Enhanced Memory MCP

MCPAI代理

提供方 marc-shade

AI代理 stdio · 本地进程 无需鉴权 社区 / 第三方 Claude DesktopClaude
查看接入方式

一个基于Model Context Protocol的高性能AI代理内存管理系统,提供200多种工具,包括压缩SQLite存储、4层内存架构、类Git版本控制、多策略RAG和AGI认知阶段。

一句话选型结论

按资料字段整理

Enhanced Memory MCP 属于AI代理类 MCP 服务器,stdio · 本地进程,无需鉴权,可直接接入 Claude Desktop、Claude,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 26 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量26暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

支持客户端

适用场景

内存管理Python本地部署AI代理RAGAGISQLite存储版本控制

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
python3 comprehensive_test.py

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 26 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 26 个工具,覆盖面较广,能满足多种调用。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 已适配 Claude Desktop、Claude,换客户端不用重新研究配置。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 已经在用 Claude Desktop、Claude 的用户,接入路径最短。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Enhanced Memory MCP当前 26 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方marc-shade上游标注的维护方 marc-shade
分类AI代理本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

13.9 KB
来自项目仓库与上游目录的原文,未做删改

增强内存MCP服务器

基于 模型上下文协议。提供200多种工具,涵盖压缩SQLite存储、4层内存架构、类似Git的版本控制、多策略RAG、AGI认知阶段以及基于配置文件的扩展的模块化工具加载。

特性

  • 4层内存架构:具有自动升级/降级功能的核心层、工作层、参考层和归档层
  • 200+MCP工具:基于配置文件加载的模块化注册系统(全模式与编排模式)
  • 先进的RAG管道:4层检索策略——混合搜索、重新排序、查询扩展、代理RAG、GraphRAG
  • 神经记忆结构(NMF):具有打开/编辑/关闭语义的Letta风格内存块
  • 类似Git的版本控制:跨会话分支、区分和恢复内存状态
  • 真实压缩:使用zlib级别9、SHA256校验和进行2.4倍数据缩减
  • AGI认知阶段:身份、时间推理、情感标记、元认知(4个阶段)
  • 智能路由器:具有不确定性评分的多提供商LLM路由
  • 防幻觉引擎:因果推理、奇怪循环检测、持续学习
  • 代码执行沙盒:基于Python的受限安全执行,带有PII标记
  • 语义缓存:LLM推理结果缓存(生产中的命中率为30-40%)
  • 歧管工作记忆:具有轨迹压缩的高维工作记忆
  • 三重信号搜索:结合BM25、向量相似度和图接近度的三向排名
  • 熵评分:记忆优先级的信息论重要性评分
  • 工具使用分析:跟踪调用哪些工具来优化配置文件加载
  • 集群智能:通过集群大脑和SAFLA远程集成进行多节点协调

演出

基于生产测试:

  • 写入速度:每个实体约0.04ms
  • 读取速度:每次查询约0.01毫秒
  • 压缩:平均减少2.4倍
  • 语义缓存命中率: 30-40%
  • 存储:SQLite数据库位于 ~/.claude/enhanced_memories/memory.db

安装

先决条件

  • Python 3.11+
  • 紫外线 (推荐)或pip

快速开始```bash

git clone https://github.com/marc-shade/enhanced-memory-mcp.git
cd enhanced-memory-mcp
uv venv --python 3.11 .venv
source .venv/bin/activate
uv pip install -r requirements.txt


### 在Claude代码中配置

添加到您的 `~/.claude.json`:```json
{
"mcpServers": {
"enhanced-memory": {
"command": "python3",
"args": ["/path/to/enhanced-memory-mcp/server.py"]
}
}
}

在Claude桌面中配置

添加到您的Claude Desktop MCP配置中:```json
{
"mcpServers": {
"enhanced-memory": {
"command": "/path/to/enhanced-memory-mcp/.venv/bin/python3",
"args": ["/path/to/enhanced-memory-mcp/server.py"]
}
}
}


## 建筑

### 内存层

|层次|目的|访问模式|
|------|---------|----------------|
| **核心** |系统角色、AI代理库、执行模式|启动时预装,子ms访问|
| **工作** |活动项目、当前上下文、代理分配|会话范围、频繁读/写|
| **参考** |文档、代码模式、错误解决方案|全文搜索,延迟加载|
| **档案** |历史数据、指标、决策日志|最大压缩,日期分区|

