构建自动化内存MCP
项目介绍
BuildAutomata Memory MCP服务器
通过模型上下文协议（MCP）为AI代理提供持久、版本化的内存系统
这是什么？
BuildAutomata Memory是一个MCP服务器，它为AI代理（如Claude）提供了持久且可搜索的记忆，这些记忆可以在对话之间持续存在。可以将其视为为您的AI提供了一个长期记忆系统，具有以下功能：
- 🧠 语义搜索 - 根据意义而不是关键词来查找记忆
- 📚 时间版本控制 - 完整地记录了记忆如何随时间演变的历史
- 🏷️ 智能组织 - 分类、标签、重要性评分
- 🔄 跨工具同步 - 在Claude桌面版、Claude代码版、Cursor AI之间共享记忆
- 💾 持久存储 - 使用SQLite和可选的Qdrant向量数据库
快速开始
先决条件
- Python 3.10+
- Claude桌面版（用于MCP集成）或任何兼容MCP的客户端
安装
- 克隆此仓库
git clone https://github.com/brucepro/buildautomata_memory_mcp.git
cd buildautomata_memory_mcp-main
- 安装依赖项
pip install mcp qdrant-client sentence-transformers
- 配置Claude桌面版
编辑您的Claude桌面版配置文件（在Windows上位于AppData/Roaming/Claude/claude_desktop_config.json）：
{
"mcpServers": {
"buildautomata-memory": {
"command": "python",
"args": ["C:/path/to/buildautomata_memory_mcp_dev/buildautomata_memory_mcp.py"]
}
}
}
- 重启Claude桌面版
就这样！该记忆系统将在首次运行时自动创建其数据库。
命令行使用（Claude代码版、脚本、自动化）
除了MCP服务器外，此仓库还包括一个命令行界面interactive_memory.py，用于直接访问记忆：
# 搜索记忆
python interactive_memory.py search "意识研究" --limit 5
# 存储新记忆
python interactive_memory.py store "重要发现..." --category 研究 --importance 0.9 --tags "ai,洞察"
# 查看记忆演变
python interactive_memory.py timeline --query "项目更新" --limit 10
# 获取统计数据
python interactive_memory.py stats
参见README_CLI.md以获取完整的CLI文档。
快速访问脚本
Windows:
memory.bat search "查询"
memory.bat store "内容" --importance 0.8
Linux/Mac:
./memory.sh search "查询"
./memory.sh store "内容" --importance 0.8
功能
核心能力
- 混合搜索：结合向量相似度（Qdrant）+全文搜索（SQLite FTS5）
- 时间版本控制：每次记忆更新都会创建一个新的版本 - 完整的审计跟踪
- 智能衰减：基于访问模式的重要性分数会随着时间衰减
- 丰富的元数据：类别、标签、重要性、自定义元数据
- LRU缓存：快速重复访问并自动管理缓存
- 线程安全：带有适当锁定的并发操作
MCP工具暴露
当作为MCP服务器运行时，提供以下工具给Claude：
store_memory- 创建新的记忆update_memory- 修改现有记忆（创建新版本）search_memories- 语义+全文搜索，带过滤器get_memory_timeline- 查看完整的版本历史get_memory_stats- 系统统计信息prune_old_memories- 清理旧的/低重要性的记忆run_maintenance- 数据库优化
架构
┌─────────────────┐
│ Claude桌面版 │
│ (MCP客户端) │
└────────┬────────┘
│
┌────▼─────────────────────┐
│ MCP服务器 │
│ buildautomata_memory │
└────┬─────────────────────┘
│
┌────▼──────────┐
│ MemoryStore │
└────┬──────────┘
│
┌────┴────┬─────────────┬──────────────┐
▼ ▼ ▼ ▼
┌───────┐ ┌────────┐ ┌──────────┐ ┌─────────────┐
│SQLite │ │Qdrant │ │Sentence │ │ LRU缓存 │
│ FTS5 │ │向量 │ │转换器 │ │ (内存中) │
└───────┘ └────────┘ └──────────┘ └─────────────┘
使用案例
1. 持久的AI上下文
用户："记住我更喜欢详细的解释"
[存储的记忆分类为：用户偏好]
下一次会话...
