Simple Mem MCP

MCPAI代理

提供方 Jiaaqiliu

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

SimpleMem MCP Server 是一个基于语义无损压缩的高效长期记忆系统,通过模型上下文协议为AI助手提供对话存储、记忆检索和问答功能。

一句话选型结论

按资料字段整理

Simple Mem 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、Cursor,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 1 仓库热度,无公开仓库时显示未标注
工具数 7 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7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

语义压缩JavaScript本地部署混合检索长期记忆AI助手对话管理

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
pip install -r requirements.txt

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 Node.js 等运行时,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 7 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 7 个工具,职责相对集中,接入后不容易误操作。
  • 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、Cursor,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
Simple Mem MCP当前 7 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Jiaaqiliu上游标注的维护方 Jiaaqiliu
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 · 未标注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

12.0 KB
来自项目仓库与上游目录的原文,未做删改

SimpleMem MCP服务器

A. 模型上下文协议(MCP) 服务器 简单Mem -基于语义无损压缩的LLM代理高效终身存储系统。

概述

SimpleMem MCP Server通过模型上下文协议展示了SimpleMem强大的内存功能,使Claude等AI助手能够:

  • 存储对话 语义无损压缩
  • 找回记忆 使用三阶段混合检索(语义+词汇+符号)
  • 回答问题 基于长期记忆,在LoCoMo-10基准测试中F1得分为43.24%
  • 管理原子内存条目 具有自动同指消解和时间锚定功能

主要特点

  • 三级内存管道:
  1. 语义结构化压缩:转换对话→ 原子性的、自足的事实
  2. 多视图索引:语义(向量)+词汇(BM25)+符号(元数据)
  3. 自适应查询感知检索:基于规划的分解+反思机制
  • 高级加工:

  • 会议决议(他/她→ 实际姓名)

  • 临时锚定(明天→ 绝对时间戳)
  • 使用可配置的workers进行并行处理
  • 窗口化批处理,提高效率

  • 演出:与全上下文方法相比,标记数减少30倍,检索精度更高

建筑```

┌─────────────────────────┐
│ MCP Client │
│ (Claude, Cursor, etc) │
└───────────┬─────────────┘
│ stdio
▼
┌─────────────────────────────────┐
│ SimpleMem MCP Server (Node) │
│ - Tool handlers │
│ - Resource providers │
│ - Input validation (Zod) │
└───────────┬─────────────────────┘
│ spawn
▼
┌─────────────────────────────────┐
│ SimpleMem (Python) │
│ - Semantic compression │
│ - Hybrid retrieval │
│ - LanceDB vector store │
└─────────────────────────────────┘


## 先决条件

1. **Node.js** 18+和npm
1. **python** 3.8+
1. **简单Mem** 已安装并配置
1. **OpenAI API密钥** (或兼容的LLM提供商)

## 安装

### 1.克隆和安装```bash
cd SimpleMem-MCP
npm install
npm run build

2.配置SimpleMem

确保SimpleMem设置正确:```bash

Navigate to SimpleMem directory

cd /path/to/SimpleMem

Copy and configure config file

cp config.py.example config.py

Edit config.py with your settings

- OPENAI_API_KEY

- LLM_MODEL (e.g., "gpt-4.1-mini")

- EMBEDDING_MODEL (e.g., "Qwen/Qwen3-Embedding-0.6B")

Install Python dependencies

pip install -r requirements.txt


### 3.设置环境变量

创建一个 `.env` SimpleMem MCP目录中的文件:```bash
cp .env.example .env

编辑 .env:```env

Path to SimpleMem project directory

SIMPLEMEM_PATH=/Users/jiaqi/Myprojects/new/SimpleMem

Path to LanceDB database directory (relative to SimpleMem)

SIMPLEMEM_DB_PATH=./lancedb_data

Python executable (optional)

PYTHON_PATH=python3


## 用法

### Claude桌面配置

添加到您的Claude Desktop配置文件中:

**macOS**: `~/Library/Application Support/Claude/claude_desktop_config.json`
**视窗**: `%APPDATA%\Claude\claude_desktop_config.json````json
{
"mcpServers": {
"simplemem": {
"command": "node",
"args": ["/path/to/SimpleMem-MCP/dist/index.js"],
"env": {
"SIMPLEMEM_PATH": "/path/to/SimpleMem",
"SIMPLEMEM_DB_PATH": "./lancedb_data"
}
}
}
}

重新启动克劳德桌面

保存配置后,重新启动Claude Desktop以加载MCP服务器。

可用工具

1. add_dialogue

在内存系统中添加一个对话。

参数:

  • speaker (必填):发言者姓名
  • content (必填):说了什么(最多200k个字符)
  • timestamp (可选):ISO 8601时间戳(例如,“2025-11-15T14:30:00”)

示例:```
User: "Remember this conversation. Alice said: 'Bob, let's meet at Starbucks tomorrow at 2pm.'"