### 模块体系结构```
server.py                    # Main FastMCP entry point
├── server/                  # Core server modules
│   ├── config.py            # Configuration and logging
│   ├── database.py          # SQLite connection management
│   ├── compression.py       # zlib compression engine
│   ├── compaction.py        # Entity compaction and cleanup
│   ├── integrity.py         # SHA256 integrity verification
│   ├── versioning.py        # Git-like memory versioning
│   └── modules.py           # Profile-based module loader
├── router/                  # Intelligent LLM routing
│   ├── router.py            # Multi-provider router
│   ├── intelligent_router.py # Uncertainty-aware routing
│   ├── uncertainty.py       # Uncertainty scoring
│   └── providers/           # Provider implementations
├── sandbox/                 # Code execution sandbox
│   ├── executor.py          # RestrictedPython execution
│   ├── security.py          # Safety checks
│   ├── pii_tokenizer.py     # PII detection and tokenization
│   ├── lazy_loader.py       # Deferred module loading
│   └── tool_discovery.py    # Dynamic tool discovery
├── agi/                     # AGI cognitive modules (22 files)
│   ├── consolidation.py     # Sleep-like memory consolidation
│   ├── metacognition.py     # Self-awareness tracking
│   ├── belief_tracking.py   # Probabilistic belief states
│   ├── temporal_reasoning.py # Causal chains
│   ├── emotional_memory.py  # Emotional tagging
│   └── ...
├── *_tools.py (31 files)    # MCP tool modules
└── test_*.py (67 files)     # Test suite

RAG战略管道

层级 策略 工具 文件
1 混合搜索(BM25+矢量) search_hybrid hybrid_search_tools_nmf.py
1 重新排序(交叉编码器) search_with_reranking reranking_tools_nmf.py
2 查询扩展 search_with_query_expansion query_expansion_tools.py
2 多查询RAG search_with_multi_query multi_query_rag_tools.py
3.1 上下文检索 generate_context_for_chunk contextual_retrieval_tools.py
3.2 上下文感知分块 chunk_document_semantic context_aware_chunking.py
3.3 分层RAG search_hierarchical hierarchical_rag_tools.py
4.1 代理+自我反思的RAG agentic_retrieve agentic_rag_tools.py
4.2 GraphRAG graph_enhanced_search graphrag_tools.py
4.3 视觉记忆 store_visual_episode visual_memory_tools.py
-- 三重信号搜索 triple_signal_search triple_signal_tools.py
-- 语义缓存 semantic_cache_get, agi_cached_reasoning semantic_cache_tools.py
-- FACT缓存 fact_search fact_integration.py
-- 统一搜索 unified_search unified_search_api.py

内存配置文件

通过控制工具加载 MEMORY_PROFILE 环境变量:```bash

Full mode (default): All 200+ tools loaded

MEMORY_PROFILE=full python3 server.py

Orchestrator mode: ~15 essential tools for coordination

MEMORY_PROFILE=orchestrator python3 server.py


仅加载编排器模式: `nmf_tools`, `safla_remote_integration`, `fact_integration`, `unified_search_api`, `semantic_cache_tools`, `reasoning_bank`.

### 数据库模式

中的主表 `~/.claude/enhanced_memories/memory.db`:```sql
-- Core memory storage with compression and versioning
CREATE TABLE entities (
id INTEGER PRIMARY KEY,
name TEXT UNIQUE NOT NULL,
entity_type TEXT NOT NULL,
tier TEXT DEFAULT 'working',
compressed_data BLOB,
original_size INTEGER,
compressed_size INTEGER,
compression_ratio REAL,
checksum TEXT,
created_at TIMESTAMP,
accessed_at TIMESTAMP,
access_count INTEGER DEFAULT 0
);

-- Entity relationships with causal tracking
CREATE TABLE relations (
id INTEGER PRIMARY KEY,
from_entity TEXT NOT NULL,
to_entity TEXT NOT NULL,
relation_type TEXT NOT NULL,
weight REAL DEFAULT 1.0,
causal INTEGER DEFAULT 0,
created_at TIMESTAMP,
UNIQUE(from_entity, to_entity, relation_type)
);

-- Git-like version history
CREATE TABLE entity_versions (
id INTEGER PRIMARY KEY,
entity_name TEXT NOT NULL,
version INTEGER NOT NULL,
branch TEXT DEFAULT 'main',
compressed_data BLOB,
checksum TEXT,
created_at TIMESTAMP
);

附加表格: observations, entity_branches, working_memory, episodic_memory, semantic_memory, procedural_memory, visual_episodes.

