MMCPMarkets
CM

coleam00/mcp-mem0

Developer tools

Эта страница переведена автоматически. Технические детали смотрите в оригинале. Открыть оригинал

687 stars 234 forks Качество 69 Тренд 21MIT
Repository Install

MCP-сервер для долгосрочной памяти агентов с Mem0. Также полезно как шаблон, чтобы начать создавать собственный MCP-сервер на Python!

Обзор

MCP-Mem0: Долгосрочная память для агентов ИИ Шаблонная реализация сервера Model Context Protocol (MCP), интегрированной с Mem0 для обеспечения агентов ИИ с возможностями постоянной памяти. Используйте это как точку отсчёта для самостоятельной сборки ваших MCP-серверов или приведите это в качестве примера AI-ассистенту по программированию и скажите ему следовать этому примеру для структуры и корректности кода! Этот проект демонстрирует, как создать MCP-сервер, который позволяет агентам искусственного интеллекта хранить, извлекать и искать память с помощью семантического поиска. Он служит практическим шаблоном для создания собственных MCP-серверов, используя Mem0 и практический пример. Реализация следует лучшим практикам, изложенным компанией Anthropic для создания MCP-серверов, что позволяет бесшовно интегрироваться с любым совместимым с MCP клиентом. Сервер предоставляет три основных инструмента управления памятью: 1. : Хранить любую информацию в долгосрочной памяти с помощью семантического индексирования 2. : Получить все сохранённые воспоминания для полного контекста 3.

Обзор (машинный перевод)

MCP-Mem0: Долгосрочная память для агентов ИИ

Шаблонная реализация сервера Model Context Protocol (MCP), интегрированной с Mem0 для обеспечения агентов ИИ с возможностями постоянной памяти.

Используйте это как точку отсчёта для самостоятельной сборки ваших MCP-серверов или приведите это в качестве примера AI-ассистенту по программированию и скажите ему следовать этому примеру для структуры и корректности кода!

Обзор

Этот проект демонстрирует, как создать MCP-сервер, который позволяет агентам искусственного интеллекта хранить, извлекать и искать память с помощью семантического поиска. Он служит практическим шаблоном для создания собственных MCP-серверов, используя Mem0 и практический пример.

Реализация следует лучшим практикам, изложенным компанией Anthropic для создания MCP-серверов, что позволяет бесшовно интегрироваться с любым совместимым с MCP клиентом.

Особенности

Сервер предоставляет три основных инструмента управления памятью:

  1. save_memory: Храните любую информацию в долгосрочной памяти с помощью семантической индексации
  2. get_all_memories: Получить все сохранённые воспоминания для полного контекста
  3. search_memories: Найти соответствующие воспоминания с помощью семантического поиска

Предварительные требования

  • Python 3.12+

Эта страница переведена автоматически. Технические детали смотрите в оригинале.

README

Показан фрагмент оригинального README. Открыть оригинал.

MCP-Mem0: Long-Term Memory for AI Agents

A template implementation of the Model Context Protocol (MCP) server integrated with Mem0 for providing AI agents with persistent memory capabilities.

Use this as a reference point to build your MCP servers yourself, or give this as an example to an AI coding assistant and tell it to follow this example for structure and code correctness!

Overview

This project demonstrates how to build an MCP server that enables AI agents to store, retrieve, and search memories using semantic search. It serves as a practical template for creating your own MCP servers, simply using Mem0 and a practical example.

The implementation follows the best practices laid out by Anthropic for building MCP servers, allowing seamless integration with any MCP-compatible client.

Features

The server provides three essential memory management tools:

  1. save_memory: Store any information in long-term memory with semantic indexing
  2. get_all_memories: Retrieve all stored memories for comprehensive context
  3. search_memories: Find relevant memories using semantic search

Prerequisites

  • Python 3.12+
  • Supabase or any PostgreSQL database (for vector storage of memories)
  • API keys for your chosen LLM provider (OpenAI, OpenRouter, or Ollama)
  • Docker if running the MCP server as a container (recommended)

Installation

Using uv

  1. Install uv if you don’t have it:

    pip install uv

  2. Clone this repository:

    git clone https://github.com/coleam00/mcp-mem0.git
cd mcp-mem0

  3. Install dependencies:

    uv pip install -e .

  4. Create a .env file based on .env.example:

    cp .env.example .env

  5. Configure your environment variables in the .env file (see Configuration section)

  1. Build the Docker image:

    docker build -t mcp/mem0 --build-arg PORT=8050 .

  2. Create a .env file based on .env.example and configure your environment variables

Configuration

The following environment variables can be configured in your .env file:

Variable Description Example
TRANSPORT Transport protocol (sse or stdio) sse
HOST Host to bind to when using SSE transport 0.0.0.0
PORT Port to listen on when using SSE transport 8050
LLM_PROVIDER LLM provider (openai, openrouter, or ollama) openai
LLM_BASE_URL Base URL for the LLM API https://api.openai.com/v1
LLM_API_KEY API key for the LLM provider sk-...
LLM_CHOICE LLM model to use gpt-4o-mini
EMBEDDING_MODEL_CHOICE Embedding model to use text-embedding-3-small
Открыть полный README на GitHub

Установка

docker run --rm -i -e TRANSPORT -e LLM_PROVIDER -e LLM_BASE_URL -e LLM_API_KEY -e LLM_CHOICE -e EMBEDDING_MODEL_CHOICE -e DATABASE_URL mcp/mem0
Новичок в MCP? Начните с руководства на mcpskill.org →

Конфигурация

{ "mcpServers": { "mem0": { "transport": "sse", "url": "http://localhost:8050/sse" } } }