English · 日本語
Self-hosted LLM Knowledge Base for teams — beyond RAG.
MCP-as-compile-API + Hebbian learning + Sleep Maintenance.
Karpathy's LLM Wiki pattern, scaled for teams and persistence.
Works with Claude, ChatGPT, Gemini, and any MCP-compatible client.
Python SDK (KaguraClient / KaguraAgent)
为什么选择神乐记忆云?
> 每次对话后,你的AI都会忘记一切。神乐解决了这个问题,每次搜索都会变得更聪明。
大多数AI记忆工具只是带有聊天包装的矢量数据库。神乐是不同的——它实现了完整的 LLM知识库 模式(Karpathy的 LLM维基)在团队规模上:
| 方法 | 储存 | 混合 | 规模 |
|---|---|---|---|
| 矢量DB/RAG | 嵌入块 | 无--仅检索 | 有 |
| Karpathy的LLM Wiki | Markdown文件 | LLM重写页面 | 个人(约100页) |
| 神乐记忆云 | PostgreSQL+Qdrant+神经图 | Hebbian+睡眠保养 | 团队/组织 |
| 特性 | 描述 |
|---|---|
| 自适应内存 | 每次搜索都会自动加强相关记忆之间的联系。你用得越多越好 explore() 发现隐藏的关系。 |
| 混合搜索 | 语义(OpenAI/Ollama)+BM25关键字——前1名准确率96% |
| AI重新排名 | Ollama(本地,免费)、Voyage AI或Cohere-交叉编码器重新排序以提高精度 |
| 神经记忆图 | Hebbian学习在背景中构建了一个知识图谱。 explore() 穿越它寻找偶然的发现。 |
| 37 MCP工具 | 记忆、神经边缘、上下文、标签、文件(R2)、分析(广听)、资源、睡眠维护、使用 |
| 多供应商 | OpenAI或Ollama(本地、私有、零成本)用于嵌入 |
| 团队准备就绪 | 工作区、RBAC、上下文隔离、共享内存 |
| Web 用户界面 | Next.js仪表板——上下文、搜索设置、成员管理 |
| 5分钟设置 | ./setup.sh 你完了 |
建筑```
Workspace (team/org)
├── Context A ("my-project") ← like a folder
│ ├── Memory 1 ← 3-layer: summary / context / content
│ ├── Memory 2
│ └── Neural edges (Hebbian) ← automatic connections
├── Context B ("learning-notes")
│ └── ...
└── Members (Owner/Admin/Member/Viewer)
### LLM知识库——五层实现
Karpathy的 LLM Wiki模式 描述了一个超越传统RAG的5层“活知识库”。神乐在团队规模上实现了所有5层:
|层|神乐实现|与Karpathy模式的区别|
|---|---|---|
| **摄取** |休息 `/api/v1/memory`,MCP `remember`,R2文件存储,资源令牌|+二进制blob,+多租户|
| **编译** | **MCP-软件-API** --聊天代理通过结构化工具调用进行编译(`remember(summary, content, type, tags)`)+用于批量整合的睡眠维护|连续微编译(不是批量维基重写)——模式强制输出|
| **索引** |三重指数: **BM25** (关键字)+ **Qdrant** (语义)+ **赫本图** (关系型)--全部自动维护|无需手动 `index.md` 保养|
| **查询** |混合搜索+AI排名+ `explore` 图遍历|超越markdown grep——支持语义+关系查询|
| **增强** | **赫比学习法** --每一个 `recall()` 增强共同检索记忆之间的边缘。睡眠维护定期巩固。|背景图演变(零LLM成本)与LLM驱动的页面重写|
**复合回路**:当前显式(用户/代理调用 `remember()` 在合成答案之后)。自动回写合成答案是有意选择的,以保持低噪音。
### 自适应记忆:两条搜索路径
神乐分离 **精确搜索** 和 **发现** 分为两条独立的路径,每条路径都针对其目的进行了优化:```
recall() ──→ Hybrid Search (semantic + BM25) ──→ [Reranker] ──→ Precise results
│
└──→ Hebbian Learning (background) ──→ Graph edges grow
│
explore() ──→ Graph Traversal (Neural Memory) ←─────────────────┘ Related discoveries
recall()--精确搜索。混合(语义60%+BM25 40%),可选AI重新排序。返回最相关的记忆。explore()--发现。遍历神经记忆图,找到关键字搜索会错过的相关记忆。- 赫比学习法 --每一个
recall()默默地强化了共同检索记忆之间的边缘。不需要明确的训练——当你使用系统时,图表会自然增长。
这种分离是有意的:将图形信号混合到回忆中会降低精确度(通过基准验证).相反,每条路都做它最擅长的事情。
数据隔离: 所有数据均按以下方式过滤 workspace_id → context_id → user_id记忆从不跨越国界。带有效载荷过滤的单Qdrant收集。
技术栈: FastAPI(异步)·PostgreSQL·Qdrant·Redis·Next.js 16·OAuth2·基于流式HTTP的MCP
快速开始
系统要求
| 最低 | 推荐 | |
|---|---|---|
| CPU | 2核 | 4+核 |
| RAM | 4 GB | 8+GB |
| 磁盘 | 10 GB可用 | 20+GB可用 |
先决条件
- Docker&Docker编写
- Python 3.11+
- Node.js 20+
- OpenAI API密钥(用于嵌入)-或Ollama用于本地嵌入
- OAuth2凭据(可选——密码+MFA登录,无需OAuth)
设置
单线设置:```bash
git clone https://github.com/kagura-ai/memory-cloud.git