API示例

创建实体```python

await create_entities({
"entities": [
{
"name": "project_alpha",
"entityType": "project",
"observations": ["Architecture uses microservices", "Deployed on Kubernetes"]
}
]
})


### 搜索节点```python
await search_nodes({
"query": "microservices architecture",
"entity_types": ["project"],
"limit": 10
})

统一搜索(智能路由)```python

await unified_search({
"query": "How does authentication work?",
"strategy": "auto" # Automatically selects best RAG strategy
})


### 代理RAG(自反射检索)```python
await agentic_retrieve({
"query": "memory consolidation patterns",
"max_iterations": 3,
"quality_threshold": 0.7
})

神经记忆结构```python

Open a memory block for editing

await nmf_open_block({"block_id": "working_context"})

Edit the block

await nmf_edit_block({
"block_id": "working_context",
"content": "Current focus: implementing authentication module"
})

Recall related memories

await nmf_recall({"query": "authentication patterns"})

Close the block

await nmf_close_block({"block_id": "working_context"})


### 语义缓存```python
# Cache an LLM reasoning result
await semantic_cache_store({
"query": "Explain transformer attention mechanisms",
"result": "Transformers use self-attention to...",
"ttl_hours": 24
})

# Retrieve cached result (fuzzy match)
await semantic_cache_get({
"query": "How do transformer attention heads work?"
})

内存版本控制```python

Create a branch

await memory_branch({"branch_name": "experiment-v2"})

Make changes, then diff

await memory_diff({"branch": "experiment-v2", "base": "main"})

Revert if needed

await memory_revert({"entity_name": "project_alpha", "version": 3})


## 工具模块

### 核心工具(始终加载)

|模块|工具|说明|
|--------|-------|-------------|
| `server/` | `create_entities`, `search_nodes`, `get_memory_status` |核心CRUD+版本控制|

### AGI认知工具

|模块|阶段|描述|
|--------|-------|-------------|
| `agi_tools.py` |第1阶段|身份、动作跟踪、代理注册|
| `agi_tools_phase2.py` |第二阶段|时间推理,类似睡眠的巩固|
| `agi_tools_phase3.py` |第3阶段|情感标记,联想网络|
| `agi_tools_phase4.py` |阶段4 |元认知,自我提升周期|

### RAG和搜索工具

|模块|说明|
|--------|-------------|
| `hybrid_search_tools_nmf.py` |BM25+矢量混合搜索|
| `reranking_tools_nmf.py` |交叉编码器重新排序(ms marco MiniLM)|
| `query_expansion_tools.py` |LLM驱动的查询扩展|
| `multi_query_rag_tools.py` |多视角查询生成|
| `contextual_retrieval_tools.py` |上下文增强的块检索|
| `hierarchical_rag_tools.py` |多级文档索引|
| `agentic_rag_tools.py` |自主自反射检索|
| `graphrag_tools.py` |图形增强搜索|
| `triple_signal_tools.py` |三向排名(BM25+矢量+图形)|
| `visual_memory_tools.py` |可视化剧集存储和相似性搜索|

### 内存管理工具

|模块|说明|
|--------|-------------|
| `nmf_tools.py` |神经记忆织物(Letta风格块)|
| `reasoning_tools.py` |75/15规则优先级|
| `semantic_cache_tools.py` |LLM推理结果缓存|
| `fact_integration.py` |快速缓存优先事实检索|
| `unified_search_api.py` |智能搜索策略路由|
| `reasoning_bank.py` |从推理结果中持续学习|
| `manifold_working_memory_tools.py` |高维工作记忆|
| `trajectory_compression.py` |内存轨迹压缩|
| `entropy_scoring.py` |信息论重要性评分|
| `lru_cache_layer.py` |热实体的LRU缓存|

