认知服务器

Name: 认知服务器
Author: 0xReLogic

作者：0xReLogic2 星标更新：2025-11-15

安装使用来源：spider==github.com

项目介绍

Cognio

通过模型上下文协议（MCP）为AI助手提供持久语义记忆的服务器

Cognio 是一个模型上下文协议（MCP）服务器，它为AI助手提供了持久的语义记忆。与短暂的聊天历史不同，Cognio 永久存储上下文，并支持在对话中进行语义搜索。

适用于：

随时间增长的个人知识库
多项目上下文管理
研究笔记和学习日志
具有语义检索的对话历史

特性

语义搜索：使用句子转换器按意义查找记忆
多语言支持：无缝支持100多种语言的搜索
持久存储：基于SQLite的存储，跨会话生存
项目组织：按项目和标签组织记忆
自动标记：通过大型语言模型（如GPT-4、Groq等）自动生成标签
文本摘要：长文本的抽取式和生成式摘要
MCP集成：一键设置VS Code、Claude、Cursor等
RESTful API：带有OpenAPI文档的标准HTTP API
导出能力：导出到JSON或Markdown格式
Docker支持：使用docker-compose简单部署

快速开始

1. 启动服务器

git clone https://github.com/0xReLogic/Cognio.git
cd Cognio
docker-compose up -d

服务器运行在 http://localhost:8080

2. 自动配置AI客户端

MCP服务器在首次启动时会自动配置支持的AI客户端：

支持的客户端：

Claude Desktop
Claude Code (CLI)
VS Code (GitHub Copilot)
Cursor
Continue.dev
Cline
Windsurf
Kiro
Gemini CLI

快速设置：

运行自动设置脚本以一次性配置所有客户端：

cd mcp-server
npm run setup

这将自动生成所有9个支持客户端的MCP配置。

手动配置：

参见mcp-server/README.md获取特定客户端的MCP配置示例。

首次运行时，Cognio会在您的工作区自动生成cognio.md，其中包含AI工具的使用指南。

3. 测试它

# 保存记忆
curl -X POST http://localhost:8080/memory/save \
  -H "Content-Type: application/json" \
  -d '{"text": "Docker允许应用程序在容器中运行", "project": "LEARNING"}'

# 搜索记忆
curl "http://localhost:8080/memory/search?q=容器"

或者在您的AI客户端中自然使用：

"在我的记忆中搜索Docker信息"
"记住这个：FastAPI是一个现代的Python网络框架"

4. Web UI仪表板

访问交互式记忆仪表板：

http://localhost:8080/ui

特性：

浏览和搜索所有记忆
使用Markdown预览添加/编辑记忆
查看统计数据和见解
按项目和标签组织
批量操作（选择、删除）
深色/浅色主题切换
在本地和Docker中工作

仪表板会自动检测API服务器，因此可以在localhost、Docker容器和远程部署中工作。

文档

API参考 - 完整的端点文档
示例 - 使用模式和集成
快速开始 - 安装和配置

MCP工具

使用MCP服务器时，您可以访问11种专用工具：

工具	描述
`save_memory`	保存文本，可选项目/标签（启用自动标记）
`search_memory`	语义搜索，带项目过滤
`list_memories`	列出记忆，带分页和过滤
`get_memory_stats`	获取存储统计和见解
`archive_memory`	软删除记忆（可恢复）
`delete_memory`	按ID永久删除记忆
`export_memories`	导出记忆至JSON或Markdown
`summarize_text`	摘要长文本（抽取式或LLM基础）
`set_active_project`	设置活动项目上下文（自动应用于所有操作）
`get_active_project`	查看当前活动项目
`list_projects`	列出数据库中的所有可用项目

活动项目流程：

1. list_projects() → 查看：Helios-LoadBalancer (45), Cognio-Memory (23), ...
2. set_active_project("Helios-LoadBalancer")
3. save_memory("缓存TTL是300秒") → 自动保存到Helios-LoadBalancer
4. search_memory("缓存设置") → 自动仅在Helios--LoadBalancer中搜索
5. list_memories() → 仅列出Helios-LoadBalancer的记忆