cd memory-cloud
./setup.sh
**使用克劳德代码:**```bash
git clone https://github.com/kagura-ai/memory-cloud.git
cd memory-cloud
claude # then run /setup
逐步设置:```bash
1. Clone
git clone https://github.com/kagura-ai/memory-cloud.git
cd memory-cloud
2. Configure environment (generates secrets, prompts for API keys)
(cd backend && python3 -m src.cli.setup_env)
3. Start all services
docker compose up -d
4. Run migrations
(cd backend && alembic upgrade head)
5. Create admin account (interactive — sets password, MFA, API key, embedding provider)
(cd backend && python3 -m src.cli.create_admin)
Backend API: http://localhost:8080
Frontend UI: http://localhost:3000
API docs: http://localhost:8080/redoc
**`.env.local` 设置** (由自动配置 `setup_env`):
|设置|必填|说明|
|---------|----------|-------------|
| `API_KEY_SECRET` | **是** |API密钥加密的秘密(自动生成)|
| `JWT_SECRET` | **是** |JWT令牌的秘密(自动生成)|
| `OPENAI_API_KEY` | **是**\*|用于嵌入的OpenAI API密钥|
| `OLLAMA_BASE_URL` |否| Ollama URL(默认值: `http://localhost:11434`) |
| `EMBEDDING_PROVIDER` |没有| `openai` (默认)或 `ollama` |
| `GOOGLE_CLIENT_ID/SECRET` |否|谷歌OAuth2登录(可选——密码登录可用)|
| `GITHUB_CLIENT_ID/SECRET` |否| GitHub OAuth2登录(可选)|
\*要么 `OPENAI_API_KEY` 或者需要一个正在运行的Ollama实例来实现内存功能。
### 管理员CLI
|命令|目的|
|---------|---------|
| `python3 -m src.cli.setup_env` |生成机密+配置 `.env.local` (在Docker之前运行)|
| `python3 -m src.cli.create_admin` |创建admin+工作区+API密钥+ `.mcp.json` +嵌入设置|
| `python3 -m src.cli.reset_password` |重置密码和/或MFA|
| `python3 -m src.cli.delete_admin` |删除管理员(用于重新创建)|
> 逃离 `backend/` 目录。Docker API容器必须正在运行。
Platform-specific notes
- **WSL(Windows)**:安装适用于Windows的Docker Desktop并启用WSL集成
- **macOS**:安装适用于Mac的Docker桌面。 `brew install python@3.11 node`
- **Linux(Ubuntu/Debian)**: `sudo apt install docker.io docker-compose-v2 python3.11 nodejs npm`
- **GCP(生产)**:在中设置生产值 `.env.local` (`DATABASE_URL`, `QDRANT_URL`, `ENVIRONMENT=production`, `CORS_ORIGINS`)
- **前端环境变量**:复制 `frontend/.env.example` 到 `frontend/.env.local` 并设置:
- `NEXT_PUBLIC_API_URL` --后端URL(默认值: `http://localhost:8080`)
- `NEXT_PUBLIC_APP_URL` --元数据的前端URL
- `NEXT_PUBLIC_PLAN_FREE_DISPLAY_NAME` / `BASIC` / `PRO` --计划显示名称自定义(默认:S/M/L)
## MCP客户端设置
### 克劳德代码(推荐)
克劳德代码+神乐记忆云为您的AI助手 **持久、可搜索、团队共享的内存** 它适用于会话、机器和项目。
**为什么不直接使用Claude Code的内置内存呢?**
||克劳德代码存储器|神乐存储器云|
|---|---|---|
|存储|本地文件(`~/.claude/`)|云(PostgreSQL+Qdrant)|
|搜索|仅文件名|混合搜索(语义+全文)|
|使用RBAC共享|单机|团队工作区|
|结构|平面标记|三层架构+神经记忆图|
|跨项目|仅针对每个项目|通过MCP的任何项目|
**设置(3个步骤):**
1. 启动服务并打开 `http://localhost:3000/workspace/integrations/api-keys` 创建API密钥
1. 复制 `.mcp.json.example` 到 `.mcp.json` 并填写您的工作区ID和API密钥:```bash
cp .mcp.json.example .mcp.json
# Edit .mcp.json — set workspace_id (from URL bar) and API key
- 重新启动Claude Code并验证:```
You: "List my memory contexts"
→ AI calls list_contexts()
You: "Remember: our API uses JWT with 1h expiry and refresh token rotation"
→ AI calls remember() — stored permanently
You: "What do we know about auth?"
