
     b) Behaviors (interests, habits, etc.)
     c) Preferences (communication style, preferred language, etc.)
     d) Goals (goals, targets, aspirations, etc.)
     e) Relationships (personal and professional relationships up to 3 degrees of separation)

4. Memory Update:
   - If any new information was gathered during the interaction, update your memory as follows:
     a) Create entities for recurring organizations, people, and significant events
     b) Connect them to the current entities using relations
     b) Store facts about them as observations

构建

Docker:

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

许可证

此MCP服务器根据MIT许可证授权。这意味着您可以自由使用、修改和分发该软件，但必须遵守MIT许可证的条款和条件。更多详情，请参阅项目仓库中的LICENSE文件。