### 2. `add_dialogues`

批量添加多个对话(更高效)。

**参数**:

- `dialogues` (必填):对话对象数组

**示例**:```json
{
"dialogues": [
{
"speaker": "Alice",
"content": "Bob, let's meet at Starbucks tomorrow at 2pm",
"timestamp": "2025-11-15T14:30:00"
},
{
"speaker": "Bob",
"content": "Sure, I'll bring the market analysis report",
"timestamp": "2025-11-15T14:31:00"
}
]
}

3. finalize

将所有缓冲对话处理为内存条目。 重要:始终在添加对话后调用此命令。

SimpleMem使用窗口处理(默认值:每个窗口40个对话),因此这可以确保所有对话都得到处理。

4. ask

向记忆系统提问。

参数:

  • question (必填):您的问题(最多10k个字符)

运作原理:

  1. 分析查询复杂性
  2. 生成有针对性的搜索查询(计划)
  3. 从语义+词汇+符号层检索
  4. 反映充分性(可选迭代细化)
  5. 综合简明答案

示例:```
User: "When and where will Alice and Bob meet?"
Assistant: "16 November 2025 at 2:00 PM at Starbucks"


### 5. `search_memories`

没有答案合成的语义搜索(原始记忆条目)。

**参数**:

- `query` (必填):搜索查询
- `top_k` (可选):结果数量(默认值:10,最大值:100)

**用例**:探索系统对某个主题的记忆。

### 6. `get_all_memories`

检索所有原子内存条目。

**退货**:完整的回忆列表,包括:

- 无损重述(自足事实)
- 关键词
- 时间戳(如果可用)
- 位置(如有提及)
- 相关人员
- 实体(公司、产品等)
- 主题

### 7. `clear_memories`

清除数据库中的所有内存。 ⚠️ **警告**:无法撤消!

## 可用资源

### 1. `simplemem://memories`

**类型**:JSON
**描述**:所有内存条目的完整列表

**访问克劳德**:```
User: "Can you show me all memories as JSON?"

2. simplemem://stats

类型:JSON
描述:系统统计和配置

退货:```json
{
"total_memories": 42,
"db_path": "./lancedb_data",
"model": "gpt-4.1-mini",
"features": {
"planning_enabled": true,
"reflection_enabled": true,
"parallel_processing": true
}
}


## 工作流示例```
# Step 1: Add conversations
User: "Remember this: Alice said to Bob, 'Let's meet at Starbucks tomorrow at 2pm to discuss the project.'"
Assistant: [Uses add_dialogue tool]

User: "Bob replied: 'Great, I'll bring the market analysis report.'"
Assistant: [Uses add_dialogue tool]

# Step 2: Finalize processing
Assistant: [Calls finalize tool automatically]

# Step 3: Query memories
User: "What did Alice and Bob plan?"
Assistant: [Uses ask tool] → "Alice and Bob plan to meet at Starbucks on 16 November 2025 at 2:00 PM to discuss the project. Bob will bring the market analysis report."

# Step 4: Explore memories
User: "Show me all memories about meetings"
Assistant: [Uses search_memories tool with query="meetings"]

SimpleMem的工作原理

第一阶段:语义结构化压缩

输入 (对话):```
Alice: "He'll meet Bob tomorrow at 2pm at the coffee shop"


**输出** (原子内存条目):```
{
"lossless_restatement": "John will meet Bob at Starbucks on 2025-11-16T14:00:00",
"persons": ["John", "Bob"],
"location": "Starbucks",
"timestamp": "2025-11-16T14:00:00",
"keywords": ["meet", "Bob", "John", "Starbucks"]
}

变换:

  • 核心决议:“他”→ “约翰”
  • 临时锚定:“明天下午2点”→ “2025-16T14:00:00”
  • 位置规范化:“咖啡店”→ “星巴克”(根据上下文)

第二阶段:多视图索引

每个内存都跨三个维度进行索引:

图层 类型 用途
语义 密集(1024-d) 概念相似性
词汇的 稀疏(BM25) 精确匹配关键字
象征性的 元数据 结构化过滤

第三阶段:自适应检索

简单查询 (低复杂性):```
"When will they meet?" → Single semantic search


**复杂查询** (高复杂性):```
"What projects did Alice and Bob discuss in November at Starbucks?"
→ Multi-query decomposition:
1. Semantic: "Alice Bob projects discuss"
2. Symbolic: persons=["Alice","Bob"], location="Starbucks", time=November
3. Keyword: ["projects", "discuss"]
→ Reflection: Check if results adequate, generate follow-up if needed
→ Synthesis: Combine results and generate answer

性能基准

LoCoMo-10 数据集 (GPT-4.1分钟):