### 情报工具

|模块|说明|
|--------|-------------|
| `anti_hallucination.py` |幻觉检测和预防|
| `causal_inference.py` |因果关系发现|
| `strange_loops.py` |自参考循环检测|
| `continuous_learning.py` |在线互动学习|
| `model_router.py` |多提供商LLM路由|
| `activation_field_tools.py` |记忆激活场动力学|
| `procedural_evolution_tools.py` |程序性记忆进化|
| `routing_learning_tools.py` |学习查询路由优化|
| `surprise_consolidation_tools.py` |基于惊喜的内存整合|
| `provenance.py` |来源跟踪和L-Score验证|

### 集成工具

|模块|说明|
|--------|-------------|
| `safla_tools.py` |SAFLA 4层内存集成|
| `safla_remote_integration.py` |远程SAFLA集群网桥|
| `cluster_brain_tools.py` |多节点集群智能|
| `sleeptime_tools.py` |Letta睡眠时间计算集成|
| `tool_usage_logger.py` |工具调用分析|

## 测试```bash
# Run comprehensive test suite
python3 comprehensive_test.py

# RAG integration tests (22 tests)
python3 test_rag_integration_comprehensive.py

# Test specific subsystems
python3 test_graphrag_integration.py
python3 test_manifold_working_memory.py
python3 test_triple_signal_search.py
python3 test_surprise_consolidation.py
python3 test_trajectory_compression.py
python3 test_anti_hallucination.py
python3 test_causal_inference.py

# AGI phase tests
python3 test_agi_phase1.py
python3 test_agi_phase2.py
python3 test_agi_phase3.py
python3 test_agi_phase4.py

# Code execution sandbox
python3 test_advanced_tool_use.py

添加新工具

  1. 创建 {feature}_tools.py 使用注册模式:```python
    def register_{feature}_tools(app, *args):
    @app.tool()
    async def my_new_tool(param: str) -> str:
    """Tool description shown in MCP."""
    return result

2. 注册于 `server/modules.py`:```python
if should_load_module("{feature}_tools"):
try:
from {feature}_tools import register_{feature}_tools
register_{feature}_tools(app)
except Exception as e:
logger.warning(f"{feature} integration skipped: {e}")
  1. 添加 tool_catalog.py 用于渐进式工具发现。
  2. 在中编写测试 test_{feature}.py.

环境变量

变量 默认值 描述
MEMORY_PROFILE full 刀具加载曲线(full 或 orchestrator)
TOOL_USAGE_LOGGING true 启用工具调用分析
AGENTIC_SYSTEM_PATH ~/agentic-system 代理系统的根路径
OLLAMA_HOST localhost:11434 用于LLM操作的Ollama服务器
QDRANT_HOST localhost Qdrant矢量数据库主机
QDRANT_PORT 6333 Qdrant矢量数据库端口
ANTHROPIC_API_KEY -- 用于生成上下文前缀
OPENAI_API_KEY -- 用于查询扩展(可选)

依赖项

关键依赖关系(参见 requirements.txt 完整列表):

  • fastmcp --MCP协议实现
  • sentence-transformers --交叉编码器重新排序(ms-marco-MiniLM-L-6-v2)
  • qdrant-client --BM25+矢量混合搜索
  • RestrictedPython --安全执行沙盒代码
  • anthropic -用于上下文检索的Claude API
  • numpy --矢量运算和熵评分

许可证

麻省理工学院

常见问题

8 问
答案由本站依据条目字段整理,不引用上游原文
Enhanced Memory MCP 怎么安装?

在客户端按下面的安装命令接入:python3 comprehensive_test.py。装完在客户端配置里引用同一个包或端点。

Enhanced Memory MCP 怎么在 Claude Desktop、Claude 里配置?

它的传输方式是stdio · 本地进程,在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,配置才会生效。

Enhanced Memory MCP 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Enhanced Memory MCP 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Enhanced Memory MCP 支持哪些客户端?

资料标注支持 Claude Desktop、Claude;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

Enhanced Memory MCP 能提供哪些能力?

资料显示约 26 个工具;能力标签包括 内存管理、版本控制、Python、Claude、数据分析。具体工具清单以官方文档为准。

Enhanced Memory MCP 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

Enhanced Memory MCP 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。