M-flow
MCP-сервер долговременной памяти для агентов на графе знаний: не сходство векторов, а путь доказательства
Средний риск
Средний уровень ставим, когда инструмент запускает код, ходит в сеть или читает файлы проекта. Перед установкой посмотрите, что именно он делает.
Почему такой уровень
- Сервис принимает и хранит диалоги и данные пользователя в графовой базе
- Требует ключ LLM-провайдера, который используется для построения графа
Установка
Ручная установка
git clone https://github.com/FlowElement-xinliuyuansu/m_flow.git && cd m_flow
./quickstart.shРазворачивает весь стек, backend и frontend, запросит API-ключи интерактивно.
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
M-flow хранит знания агента в графе с четырьмя уровнями: эпизод, грань, точка грани, сущность. При запросе векторный поиск находит точки входа в граф, а дальше граф распространяет вес по типизированным связям и ищет самую сильную цепочку рассуждений, а не просто ближайшие по смыслу фрагменты. Инструменты memorize и save_interaction превращают текст и диалоги в граф, search и query ищут по нему, а learn выделяет из накопленных эпизодов процедурную память. Доступ дается через отдельный MCP-сервер m_flow-mcp с транспортом stdio, sse или http, который можно поднять в Docker и подключить к Cursor, Claude Desktop или VS Code с Continue.
Для кого. Для тех, кто строит долговременную память агента поверх собственной базы знаний и хочет, чтобы поиск учитывал причинно-следственные связи, а не только текстовое сходство.
Подходит, если
- Агенту нужна память о прошлых диалогах и событиях, которая переживает конец сессии
- Обычный векторный поиск находит похожие по словам, но не по сути фрагменты
- Нужна процедурная память: агент должен запоминать последовательности действий, а не только факты
Не подходит, если
- Достаточно простого векторного поиска по документам без связей между фактами
- Не хочется поднимать и поддерживать отдельный backend с базой графа
Пример запроса к агенту
Сохрани в память эту переписку с клиентом и в следующий раз напомни мне, почему он был недоволен на прошлой встречеОграничения
Нужен Python 3.10-3.13 и отдельный backend M-flow, MCP-сервер в режиме API вызывает его по HTTP с токеном. Развертывание с Neo4j или PostgreSQL с PGVector требует отдельного docker compose профиля. Проект относительно новый, зрелость и стабильность API стоит проверять на своей нагрузке перед продакшном.
Как отключить. Остановите контейнеры командой docker compose down в папке m_flow-mcp, либо удалите MCP-сервер из конфигурации агента и локальное окружение pip uninstall mflow-ai.
MCP
- Транспорт
- stdio, sse, http
- Авторизация
- API-ключ
| Переменные окружения | |
|---|---|
| LLM_API_KEY обязательная, секрет | Ключ LLM-провайдера для построения и обработки графа знаний |
| TRANSPORT_MODE | Режим транспорта MCP-сервера: stdio, sse или http |
Проверка безопасности
- Сервис принимает и хранит диалоги и данные пользователя в графовой базе
- Требует ключ LLM-провайдера, который используется для построения графа
Коротко о README
README представляет M-flow как когнитивную систему памяти для агентов: граф знаний из эпизодов, граней, точек граней и сущностей, где релевантность это путь доказательства, а не только сходство. Приведен пример с диагностикой причины плохого настроения коллеги на встрече, где обычный векторный поиск промахивается, а граф находит первопричину. Отдельно описан MCP-сервер m_flow-mcp с инструментами memorize, search, query, learn и другими, транспортами stdio, sse и http, и инструкциями для Cursor, Claude Desktop и VS Code с Continue. Лицензия Apache 2.0.
Частые вопросы
Чем M-flow отличается от обычного GraphRAG?
По описанию автора, граф в M-flow сам оценивает релевантность как самую сильную цепочку связей между запросом и ответом, а не как расстояние в векторном пространстве.
Обязательно ли поднимать Neo4j?
Нет, есть профили docker compose под разные хранилища, включая вариант с PostgreSQL и PGVector без отдельного Neo4j.
Похожие
Открытый личный AI-ассистент на своем компьютере: отвечает в Telegram, Slack, Discord и WhatsApp, расширяется скиллами и плагинами
Самообучающийся агент от Nous Research: терминал, мессенджеры, cron-задачи и скиллы, которые он пишет сам
Открытый агент для программирования в терминале и на десктопе с режимами разработки и планирования
Открытая библиотека промптов с плагином Claude Code, MCP-сервером и CLI: поиск, получение и улучшение промптов и скиллов из агента