→ AI calls recall() — finds it instantly, even months later
> `.mcp.json` 在...里 `.gitignore` -永远不要提交(包含API密钥)。
> 将每个项目配置放置在项目根目录中,或 `~/.claude/.mcp.json` 全球访问。
Auto-sync Claude Code memory to Kagura (optional)
神乐记忆云包括一个钩子 **自动同步** Claude Code的本地内存文件在更新时都会上传到云端。这意味着你的本地 `~/.claude/` 记忆也可以通过混合搜索进行搜索,并与您的团队共享。
将这些环境变量添加到 `.env.local`:```bash
KAGURA_MCP_URL=http://localhost:8080/mcp/w/{workspace_id}
KAGURA_MCP_TOKEN=kagura_{your_api_key}
KAGURA_CONTEXT_ID={context_id} # optional — auto-detected from project name if omitted
同步挂钩已在中预先配置 .claude/settings.json 并在每次写入内存文件时自动运行。
Claude Code integration templates (copy to your project)
此回购 .claude/ 目录是 即用型模板 用于将神乐记忆云集成到任何项目中。复制您需要的内容:
斜杠命令 --进入你的项目 .claude/commands/:```
/recall → Search past knowledge via MCP
/remember → Save decisions, patterns, learnings via MCP
/guide → Show setup and usage guide
**钩子** (`.claude/settings.json`)--自动配置的安全防护装置:```
Auto-format → ruff (Python) / prettier (TypeScript) on every save
Secret detect → Blocks hardcoded API keys or passwords
SQL injection → Blocks f-string SQL (enforces parameterized queries)
Memory sync → Auto-syncs Claude Code memory files to Kagura Cloud
代理 (.claude/agents/)--专业分代理:```
code-reviewer → Read-only code review against project standards
test-runner → Run tests, diagnose failures, auto-fix
**规则** (`.claude/rules/`)--自动加载的项目约定:```
backend.md → FastAPI/Python patterns, async, testing
frontend.md → Next.js/TypeScript, Tailwind, SWR
security.md → Auth, RBAC, SQL safety, CORS
所有这些都是为了与神乐内存云MCP工具协同工作而设计的。通过编辑提示和上下文ID,使其适应您自己的项目。
Claude Code Plugin (use Kagura in any project)
这 神乐存储器 该插件为Claude Code添加了会话管理和内存工作流技能。只需安装一次,即可在所有项目中使用它。
安装:```bash
From marketplace
/plugin marketplace add kagura-ai/memory-cloud
/plugin install kagura-memory@kagura-memory-cloud
**可用技能:**
|技能|描述|
|-------|-------------|
| `/kagura-memory:session-start` |启动时还原上一个会话上下文|
| `/kagura-memory:session-summary` |在结束前保存会话知识|
| `/kagura-memory:recall` |搜索过去的知识|
| `/kagura-memory:remember` |保存新知识|
| `/kagura-memory:guide` |使用指南、连接状态和设置帮助|
| `/kagura-memory:smoke-test` |验证所有MCP工具是否正常工作|
**推荐工作流程:**```
/kagura-memory:session-start # ← Start here: restore context from last session
... work normally ...
/kagura-memory:recall # Search past decisions, patterns, fixes
/kagura-memory:remember # Save important learnings as you go
... finish work ...
