memorybench (Jinstronda)

MCP开发工具

提供方 Jinstronda

开发工具 未标注 会话登录 社区 / 第三方 Claude

MemoryBench是一个先进的AI记忆系统,专注于存储和检索完整的对话上下文,而非仅提取摘要或事实,从而提供更准确和有用的记忆功能。适用于需要高精度记忆检索的AI助手和开发场景。

一句话选型结论

按资料字段整理

memorybench (Jinstronda) 属于开发工具类 MCP 服务器,传输方式未标注,会话登录,可直接接入 Claude,没有现成安装命令,需按官方文档接入。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。

分类开发工具 传输方式未标注 鉴权会话登录 部署方式未标注
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 5 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

开发工具
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5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

AI记忆TypeScript本地部署对话上下文记忆检索本地运行开发工具

安装与配置

未标注 会话登录
上游未给出传输方式
  1. 1
    准备运行环境

    按官方文档确认运行环境(常见为 Node.js 或 Python),装好后再执行安装命令。

  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 5 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
代码与仓库操作

在对话里直接查代码、提 issue、走 PR,省掉来回切工具。

本地命令与脚本

把构建、测试、格式化这类重复命令交给模型执行。

接口联调与测试

让模型调你的接口、跑一遍用例,快速定位问题。

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 5 个工具,职责相对集中,接入后不容易误操作。
  • 已适配 Claude,换客户端不用重新研究配置。

先想清楚的地方

  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 使用前要准备好会话登录对应的凭据,并按最小权限配置。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在开发工具场景里让模型直接调用外部能力的人。
  • 已经在用 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

  • 不方便管理密钥或第三方授权的人。
  • 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
memorybench (Jinstronda)当前 5 未标注 未标注 无 2026-05-17
Git 838e2ec1 12 stdio · 本地进程 本地部署 有 2026-05-17
Markitdown MCP 2c653a5f 1 stdio · 本地进程 本地部署 有 2026-05-17
JavaGuide 未标注 stdio · 本地进程 本地部署 有 2026-04-11
awesome-claude-skills 未标注 stdio · 本地进程 本地部署 有 2026-04-26
Context7 831acf40 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

开发工具
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Jinstronda上游标注的维护方 Jinstronda
分类开发工具本站按上游分类展示
连接方式未标注上游未给出传输方式
鉴权方式会话登录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 · 未标注本地安装时用到的包标识与运行时
部署类型未标注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

5.9 KB
来自项目仓库与上游目录的原文,未做删改

内存工作台

每一款人工智能记忆产品告诉你同样的故事:“我们存储你的对话,并在需要时检索它们。”它们都是在撒谎。它们存储摘要。摘录的事实。压缩表示。最初的背景,真正重要的东西,被抛弃了。

这是一个根本性的错误。当你告诉你的人工智能助手“我上周试过深色烤肉和浅色烤肉,说实话,深色烤肉要好得多”时,mem0商店 User prefers dark roast coffee比较已经不复存在了。时机已经过去了。信念消失了。你失去了信号,保留了标签。

我们构建MemoryBench是为了证明这一点很重要,并构建更好的东西。

数字

500个问题。115k+会话历史令牌。六种问题类型旨在打破记忆系统:事实回忆、偏好理解、时间推理、知识更新、多会话综合和辅助回忆。一位法学硕士法官给出了真实答案。没有共鸣。只是一个分数。

提供者 准确性 备注
超级内存 85.9% 专有API
RAG v1.7(我们的) 82.8% 开源,本地运行
mem0 72.1% 云API
OpenClaw QMD 58.3%
文件系统 54.2% 原始基线

按类别细分(v1.7)

问题类型 准确性 测试内容
单次会话用户事实 97.1% “我捕获了多少低音?”
单次会话助理回忆 94.6% “你建议的食谱是什么?”
知识更新 83.3% “我现在在哪里工作?”(换了工作)
多会话综合 78.2% 跨对话连接信息
时间推理 69.2% “我什么时候开始跑步的?”
偏好 63.3% “我最喜欢的咖啡是什么?”

检索质量为97.2%Hit@KMRR为0.912。几乎总是能找到正确的信息。其余的错误是推理失败,而不是检索失败。这是一个根本不同的问题。

为什么存在

内存市场充满了在同一维度上竞争的产品:更好的嵌入、更好的分块、更好的总结。他们都在玩同一个游戏。游戏是错误的。

真正的问题不是“我们如何更有效地存储记忆?”而是“我们如何保存使记忆有用的上下文?”

