Сервер Model Context Protocol (MCP) для управления семантической памятью, который позволяет агентам ИИ хранить, извлекать и управлять контекстными знаниями во время сеансов.

См. SYSTEM PROMPT.md для всеобъемлющего руководства о том, как научить модели ИИ эффективно использовать эту систему памяти. Эта подсказка помогает моделям понять, когда и как использовать инструменты памяти, особенно для проактивного извлечения памяти.

Особенности

###Основные возможности

• TypeScript - Безопасность полного типа в строгом режиме PostgreSQL + pgvector - поиск по векторному сходству с индексацией HNSW Kysely ORM - Безопасные SQL-запросы
• Local Embeddings - Использует Transformers.js (без вызовов API)
• ** Интеллектуальное кэширование** - Redis + запасной вариант в памяти для быстрой производительности ** Поддержка мультиагентов** - Изоляция контекста пользователя Token Efficient - Встраивание удалено из ответов

###Управление памятью Графические отношения — богатые типы отношений (ссылки, противоречия, поддержки, расширения, причины, прецеденты и т. д.) Graph Traversal - алгоритмы BFS/DFS с ограничениями глубины и фильтрацией

MCP AI Memory

A production-ready Model Context Protocol (MCP) server for semantic memory management that enables AI agents to store, retrieve, and manage contextual knowledge across sessions.

📖 System Prompt Available: See SYSTEM_PROMPT.md for a comprehensive guide on how to instruct AI models to use this memory system effectively. This prompt helps models understand when and how to use memory tools, especially for proactive memory retrieval.

Features

Core Capabilities

• TypeScript - Full type safety with strict mode
• PostgreSQL + pgvector - Vector similarity search with HNSW indexing
• Kysely ORM - Type-safe SQL queries
• Local Embeddings - Uses Transformers.js (no API calls)
• Intelligent Caching - Redis + in-memory fallback for blazing fast performance
• Multi-Agent Support - User context isolation
• Token Efficient - Embeddings removed from responses

Advanced Memory Management

• Graph Relationships - Rich relationship types (references, contradicts, supports, extends, causes, precedes, etc.)
• Graph Traversal - BFS/DFS algorithms with depth limits and filtering
• Memory Decay - Automatic lifecycle management with exponential decay
• Memory States - Active, dormant, archived, and expired states
• Preservation - Protect important memories from decay
• Soft Deletes - Data recovery with deleted_at timestamps
• Clustering - Automatic memory consolidation
• Compression - Automatic compression of archived memories

Prerequisites

• Node.js 18+ or Bun
• PostgreSQL with pgvector extension
• Redis (optional - falls back to in-memory cache if not available)

Installation

NPM Package (Recommended for Claude Desktop)

npm install -g mcp-ai-memory

From Source

1. Install dependencies:

bun install

2. Set up PostgreSQL with pgvector:

CREATE DATABASE mcp_ai_memory;
\c mcp_ai_memory
CREATE EXTENSION IF NOT EXISTS vector;

3. Create environment file:

# Create .env with your database credentials
touch .env

4. Run migrations:

bun run migrate

Usage

Development

bun run dev

Production

bun run build
bun run start

Troubleshooting

Embedding Dimension Mismatch Error

If you see an error like:

Failed to generate embedding: Error: Embedding dimension mismatch: Model produces 384-dimensional embeddings, but database expects 768

This occurs when the embedding model changes between sessions. To fix:

1. Option 1: Reset and Re-embed (Recommended for new installations)

   # Clear existing memories and start fresh
   psql -d your_database -c "TRUNCATE TABLE memories CASCADE;"