mem-agent-mcp — локальная память для агента
mem-agent-mcp
MCP-сервер, который отвечает на вопросы по вашим заметкам в стиле Obsidian через локальную модель mem-agent от Dria.
- 626 ★ репозитория
- Последний коммит
- Apache-2.0
Широкий доступ
Почему такой уровень
- Сервер читает личные заметки с данными о вас и ваших близких и запускает на вашем компьютере код, который работает с памятью
- В режиме HTTP через туннель ChatGPT получает доступ без аутентификации: адрес туннеля открывает вашу память любому, кто его знает
- Коннекторы GitHub и Google Docs требуют токены доступа, с которыми нужно обращаться осторожно
Установка
- Работает в
Ручная установка
make install
make setup
make run-agent
make generate-mcp-jsonВыполняется в клонированном репозитории. На macOS install ставит LM Studio, setup открывает выбор папки с памятью, а run-agent предлагает точность модели.
Доступ и проверки
Как мы проверяемШирокий доступИнструмент может менять данные, выполнять команды или работать с секретами.
- Сервер читает личные заметки с данными о вас и ваших близких и запускает на вашем компьютере код, который работает с памятью
- В режиме HTTP через туннель ChatGPT получает доступ без аутентификации: адрес туннеля открывает вашу память любому, кто его знает
- Коннекторы GitHub и Google Docs требуют токены доступа, с которыми нужно обращаться осторожно
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
Сервер открывает агенту один инструмент, use_memory_agent: агент задает вопрос, а локальная модель mem-agent от Dria ищет ответ в папке с заметками и возвращает его. Заметки лежат в Markdown-файлах и связаны ссылками в духе Obsidian. Главный файл `user.md` описывает вас и ваши связи, а каждый объект, будь то человек или компания, получает отдельный файл в папке `entities`. Править заметки руками можно без перезапуска сервера. Модель работает на вашем компьютере. На macOS она запускается через LM Studio с бэкендом Metal, на Linux с видеокартой через vLLM. На ARM64 Linux vLLM по умолчанию не ставится: там модель берут через OpenRouter, OpenAI или прокси LiteLLM. Модель доступна в версиях 4 бита, 8 бит и bf16. Память можно наполнить готовыми коннекторами. Они разбирают выгрузку истории ChatGPT, экспорты Notion и Nuclino, а также читают репозитории GitHub и папки Google Docs через API. Помогает мастер `make memory-wizard`. К ответам можно добавлять фильтры, например запрет раскрывать точный возраст или адреса почты: фильтры хранятся в файле `.filters` и подхватываются на лету.
Для кого. Для тех, кто ведет личную базу заметок в Markdown и хочет спрашивать ее у Claude или другого клиента, не отдавая записи внешней модели.
Подходит, если
- Есть выгрузка истории ChatGPT, и по ней нужно искать прошлые обсуждения и свои решения
- Заметки лежат в Notion или Nuclino, а агенту нужен доступ к ним через одну точку входа
- Нужна память, которая работает локально: модель стоит на вашем Mac или Linux-машине с видеокартой
- Агент должен отвечать по заметкам, не раскрывая отдельных сведений, и для этого подходят фильтры
- Вы ведете связанные заметки о людях и компаниях и хотите задавать вопросы вроде «что я знаю про этого клиента»
Не подходит, если
- Нет ни Mac с Apple Silicon, ни Linux-машины с видеокартой, а платный внешний API не подходит
- Нужна запись новых фактов в память прямо из диалога: у сервера один инструмент для вопросов
- Нужна готовая облачная память с входом и синхронизацией между устройствами
- Заметки не связаны ссылками и не лежат отдельными Markdown-файлами
Пример запроса к агенту
Спроси у памяти, что я записывал про Acme Corp и кто из контактов там отвечает за закупки.MCP
- Транспорт
- stdio, http
- Авторизация
- не нужна
Переменные окружения
MEMORY_DIRобязательная- Путь к папке с заметками, выбранной командой make setup.
MCP_TRANSPORT- Транспорт сервера: stdio по умолчанию или http.
MCP_PORT- Порт HTTP-режима, адрес по умолчанию 127.0.0.1 и путь /mcp/.
Ограничения
Поддерживаются macOS с бэкендом Metal и Linux с видеокартой. Для папки mcp_server в `pyproject.toml` указан Python 3.11. Перед запуском сервера нужно установить LM Studio или vLLM, выбрать папку с памятью командой `make setup` и стартовать модель командой `make run-agent`: без запущенной модели сервер отвечать не сможет. На ARM64 Linux нужна внешняя модель или прокси.