/kagura-memory:session-summary # ← End here: save session knowledge for next time
技能包装原始MCP工具(recall, remember等)与工作流逻辑——上下文选择、git状态分析和结构化提示。使用会话管理和指导工作流程的技能;直接使用MCP工具进行细粒度操作。
跑 /kagura-memory:guide 有关安装帮助和可选的SessionStart挂钩,您可以将其添加到项目中。
> 先决条件: 必须配置MCP连接(.mcp.json 使用API密钥)。跑 /kagura-memory:guide 在你的项目中设置它。
克劳德桌面/克劳德聊天(网络)
克劳德桌面版:相同 .mcp.json 格式为Claude Code——放在项目根目录中或 ~/.claude/.mcp.json.
克劳德·查特(Claude.ai):在“设置”>“集成”中添加为远程MCP服务器:
- 点击“添加集成”→ “自定义MCP服务器”
- 输入MCP端点URL:
https://your-domain.com/mcp/w/{workspace_id} - 添加
Authorization: Bearer kagura_{your_api_key}头球
> Claude Chat需要一个可公开访问的URL(不是 localhost).使用生产部署或隧道(例如ngrok、Cloudflare隧道)。
ChatGPT桌面
ChatGPT桌面应用程序支持MCP服务器。通过设置>MCP服务器添加:
- 服务器URL:
https://your-domain.com/mcp/w/{workspace_id} - 身份验证:承载令牌
kagura_{your_api_key}
> 与Claude Chat一样,ChatGPT需要一个公共URL。对于本地开发,请直接使用隧道或REST API。
Gemini CLI
添加 .gemini/settings.json (项目根或 ~/.gemini/settings.json):```json
{
"mcpServers": {
"kagura-memory": {
"url": "http://localhost:8080/mcp/w/{workspace_id}",
"headers": {
"Authorization": "Bearer kagura_{your_api_key}"
}
}
}
}
### 其他MCP客户端/REST API
任何兼容MCP的客户端都可以通过Streamable HTTP进行连接。对于不支持MCP的客户端,请直接使用REST API:```bash
# Search memories
curl -X POST -H "Authorization: Bearer kagura_{your_key}" \
-H "Content-Type: application/json" \
-d '{"query": "your search", "context_id": "..."}' \
http://localhost:8080/api/v1/memories/search
MCP工具
9个类别的37个工具。工作区角色: 所有者 >管理员>会员> 观众 (只读)。上下文角色: 所有者 >编辑器>查看器。私有上下文仅对创建者可见。成员可以通过allowlist被限制在特定的上下文中。
内存(6)
| 工具 | 描述 | 必填角色 |
|---|---|---|
remember |
存储新内存(摘要+内容+类型) | 成员+ |
recall |
使用混合搜索功能搜索记忆 | 查看器+ |
reference |
获取内存的完整三层详细信息 | Viewer+ |
update_memory |
通过外部ID更新现有内存或升级 | 会员+ |
forget |
软删除记忆(保留30天) | 会员+ |
explore |
通过神经记忆图发现相关记忆 | 查看器+ |
神经边缘(4)
| 工具 | 描述 | 必填角色 |
|---|---|---|
list_edges |
列出连接到内存的边 | 查看器+ |
create_edge |
在两段记忆之间创造一条边界 | 会员+ |
update_edge |
更新边缘重量或类型 | 成员+ |
delete_edge |
删除两个记忆之间的边 | 会员+ |
背景(7)
| 工具 | 描述 | 必填角色 |
|---|---|---|
get_context_info |
获取上下文元数据和指南 | Viewer+ |
list_contexts |
列出工作区中的可用上下文 | Viewer+ |
create_context |
创建新上下文 | 所有者/管理员 |
update_context |
更新上下文设置(摘要、使用指南、resource_id、is_public) | 编辑器+ |
delete_context |
删除上下文及其所有记忆 | 所有者/管理员 |
merge_contexts |
将源上下文中的内存合并到目标上下文中 | 所有者/管理员 |
