Memora

Установка

Ручная установка

pip install memora-mcp

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.

Пример запроса к агенту

Влей в память итоги этого спринта и потом собери дайджест по теме миграции базы

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.

MCP

Транспорт

stdio, http

Авторизация

не нужна

Проверка безопасности

• Хранит накопленную память работы в локальной базе
• Absorb и дедупликация обращаются к LLM

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.

Похожие