Папка памяти должна следовать структуре с файлом `user.md` и каталогом `entities`, а ссылки между файлами нужно писать строго в формате с двойными скобками. Коннекторы к GitHub и Google Docs требуют токена доступа, токен Google живет около часа. Репозиторий не обновлялся с ноября 2025 года.
Доступность Hugging Face и сервисов ChatGPT из России при подготовке карточки не проверялась.
Как отключить. Удалите запись mem-agent из конфигурации клиента, для Claude Code это `claude mcp remove mem-agent`, и остановите модель. Папка с заметками остается на диске и принадлежит вам. Если вы открывали сервер наружу через туннель, закройте и его.
Частые вопросы
Как подключить mem-agent-mcp к Claude Code?
Сначала запустите модель командой `make run-agent`, затем добавьте сервер командой `claude mcp add mem-agent --env MEMORY_DIR=путь_к_памяти -- python путь_к_репозиторию/mcp_server/server.py`. Проверьте подключение командой `claude mcp list`. Для Claude Desktop и LM Studio команда `make generate-mcp-json` готовит файл `mcp.json`, его копируют в конфигурацию клиента.
Как устроена папка с памятью?
В корне лежит `user.md` с вашими данными и связями, рядом папка `entities` с отдельным файлом на каждый объект. Ссылки между файлами пишутся как двойные квадратные скобки вокруг пути `entities/имя.md`. Формат ссылки нужно соблюдать строго.
Как работают фильтры в mem-agent?
Модель обучена понимать фильтры в тегах `<filter>` после вопроса, например запрет раскрывать точный возраст или адреса почты. Команда `make add-filters` записывает правила в файл `.filters`, `make reset-filters` очищает его. Перезапускать сервер не нужно.
Можно ли подключить mem-agent-mcp к ChatGPT?
Можно: `make serve-mcp-http` запускает сервер на `localhost:8081/mcp`, а сервис «ngrok» выставляет его наружу. В ChatGPT в режиме разработчика добавляют адрес с путем /mcp и протоколом HTTP без аутентификации. Тогда любой, кто узнает адрес туннеля, сможет спрашивать вашу память.
Что делать на ARM64 Linux без vLLM?
Использовать внешнюю модель: путь через OpenRouter или OpenAI либо прокси LiteLLM, адрес которого задают в файле `.env` переменными VLLM_HOST и VLLM_PORT. Тогда сервер запускают командами `make serve-mcp` или `make serve-mcp-http`.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
MCP-серверыiai-memory
iai-memory (Personal Memory Engine)
Локальный MCP-сервер долговременной памяти для агента: хранит разговоры дословно и возвращает нужный контекст в начале сессии
MCP-сервер долговременной памяти для агентов: поиск, запись и исправление фактов между сессиями в облаке или в локальном ядре
MCP-сервер долговременной памяти для ИИ-агентов: факты стареют по кривой забывания, связанные записи сжимаются в сводку
Общая локальная память для ИИ-агентов: Claude Code, Codex, Cursor и другие находят в ней договоренности прошлых сессий и записывают новые
Долговременная память агента в папке связанных markdown-заметок, чтобы Claude Code помнил проект между сессиями
Самостоятельный MCP-сервер долговременной памяти для агентов: структурированные записи, версии с откатом и визуальная панель
Сравнение с похожими
Записи с тем же главным запросом: чем они отличаются.
| Запись | Официальный | Авторизация | Звезды репозитория | Главное отличие |
|---|---|---|---|---|
| mem-agent-mcp — локальная память для агента (эта запись) | да | не нужна | 626 | |
| Basic Memory | нет | не нужна | 4 403 | долговременная память в локальных Markdown-файлах с графом связей и семантическим поиском |
| MCP Memory Service | нет | не нужна | 2 054 | самостоятельно размещаемая память с семантическим поиском и графом знаний |
Из блога
Коротко о README
Документ коротко представляет сервер, перечисляет поддерживаемые платформы и ведет по шагам установки: `make check-uv`, `make install`, `make setup`, `make run-agent` и `make generate-mcp-json`. Затем описана структура памяти с примерами `user.md` и файлов объектов, фильтры и таблица коннекторов с командами и инструкциями по получению выгрузок и токенов. Отдельные разделы объясняют подключение к Claude Code и ChatGPT, а в конце даны советы по диагностике и заготовка нового коннектора на Python.