update_search_config |
根据上下文调整混合搜索权重和重新排序器设置 | Editor+ |
标签(1)
| 工具 | 描述 | 必填角色 |
|---|---|---|
list_tags |
在上下文中列出标签词汇表(在记住/回忆之前调用以对齐标签) | 查看器+ |
文件/R2附件(5)
| 工具 | 描述 | 必填角色 |
|---|---|---|
init_file_upload |
预留额度+返回预签名的PUT URL(R2,≤100 MiB) | 会员+ |
complete_file_upload |
R2 PUT后完成上传,验证sha256,标记为已上传 | 会员+ |
list_files |
列出工作区中已上传但未删除的文件(最新文件优先) | 查看器+ |
get_file_download_url |
问题为文件预留GET URL | 查看器+ |
delete_file |
软删除文件对象 | 成员+ |
分析——广泛倾听(5)
将记忆聚类成主题(口口艾式UMAP+KMeans+LLM标记),用于大规模定性分析。
| 工具 | 描述 | 必填角色 |
|---|---|---|
analyze_context |
开始分析运行(或使用预览成本 dry_run=true) |
业主+专业计划+BYOK+配额 |
list_analyses |
列出上下文的过去分析运行 | 所有者 |
get_analysis |
获取完整的分析(集群、标签、统计数据) | 所有者 |
get_active_analysis |
获取上下文的飞行中分析(如果有的话) | 所有者 |
get_cluster |
深入单个集群的成员记忆 | 所有者 |
资源——外部数据摄入(5)
| 工具 | 描述 | 必填角色 |
|---|---|---|
setup_resource |
创建公共上下文+发布资源令牌 | 所有者/管理员+专业计划 |
list_resource_tokens |
列出工作区的活动资源令牌 | 所有者/管理员 |
ingest_events |
将事件批量追加/删除到资源中(最多100个事件;会话身份验证MCP变体) | 成员+ |
get_resource_impact |
资源统计信息(令牌、内存、模式版本) | 查看器+ |
get_resource_schema |
资源的字段定义 | 查看器+ |
睡眠维护(3)
记忆的背景巩固(衰退、边缘修剪、主题总结)。
| 工具 | 描述 | 必填角色 |
|---|---|---|
get_sleep_history |
列出过去的睡眠运行时间 | Viewer+ |
get_sleep_report |
包含所有操作的详细睡眠报告 | Viewer+ |
rollback_sleep_run |
从已完成的睡眠运行中回滚所有操作 | Member+(仅限报告所有者) |
用法(1)
| 工具 | 描述 | 必填角色 |
|---|---|---|
get_usage |
获取当前工作区使用情况(内存、上下文、成员、MCP呼叫/天) | 查看器+ |
REST API
除了MCP工具外,还提供了完整的REST API:
- 记忆:记住、回忆、参考、忘记、探索(
/api/v1/memory/*) - 上下文:CRUD,搜索设置(
/api/v1/contexts/*) - 附件:文件上传/下载以供记忆(
/api/v1/attachments/*,5MB限制) - 工作区:管理层、成员、邀请(
/api/v1/workspaces/*) - 管理员:用户、计划管理、神经配置(
/api/v1/admin/*)
API完整文档: http://localhost:8080/redoc
认证
支持两个OAuth2提供程序:
- 谷歌OAuth2 --必需。集
GOOGLE_CLIENT_ID和GOOGLE_CLIENT_SECRET - GitHub OAuth2 --可选。集
GITHUB_CLIENT_ID和GITHUB_CLIENT_SECRET
跨提供商具有相同电子邮件地址的用户共享一个帐户。
计划层定制
计划控制每个工作区的资源限制。默认值:
| 计划 | 背景 | 记忆 | MCP通话/天 |
|---|---|---|---|
| S(免费) | 1 | 1000 | 1000 |
| M(基本) | 3 | 10000 | 10000 |
| L(Pro) | 20 | 100000 | 50000 |
通过环境变量进行覆盖:```bash
PLAN_FREE_MAX_CONTEXTS=5
PLAN_FREE_MEMORY_LIMIT=5000
PLAN_BASIC_MAX_CONTEXTS=10
PLAN_PRO_MAX_CONTEXTS=50
对于自托管单用户设置,请将L(Pro)计划分配给您的工作区。计划变更包括 **仅限管理员** 默认情况下。对于具有自助计费的SaaS部署,请启用Stripe:```bash
BILLING_ENABLED=true
STRIPE_SECRET_KEY=sk_...
STRIPE_WEBHOOK_SECRET=whsec_...
