cafe3310/mcp-server-memories-off

mcp-server-memories-off

愿景

提供一个轻量级知识管理 MCP 服务，让你的 LLM 可以长期持续学习、输出、使用知识。

该服务希望帮助个人或小型项目从日常文本、对话、项目笔记等，结构化地提取和整合实体和其间的关系，让知识的捕捉与整理变得顺畅。进而，这个服务也许能协助你搭建个性化的知识助手，在沟通、管理、项目梳理、信息整合加工等方面，以「模仿你」的形式提供帮助。

其初始版本基于 Anthropic 的 memory mcp。

特性目标

• 便携轻量，本地优先：基于本地文件，不需要部署或使用大规模在线服务，不与任何模型、服务或架构绑定。
• 结构化知识：通过 LLM 能力，将你丢给它的任何文本中的信息，转化为实体、关系、观察，构建个人知识图谱。
• 灵活检索：支持通过实体名、类型、观察内容的关键词检索，让 LLM 获取长期记忆并在对话中直接使用。
• 数据可读性与备份：原始数据保持可读，提供简单的备份功能。

目标不会包括：

• 大规模知识：保持轻量级，适合个人或小型项目使用。
• 复杂关系：不用把小工具整成 SQL。
• 在线服务：不考虑联网，数据存储在本地文件中。
• 多用户协作：不会考虑。
• 权限：不会考虑。
• 多语言：只考虑中文。

应用例子

个人使用场景

• 提取知识：将文档、日常对话或大段聊天记录发给 LLM，自动提取关键知识点、人物、项目信息、协作关系、个人风格等，构建你的专属知识库。
• 个性化内容生成：借助知识图谱，LLM 能更好地理解你的思考习惯和人际网络，有针对性地模仿你的表达，生成符合你个性风格的沟通、总结或项目文档。

项目使用场景

• 项目知识库：小团队可用作项目级别的知识库，持续积累和管理知识，比如联合支付能力 MCP 服务，记录用户购物偏好、行为习惯等。
• 优化 Agent 服务质量：让你的 Agent 记住更多历史数据与业务诉求，动态调整流程或输出，如记住并优化利用支付能力 MCP 服务推销时的有效策略，提高应用场景中的转化率与满意度。

已有工具

• 管理实体和关系

  • upsert_entities(...entity): 创建或更新多个实体，保留原类型，添加观察内容
  • create_relations(...relation): 创建实体之间的关系
  • upsert_observations(entity_name, ...observation): 为已有的实体添加观察内容
  • delete_entities(...entity_name): 删除实体及其关联关系
  • delete_observations(entity_name, ...observation): 删除实体中的特定观察内容
  • delete_relations(...relation): 删除实体之间的关系

• 获取实体和关系信息

  • open_nodes(...entity_name): 获取节点和其间关系

• 分类管理

  • list_entity_types(): 列出所有实体类型和实体数量
  • list_relation_types(): 列出所有关系类型和关系数量

• 知识融合与整理

  • rename_entity(entity_name, new_entity_name): 重命名实体
  • merge_entity_types(...entity_types, target_entity_type): 合并实体类型
  • merge_relation_types(...relation_types, target_relation_type): 合并关系类型
  • merge_entities: 合并实体

• 检索图谱

  • read_graph(): 获取整个知识图谱
  • search_nodes_anywhere(keywords): 根据查询字符串搜索各种节点（支持实体名、类型、观察内容等，空格为 or）
  • search_nodes_smart(queryRegex): 简化的搜索接口。对名称命中的节点返回全文；对其余部分命中的节点返回较少信息(entity_name, entity_type, where_contains_keyword)，避免 token 浪费
  • read_subgraph(...entity_name, max_depth): 获取包含指定实体节点的子图，返回实体和关系
  • has_entities(...entity_name): 检查实体是否存在

• 备份和图谱管理

  • backup_graph(): 备份整个知识图谱
  • read_graph_manual(): 读取知识图谱的所有使用说明
  • put_graph_manual(name, description, ...target): 添加或替换一条使用说明
  • remove_graph_manual(name): 删除一条使用说明

Todolist

• 管理实体和关系

  • create_relations -> upsert_relations: 创建或更新关系，同时让关系具备多个谓词

• 获取实体和关系信息

• 知识融合与整理

  • 中 - list_orphan_entities: 支持列出零散（无关系）的实体

• 检索图谱

  • 高 - read_subgraph_names: 获取以某些节点为中心的子知识图谱，仅返回（中心节点全部信息、关系、关联节点名称和类型），避免 token 浪费
  • 本地的向量搜索，使用 sqlite_vec 等轻量级 embedding 和搜索解决方案

• 备份

  • MEM_EDIT_LOG_DIR: 完整的变更审计日志，用于回溯历史或回滚到某个状态

• 时间线记忆

  • 低 - 支持实体、关系、观察的“创建时间”概念
  • 低 - 支持实体、关系、观察的“有效期”概念
  • 低 - 支持实体、关系、观察的“深刻度”和“被用于做什么”的概念

• 配置

  • 支持声明多个配置文件，用于多领域知识整理
  • 支持自定义工具集介绍，便于多领域知识联动或用于 a2a 场景

配置例子

该 package 已经发布在 npmjs , 可以在任何支持 mcp 协议的 LLM 客户端中配置：

命令行：

npx -y mcp-server-memories-off

环境变量：

一个典型配置：

// in mcp.json
{
  // ... ...
  "memory": {
    "command": "npx",
    "args": [ "-y", "mcp-server-memories-off" ],
    "env": { "MEM_PATH": "你的路径" }
  },
  // ... ...
}

如何构建

构建：

bun run build

运行：

node ..../dist/index.js