Memora MCP
MCP-слой постоянной коллективной памяти для агентов: структурное хранилище, семантический поиск, граф связей и линия обновлений знаний
- 749 ★ репозитория
- Последний коммит
- MIT
Расширенный доступ
Почему такой уровень
- Хранит накопленную память работы в локальной базе
- Absorb и дедупликация обращаются к LLM
Установка
- Работает в
Ручная установка
pip install memora-mcpДля семантического поиска: pip install "memora-mcp[local]". Затем подключите сервер к агенту как MCP.
Доступ и проверки
Как мы проверяемРасширенный доступИнструмент запускает код или ходит в сеть, а внешние данные только читает.
- Хранит накопленную память работы в локальной базе
- Absorb и дедупликация обращаются к LLM
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
Memora дает агентам общую постоянную память через MCP. Факты можно вливать командой absorb: LLM классифицирует каждый против хранилища как дубль, обновление, противоречие, связанный или новый, пропускает дубли и связывает отношения, есть предпросмотр dry_run. Обновления не удаляют старое, а вытесняют его, и поиск по умолчанию идет по цепочке до актуальной версии. Запрос memory_digest по теме собирает нужные воспоминания, открытые задачи, связанные ребра и идентификаторы источников. Хранилище это SQLite с опциональной облачной синхронизацией, есть семантический поиск, граф знаний и хранение структурированных документов.
Для кого. Для разработчиков и команд, которым нужна общая память агентов с графом связей и историей обновлений.
Подходит, если
- Нужна общая память для нескольких агентов и сессий
- Нужно, чтобы обновления не затирали старое знание, а вытесняли его
- Нужен семантический поиск и граф связей по памяти
Не подходит, если
- Достаточно простого текстового файла заметок
- Не нужна классификация фактов и граф, только быстрый кэш
Пример запроса к агенту
Влей в память итоги этого спринта и потом собери дайджест по теме миграции базыMCP
- Транспорт
- stdio, http
- Авторизация
- не нужна
Ограничения
Базовая установка ставится через pip, для локальных эмбеддингов и части функций нужны дополнительные зависимости или ключи. Absorb и дедупликация опираются на LLM, значит требуют доступа к модели. Канонический store это SQLite, облачная синхронизация опциональна и настраивается отдельно.
Как отключить. Снимите запись MCP из конфига агента и удалите пакет memora-mcp, файл базы SQLite можно удалить вручную.
Частые вопросы
Удаляются ли старые записи при обновлении?
Нет. Обновление вытесняет старое знание, а поиск по умолчанию идет по цепочке до актуальной версии, доступна и полная история.
Что делает absorb?
Классифицирует каждый факт против хранилища как дубль, обновление, противоречие, связанный или новый, есть предпросмотр dry_run.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
MCP-серверыMCP-сервер постоянной памяти для кодовых агентов: граф понятий, архитектуры и решений проекта, который сохраняется между сессиями
Локальная общая память проекта для кодинг-агентов: факты, решения и коммиты доступны через MCP, CLI и хуки в любом агенте
Локальная память отладки для разработчиков и агентов: команды, вывод, ошибки и рабочие исправления хранятся в SQLite
Git-родная постоянная память проекта для агентов на базе Open Knowledge Format: один бинарник на Go, встроенный MCP-сервер и поиск BM25
Локальный граф знаний о коде с историей версий: MCP-сервер отвечает агенту, кто вызывает функцию и что сломается от правки
MCP-сервер, который строит граф кода: функции, классы, вызовы и маршруты, и отвечает на структурные запросы агента локально
Коротко о README
README описывает Memora как MCP-слой постоянной коллективной памяти для агентов. Хранилище это SQLite с опциональной облачной синхронизацией и маршрутизацией нескольких баз через один процесс. Absorb классифицирует факты и связывает их, обновления вытесняют старое через линию supersession, а memory_digest собирает по теме воспоминания, задачи, ребра и источники. Есть семантический поиск на эмбеддингах, полнотекстовый и гибридный поиск, граф знаний с визуализацией и хранение структурированных документов как деревьев фрагментов. Установка через pip, с опциями для локальных эмбеддингов.