STRIPE_PRICE_BASIC=price_xxx
STRIPE_PRICE_PRO=price_yyy
用Claude Code开发
该项目旨在开发 随着 克劳德代码和神乐记忆云本身。
Claude Code入门
-
安装Claude代码
-
克隆仓库并启动服务(请参阅 快速开始)
-
在Web UI中创建API键(
http://localhost:3000) -
创建
.mcp.json在项目根目录中(请参见 Claude代码设置)
> .mcp.json 在...里 .gitignore -从不提交(包含API密钥)
- 在克劳德代码中验证:```
> list_contexts()
> create_context(name="my-project")
1. 预配置的工具从以下位置自动加载 `.claude/`:
### 斜杠命令
|命令|描述|
|---------|-------------|
| `/setup` |从头开始设置开发环境(检测WSL/macOS/Linux)|
| `/issue-start ` |开始处理GitHub问题(分支+过去的知识回忆)|
| `/remember ` |将模式、决策或学习内容保存到记忆中|
| `/recall ` |在过去的知识中搜索相关模式|
| `/guide` |显示神乐内存云使用指南|
| `/test` |运行完整的测试套件(后端pytest+前端构建)|
| `/quality` |运行所有质量检查(ruff、版权、前端构建)|
| `/self-review` |根据SOLID/DRY/KISS/安全检查表进行PR前自我审查|
| `/self-maint` |审计 `.claude/` 根据当前代码库状态进行配置|
| `/api-docs-audit` |审核OpenAPI标签和端点文档|
### 挂钩(自动安全防护装置)
- **自动格式化**:每个文件保存时都使用Python(ruff)/TypeScript(更漂亮)
- **秘密侦查**:阻止包含硬编码API密钥或密码的提交
- **SQL注入预防**:阻止f-string SQL查询(强制执行SQLAlchemy)
- **.env保护**:防止意外修改.env文件
- **移民保护**:防止修改锁文件
- **内存同步**:自动将Claude Code内存文件同步到神乐内存云(详情)
### 代理
- **代码审查员**:根据项目标准进行只读代码审查(在Sonnet上运行)
- **测试工具相关**:测试执行、故障诊断和自动修复(在Sonnet上运行)
### 规则(自动加载上下文)
- `rules/backend.md`:FastAPI/Python模式、异步要求、测试约定
- `rules/frontend.md`:Next.js/TypeScript模式、顺风、SWR约定
- `rules/security.md`:身份验证要求、RBAC、SQL安全、CORS策略
## 文档
**API 参考** --两个互补的切入点:
- **概念(降价)**: API 参考 --auth、基本URL、MCP端点、请求/响应示例
- **端点参考(实时)**: `http://localhost:8080/redoc` --由FastAPI自动生成,始终与正在运行的后端同步
**概念和指南:**
- 核心概念 --工作空间、上下文、记忆、神经记忆、MCP工具
- 建筑 --系统设计和数据流
- 入门指南 --详细的设置指南
- 分块指南 --内存存储的最佳实践
- 资源代币指南 --通过资源令牌接收外部数据
- 神经记忆评估 --基准结果、架构决策
- 搜索质量基准 --准确性测试、重新排序、最佳实践
- 部署 --使用Caddy反向代理进行生产部署
- 贡献 --开发设置、代码风格、PR工作流程
- 安全 --漏洞报告、安全设计
- 开发包 — `KaguraClient` 和 `KaguraAgent` 对于Python
- **项目现场**: 网站:www.kagura-ai.com --概述、用例、入门路径
## 花旗日语指南/Japan ese Guide
Claude Code プラグインの使い方
### 安装```bash
# マーケットプレイスから追加
/plugin marketplace add kagura-ai/memory-cloud
/plugin install kagura-memory@kagura-memory-cloud
可用技能
技能|说明|
| /kagura-memory:session-start 还原上一个会话上下文
| /kagura-memory:session-summary 在会话结束前保存知识
| /kagura-memory:recall 查找过去的知识
| /kagura-memory:remember 保存新知识
| /kagura-memory:guide |使用指南、连接确认、设置|
| /kagura-memory:smoke-test |确认所有MCP工具的动作|
建议工作流```
/kagura-memory:session-start # ← ここから:前回のコンテキストを復元
... 通常の作業 ...
/kagura-memory:recall # 過去の設計判断・パターン・修正を検索
/kagura-memory:remember # 重要な学びを都度保存
... 作業完了 ...
/kagura-memory:session-summary # ← ここで終了:次回のためにセッション知識を保存
```
技能是MCP工具(recall, remember 中描述的场景,使用下列步骤创建明细表,以便在概念设计中分析体量的周长。包含上下文选择、git状态分析和结构化提示。在会话管理和指导工作流中使用技能,在详细操作中使用MCP工具。
> 前提条件: 需要设置MCP连接(.mcp.json ),模板名称将采用不同的格式。在项目中 /kagura-memory:guide 中所述修改相应参数的值。
贡献
看 贡献.md 用于开发设置、代码风格和PR工作流。
许可证
Apache许可证2.0
