AgentDB MCP
AgentDB хранит память агента в файле .rvf и через 41 инструмент MCP ищет прошлые решения, учась на обратной связи
- 97 ★ репозитория
- Последний коммит
Расширенный доступ
Почему такой уровень
- Хранит воспоминания агента в локальных файлах и дает инструменты записи и удаления: ошибка в записи искажает будущие ответы
Установка
- Работает в
В терминале, через SkillFoxx CLI
npx skillfoxx add mcp/agentdbОпределит агенты на машине, покажет уровень доступа и зафиксирует версию.
Другие способы установки
Доступ и проверки
Как мы проверяемРасширенный доступИнструмент запускает код или ходит в сеть, а внешние данные только читает.
- Хранит воспоминания агента в локальных файлах и дает инструменты записи и удаления: ошибка в записи искажает будущие ответы
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
AgentDB — векторная память для агентов, которая улучшает поиск по обратной связи. Векторы, индексы, состояние обучения и криптографический журнал лежат в одном файле `.rvf`, а сам движок работает в Node, браузере и на периферийных средах, в том числе офлайн. Агент записывает, какие результаты поиска пригодились (`recordFeedback`), бандит Томпсона подстраивает ранжирование, выбор алгоритма RL и уровень сжатия. Автор заявляет рост качества поиска до 36% только за счет обратной связи. Память устроена по шести образцам: эпизодическое воспроизведение (Reflexion), библиотека навыков, причинные связи, иерархический контекст (рабочая, краткая и долгая), семантическая кластеризация и рабочая память. Поиск гибридный: BM25 и плотные векторы объединяются слиянием рангов, есть графовый слой с запросами Cypher. Использовать можно тремя способами: библиотека `npm install agentdb`, CLI `npx agentdb` или MCP-сервер `claude mcp add agentdb -- npx agentdb@latest mcp start`. Сервер MCP регистрирует 41 инструмент: `agentdb_pattern_store`, `agentdb_pattern_search`, `agentdb_hierarchical_store`, `agentdb_causal_edge`, `agentdb_skill_library`, `agentdb_reflexion` и другие. Нужен Node.js 20.9 или новее.
Для кого. Разработчикам агентов на Claude Code, Cursor или Cline, которым нужна долгая память между сеансами без внешней базы данных и ключей.
Подходит, если
- Агент должен вспоминать успешные решения прошлых сеансов по смыслу запроса, точное слово необязательно
- Нужна библиотека навыков и разбор неудач в виде записей Reflexion, которые агент перечитывает сам
- Память должна жить в одном файле и работать офлайн, в браузере или на периферийной среде
- Требуется связывать воспоминания причинными ребрами и искать по ним графовыми запросами
Не подходит, если
- Нужна готовая облачная база с панелью управления: AgentDB встраивается как библиотека или запускается локально
- Версия Node старше 20.9: Node 18 больше не поддерживается
- Агенту хватает простого файла заметок: сорок один инструмент избыточен
Пример запроса к агенту
Сохрани в AgentDB паттерн успешной миграции базы с оценкой 0.9, а при следующей миграции сначала найди похожие прошлые решенияMCP
- Транспорт
- stdio
- Авторизация
- не нужна
Переменные окружения
AGENTDB_INJECTION_GUARD- Проверка сохраняемых воспоминаний на инъекции: warn или block
Ограничения
- Нужен Node.js 20.9.0 или новее. Node 18 больше не поддерживается.
- Рост качества поиска до 36% и скорость в 150 раз выше SQLite указаны самим автором, на ваших данных результат может быть другим.
- Для эмбеддингов нужна своя модель: любые векторы нужной размерности (384 в примере) подойдут, а локальные эмбеддинги Transformers требуют дополнительных зависимостей.
- Профили защиты от инъекций в сохраненных воспоминаниях включаются отдельно через `AGENTDB_INJECTION_GUARD` (`warn` или `block`).
Как отключить. Удалите блок `agentdb` из настроек MCP командой `claude mcp remove agentdb`. Файлы `.rvf` и `agentdb.db` хранят память: удалите их вручную, если она больше не нужна.
Частые вопросы
Как подключить AgentDB к Claude Code?
Выполните `claude mcp add agentdb -- npx agentdb@latest mcp start`. Команда зарегистрирует 41 инструмент MCP, нужен Node.js 20.9 или новее. В Cursor и Cline добавьте тот же запуск в настройки MCP.
Чем он отличается от обычной векторной базы?
Он учитывает, какими результатами агент реально воспользовался: `recordFeedback` передает оценку, и бандит перенастраивает ранжирование. Память держит эпизоды, навыки, причинные связи и иерархию, а хранилище — один файл `.rvf`.
Что делают инструменты pattern, hierarchical и causal?
`agentdb_pattern_store` и `agentdb_pattern_search` сохраняют и ищут успешные решения, `agentdb_hierarchical_store` и `agentdb_hierarchical_recall` работают с памятью по уровням (рабочая, краткая, долгая), `agentdb_causal_edge` связывает воспоминания причинными ребрами.
Нужны ли ключи API или внешняя база?
Нет: README называет хранилище в одном файле без серверов и ключей API. Эмбеддинги нужно получать своей моделью, векторы нужной размерности принимает любой.
Как попробовать без установки?
Выполните `npx agentdb init`, затем `npx agentdb reflexion store "session-1" "implement_auth" 0.95 true "Used OAuth2 with PKCE"` и `npx agentdb reflexion retrieve "authentication" --k 5`. Файл базы `agentdb.db` появится в текущей папке.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
MCP-серверыЛокальный MCP-сервер памяти для агентов: решения, ошибки и факты хранятся на вашей машине, поиск идет по смыслу и графу знаний
Память агентов на Rust: забывает неважное, объединяет похожее, ловит противоречия, работает локально, по HTTP и через MCP.
Локальная память для ИИ-агентов программиста: хуки записывают ход каждой сессии, и Claude Code, Codex или Cursor находят прошлые решения через MCP
Локальная память проекта для агентов: ограничения, решения и уроки лежат в дереве с доказательствами и возвращаются до задачи.
MCP-сервер долговременной памяти для ИИ-агентов: факты стареют по кривой забывания, связанные записи сжимаются в сводку
MCP-сервер долговременной памяти для агентов: поиск, запись и исправление фактов между сессиями в облаке или в локальном ядре
Коротко о README
README открывается заявкой «векторная память, которая умнеет с использованием», показывает три строки кода для самообучающегося поиска и таблицу трех способов использования (библиотека, CLI, MCP). Дальше описаны возможности (самообучение, шесть видов памяти, девять алгоритмов RL, гибридный поиск, граф), таблица 41 инструмента MCP, заметки о защите от инъекций и бенчмарки.