Проблема: Ваш ассистент по программированию ИИ имеет короткую память. Каждая сессия чата начинается с чистого листа.

Решение: Хеймдалль даёт вашему LLM устойчивую, растущую, когнитивную память о вашей конкретной кодовой базе, уроки и воспоминания сохраняются со временем.

https://github.com/user-attachments/assets/120b3d32-72d1-4d42-b3ab-285e8a711981

Ключевые особенности

• 🧠 Контекстно-богатая память: Хеймдалль учится на вашей документации, инсайтах сессии и истории разработки, позволяя вашему LLM запоминать конкретные решения и архитектурные шаблоны в диалогах.
• 📚 Git-Aware Context: Он индексирует всю историю git вашего проекта, понимая не только то, что изменилось, но и кто, когда и контекст.
• 🔗 Изолированный и организованный: Каждый проект получает собственное изолированное пространство памяти, что гарантирует, что контекст из одного проекта не передаётся в другой.
• ⚡ Эффективная интеграция: Построенная на Протоколе Model Context Protocol (MCP), обеспечивает стандартизированный, низкозатратный способ доступа LLM к этой мощной памяти.

🚀 Начало

Предварительные требования: Python 3.11+ и Docker (для базы данных векторов Qdrant).

Heimdall MCP Server - Your AI Coding Assistant’s Long-Term Memory

The Problem: Your AI coding assistant has short-lived memory. Every chat session starts from a blank slate.

The Solution: Heimdall gives your LLM a persistent, growing, cognitive memory of your specific codebase, lessons and memories carry over time.

https://github.com/user-attachments/assets/120b3d32-72d1-4d42-b3ab-285e8a711981

Key Features

• 🧠 Context-Rich Memory: Heimdall learns from your documentation, session insights, and development history, allowing your LLM to recall specific solutions and architectural patterns across conversations.
• 📚 Git-Aware Context: It indexes your project’s entire git history, understanding not just what changed, but also who changed it, when, and context.
• 🔗 Isolated & Organized: Each project gets its own isolated memory space, ensuring that context from one project doesn’t leak into another.
• ⚡ Efficient Integration: Built on the Model Context Protocol (MCP), it provides a standardized, low-overhead way for LLMs to access this powerful memory.

🚀 Getting Started

Prerequisites: Python 3.11+ and Docker (for Qdrant vector database).

Heimdall provides a unified heimdall CLI that manages everything from project setup to MCP integration.

1. Install Heimdall

pip install heimdall-mcp

This installs the heimdall command-line tool with all necessary dependencies.

2. Initialize Your Project

Navigate to your project directory and set up Heimdall:

cd /path/to/your/project

# Initialize project memory (starts Qdrant, creates collections, sets up config)
heimdall project init

This single command interactively builds up everything asking user preferences:

• ✅ Starts Qdrant vector database automatically
• ✅ Creates project-specific memory collections
• ✅ Sets up .heimdall/ configuration directory
• ✅ Downloads required AI models
• ✅ File monitoring
• ✅ Git hooks
• ✅ MCP integration

Note: this creates a .heimdall/ directory in your project for configuration - you should NOT commit this - add to .gitignore!

Load Project Knowledge

Recommended: Use automatic file monitoring and place files in .heimdall/docs/:

# Copy or symlink your documentation to the monitored directory
ln -r -s my-project-docs ./.heimdall/docs/project-docs