当我从对话中提取原子事实时,我得到了完美的关键字匹配。当我把整个对话块放在这些事实旁边时,我就会理解。这种差异出现在偏好问题上(63%对早期版本的90%),因为偏好需要细微差别,而单行事实无法捕捉到。

v1.7两者都有。精确匹配的事实,上下文的父块。事实找到了针;那块石头给了你周围的干草堆。

体系结构```

Query → Rewrite (gpt-5-nano) → Embed (text-embedding-3-large)
↓
┌───────────────────────────────────────┐
│ Parallel Search │
│ BM25 keywords + Vector similarity │
│ Atomic fact matching │
│ Entity graph (2-hop BFS) │
└───────────────────┬───────────────────┘
↓
Fact → Parent Chunk Injection
↓
Session Boost (+0.1 for fact-matched sessions)
↓
LLM Rerank (gpt-5-nano, query-type aware)
↓
Entity + Relationship context
↓
User Profile injection
↓
Answer (GPT-5, reasoning)


六个检索信号融合在一起:

1. **BM25** (0.3权重):姓名、日期、特定术语的精确关键字匹配
1. **向量相似性** (0.7权重):释义查询的语义匹配
1. **原子事实**:行级精度与父块检索匹配
1. **实体图**:用于多跳关系问题的2跳BFS遍历
1. **用户配置文件**:总是注入持久的传记事实
1. **LLM重新登录**:查询类型感知评分(时间、偏好、事实、多跳)

一切都在本地运行。唯一的外部调用是对OpenAI进行嵌入和LLM推理。没有内存API订阅。除了模型提供商,没有数据离开您的机器。

## 快速开始```bash
bun install
cp .env.example .env.local  # Add OPENAI_API_KEY
bun run src/index.ts run -p rag -b longmemeval -j gpt-4o -r my-run

MCP服务器(克劳德代码集成)

RAG系统作为MCP服务器发货。Claude Code通过每个repo隔离跨会话获取长期内存。```bash

Start the RAG server

bun run src/rag-server.ts

MCP server registers as rag-memory in Claude Code settings

Tools: memory_search, memory_store, memory_use_repo, memory_profile, memory_list_repos


两个存储层:

- **个人** (`jinstronda`):用户简介、偏好、意见、关系。总是搜索。
- **每次回购** (`repo-`):项目特定的决策、架构、调试结果。按项目隔离。

搜索查询两者。每个会话都从加载上下文开始。突破会自动存储。上下文在压缩中幸存下来。

## 配置```bash
OPENAI_API_KEY=           # Required (embeddings + LLM)
DATABASE_URL=             # Optional (PostgreSQL + pgvector for production)
RAG_PORT=3847             # Optional (server port)
RAG_CACHE_DIR=            # Optional (defaults to ./data/cache/rag)

命令

命令 描述
run 完整流程:摄取、索引、搜索、回答、评估、报告
compare 在多个提供商之间并行运行相同的基准测试
test 测试一个问题
show-failures 调试失败的问题
serve 启动web UI

接下来是什么

63.3%的偏好是差距。原子事实分解消除了偏好问题所需的对话细微差别。v1.7中的父块注入部分地解决了这个问题,但真正的解决方案是教重新排序器对偏好内容赋予更高的权重,并在事实提取中保留比较语言。

将问题日期连接到答案提示后,69.2%的时间推理得到了改善(在v1.6中,它们被默默地缺失了)。日期修复的全面评估尚未完成。

这种建筑的天花板可能是88-90%。要超越Supermemory的85.9%,需要解决偏好和时间问题。检索已经在那里了。理由并非如此。

许可证

麻省理工学院

常见问题

6 问
答案由本站依据条目字段整理,不引用上游原文
memorybench (Jinstronda) 怎么安装?

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

memorybench (Jinstronda) 怎么在 Claude 里配置?

它的传输方式未标注,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。

memorybench (Jinstronda) 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。

memorybench (Jinstronda) 需要 API Key 吗?

资料标注需要会话登录认证,使用前准备好对应凭据,并按最小权限配置。

memorybench (Jinstronda) 支持哪些客户端?

资料标注支持 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。

memorybench (Jinstronda) 能提供哪些能力?

资料显示约 5 个工具;能力标签包括 AI记忆、本地运行、TypeScript、Claude。具体工具清单以官方文档为准。

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。