项目隔离： 始终指定一个project名称或使用set_active_project来保持记忆有序并防止不同工作空间之间的上下文混合。

API端点

方法	端点	描述
GET	`/health`	健康检查
POST	`/memory/save`	保存新记忆
GET	`/memory/search`	语义/混合搜索
GET	`/memory/list`	列出记忆，带过滤
DELETE	`/memory/{id}`	按ID删除记忆
POST	`/memory/bulk-delete`	按项目批量删除
GET	`/memory/stats`	获取统计
GET	`/memory/export`	导出记忆
POST	`/memory/summarize`	摘要长文本

交互式文档：http://localhost:8080/docs

配置

环境变量（参见.env.example）：

复制示例并编辑本地覆盖：

cp .env.example .env

# 数据库
DB_PATH=./data/memory.db

# 嵌入
EMBED_MODEL=all-MiniLM-L6-v2
EMBED_DEVICE=cpu
EMBEDDING_CACHE_PATH=./data/embedding_cache.pkl

# API
API_HOST=0.0.0.0
API_PORT=8080
# 可选API密钥用于认证
API_KEY=your-secret-key

# 搜索
DEFAULT_SEARCH_LIMIT=5
SIMILARITY_THRESHOLD=0.4
HYBRID_ENABLED=true
HYBRID_MODE=rerank        # candidate | rerank
HYBRID_ALPHA=0.6          # 0..1, 数值越高越语义化
HYBRID_RERANK_TOPK=100    # 重新排序候选池大小

# 摘要
SUMMARIZATION_ENABLED=true
SUMMARIZATION_METHOD=abstractive   # extractive | abstractive
SUMMARIZATION_EMBED_MODEL=all-MiniLM-L6-v2

# 自动标记（可选）
AUTOTAG_ENABLED=true
LLM_PROVIDER=groq
GROQ_API_KEY=your-groq-key
GROQ_MODEL=openai/gpt-oss-120b
# OPENAI_API_KEY=your-openai-api-key
# OPENAI_MODEL=gpt-4o-mini

# 性能
MAX_TEXT_LENGTH=10000
BATCH_SIZE=32
SUMMARIZE_THRESHOLD=50

# 日志
LOG_LEVEL=info

自动标记模型：

openai/gpt-oss-120b - 高质量
gpt-4o-mini - OpenAI，快速且经济
llama-3.3-70b-versatile - Groq，平衡
llama-3.1-8b-instant - Groq，最快

参见.env.example获取所有可用选项和建议。

项目结构

cognio/
├── src/                # 核心应用
│   ├── main.py         # FastAPI应用
│   ├── config.py       # 环境配置
│   ├── models.py       # 数据模式
│   ├── database.py     # SQLite操作
│   ├── embeddings.py   # 语义搜索
│   ├── memory.py       # 记忆CRUD
│   ├── autotag.py      # 自动标记
│   └── utils.py        # 辅助函数
│
├── mcp-server/         # MCP集成
│   ├── index.js        # MCP服务器
│   └── package.json    # 依赖项
│
├── scripts/            # 实用工具
│   ├── setup-clients.js  # 自动配置AI客户端
│   ├── backup.sh       # 数据库备份
│   └── migrate.py      # 架构迁移
│
├── tests/              # 测试套件
├── docs/               # 文档
└── examples/           # 使用示例

开发

# 安装依赖
poetry install

# 运行测试
pytest

# 启动开发服务器
uvicorn src.main:app --reload

技术栈

后端：Python 3.11+，FastAPI，Uvicorn
数据库：具有JSON支持的SQLite
嵌入：sentence-transformers（paraphrase-multilingual-mpnet-base-v2，768维）
MCP服务器：Node.js，@modelcontextprotocol/sdk
自动标记：API
测试：pytest，pytest-asyncio，pytest-cov
部署：Docker，docker-compose

性能

操作	时间	备注
保存记忆	~20毫秒	包括嵌入
搜索（1000记忆）	~15毫秒	语义相似度
搜索（10000记忆）	~50毫秒	仍然很快
模型加载	~3秒	启动时一次性加载

许可证

MIT许可证 - 详见LICENSE

链接

文档：docs/
问题：GitHub问题
发布：GitHub发布

为更好的AI对话而构建