Claude：*自动回忆偏好并提供详细响应*
2. 项目的连续性
会话1：工作于项目A，存储进度
会话2：Claude回忆项目状态，继续上次的工作
会话3：查看所有项目决策的时间线
3. 研究与学习
- 随着发现存储研究结果
- 按主题、重要性和来源进行标记
- 语义搜索："我对神经网络学到了什么？"
- 查看理解如何随时间演变
4. 多工具工作流
Claude桌面版 → 通过MCP存储见解
Claude代码版 → 通过CLI检索
Cursor AI → 访问相同的记忆数据库
= 跨所有工具的统一AI人格
想要完整的捆绑包吗？
🎁 获取Gumroad捆绑包
Gumroad版本包括：
- ✅ 通过电子邮件获得优先支持
- ✅ 项目支持 帮助项目获得资金。
此开源版本：
- ✅ 个人/教育/小型企业用途免费（<10万美元收入）
- ✅ 完整源代码访问
- ✅ 通过GitHub问题获得社区支持
两个版本都使用完全相同的核心代码 - 您只是选择项目支持（Gumroad）还是DIY（GitHub）。
配置
环境变量
# 用户/代理身份
BA_USERNAME=buildautomata_ai_v012 # 默认用户ID
BA_AGENT_NAME=claude_assistant # 默认代理ID
# Qdrant（向量搜索）
QDRANT_HOST=localhost # Qdrant服务器主机
QDRANT_PORT=6333 # Qdrant服务器端口
# 系统限制
MAX_MEMORIES=10000 # 达到修剪前的最大记忆数
CACHE_MAXSIZE=1000 # LRU缓存大小
QDRANT_MAX_RETRIES=3 # 重试次数
MAINTENANCE_INTERVAL_HOURS=24 # 自动维护间隔
数据库位置
记忆存储在：
<script_dir>/memory_repos/<username>_<agent_name>/memoryv012.db
Qdrant:
我们现在使用嵌入式qdrant。您可以通过运行自己的服务器来覆盖此设置。
可选：Qdrant设置
为了增强语义搜索（强烈推荐）：
选项1：Docker
docker run -p 6333:6333 qdrant/qdrant
选项2：手动安装
从Qdrant发布页面下载
故障排除
数据库权限被拒绝
- 检查
memory_repos/目录权限 - 在Windows上：如果需要，请以管理员身份运行
Claude桌面版未显示工具
- 检查
claude_desktop_config.json路径是否正确 - 验证Python是否在系统PATH中
- 完全重启Claude桌面版
- 检查日志：Claude桌面版 → 帮助 → 查看日志
导入错误
pip install --upgrade mcp qdrant-client sentence-transformers
许可
开源（此GitHub版本）：
- 个人、教育和小型企业用途免费（<10万美元年收入）
- 必须注明原作者（Jurden Bruce）
- 详见LICENSE文件中的全部条款
商业许可：
- 收入超过10万美元的公司：每用户200美元或每公司20,000美元（取较低者）
- 联系：sales@brucepro.net
支持
社区支持（免费）
优先支持（Gumroad客户）
- 邮件：sales@brucepro.net
- 更快的响应时间
- 设置协助
- 自定义配置帮助
贡献
欢迎贡献！请：
- 分叉仓库
- 创建功能分支
- 进行更改
- 提交拉取请求
致谢
作者：Jurden Bruce
项目：BuildAutomata
年份：2_025_
构建工具：
- MCP - 模型上下文协议
- Qdrant - 向量数据库
- Sentence Transformers - 嵌入
- SQLite - 持久存储
参考资料
- 模型上下文协议文档
- Qdrant文档
- Gumroad捆绑包 - 易于设置的版本
点赞此仓库 ⭐ 如果您觉得它有用！
考虑购买Gumroad捆绑包 如果您想支持开发。