  • F1得分: 43.24%
  • 令牌使用情况:约550个令牌(比完整上下文少30倍)
  • 检索时间:完整基准测试为388.3秒

比较:

  • Mem0:34.20%F1,1350.9秒结构
  • A-Mem:32.58%F1,5140.5秒施工
  • LightMem:24.63%F1,577.1s检索

配置选项

SimpleMem行为通过以下方式控制 config.py 在SimpleMem目录中:```python

Core Models

LLM_MODEL = "gpt-4.1-mini" # or "qwen-max", "gpt-4"
EMBEDDING_MODEL = "Qwen/Qwen3-Embedding-0.6B"

Processing

WINDOW_SIZE = 40 # Dialogues per processing window
OVERLAP_SIZE = 2 # Window overlap for context

Retrieval

SEMANTIC_TOP_K = 25 # Vector search results
KEYWORD_TOP_K = 5 # BM25 results
STRUCTURED_TOP_K = 5 # Metadata filter results

Advanced Features

ENABLE_PLANNING = True # Multi-query decomposition
ENABLE_REFLECTION = True # Iterative refinement
MAX_REFLECTION_ROUNDS = 2 # Max reflection iterations
ENABLE_PARALLEL_PROCESSING = True
MAX_PARALLEL_WORKERS = 16 # Memory building workers
ENABLE_PARALLEL_RETRIEVAL = True
MAX_RETRIEVAL_WORKERS = 8 # Retrieval workers


## 故障排除

### 服务器未启动

**检查**:

1. Node.js版本: `node --version` (应该是18+)
1. TypeScript编译: `npm run build`
1. 环境变量设置正确
1. SimpleMem路径存在且可访问

### Python执行失败

**检查**:

1. Python版本: `python3 --version` (应为3.8+)
1. 已安装SimpleMem依赖项: `pip install -r requirements.txt`
1. `config.py` 存在并且具有有效的API密钥
1. Python包含SimpleMem目录

### 没有回忆回来

**民事诉讼**:

1. 忘记打电话了 `finalize` 添加对话后
1. 数据库路径不正确
1. 嵌入模型未下载(首次运行可能需要时间)
1. LanceDB数据库已损坏(请尝试清除并重新添加)

### 性能缓慢

**优化**:

1. 使用较小的LLM进行压缩(例如“qwen2.5-1.5b”)
1. 减少 `SEMANTIC_TOP_K` 为了更快地检索
1. 禁用反射: `ENABLE_REFLECTION = False`
1. 增加并行工作者(如果您有可用的核心)

## 发展

### 构建```bash
npm run build

观看模式(用于开发)```bash

npm run dev


### 手动测试```bash
# Start server (outputs to stderr for debugging)
node dist/index.js

# The server expects JSON-RPC messages on stdin
# Use MCP Inspector for interactive testing:
npx @modelcontextprotocol/inspector node dist/index.js

项目结构```

SimpleMem-MCP/
├── src/
│ ├── index.ts # Main MCP server (tools, resources, handlers)
│ ├── simplemem-client.ts # Python SimpleMem wrapper
│ └── types.ts # TypeScript interfaces
├── dist/ # Compiled JavaScript (generated)
├── package.json # Dependencies and scripts
├── tsconfig.json # TypeScript configuration
├── .env.example # Environment template
├── .gitignore
└── README.md # This file


## 参考文献

- **SimpleMem纸张**: arXiv:2601.02553
- **SimpleMem GitHub**: AIMING实验室/SimpleMem
- **MCP文件**: 模型上下文协议
- **MCP-SDK**: @模型上下文协议/sdk

## 许可证

MIT许可证-详见SimpleMem项目。

## 引用

如果您在研究中使用SimpleMem,请引用:```bibtex
@misc{simplemem2026,
title={SimpleMem: Efficient Lifelong Memory for LLM Agents via Semantic Lossless Compression},
author={AIMING Lab},
year={2026},
eprint={2601.02553},
archivePrefix={arXiv}
}

支持

  • SimpleMem问题: GitHub 问题
  • MCP问题: MCP GitHub

建于❤️ 使用模型上下文协议

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
Simple Mem MCP 怎么安装?

在客户端按下面的安装命令接入:pip install -r requirements.txt。装完在客户端配置里引用同一个包或端点。

Simple Mem MCP 怎么在 Claude Desktop、Claude、Cursor 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。

Simple Mem 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。

Simple Mem 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。

Simple Mem MCP 支持哪些客户端?

资料标注支持 Claude Desktop、Claude、Cursor;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。

Simple Mem MCP 能提供哪些能力?

资料显示约 7 个工具;能力标签包括 对话管理、JavaScript、Claude。具体工具清单以官方文档为准。

Simple Mem MCP 需要什么运行环境?

属于本地进程,需要在本机装好运行环境。

Simple Mem 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。