Memex Twos MCP

转变你的二应用程序导出到Claude的可查询知识库中。

![License: MIT](LICENSE) ![Python 3.10+](https://www.python.org/)

这是什么？

Memex Twos MCP是一款模型上下文协议该服务器允许您通过Claude使用自然语言从Twos生产力应用程序查询您的个人“事物”历史。

不要手动搜索成千上万的东西，问问克劳德：

“去年夏天，我对家居装修有什么看法？”
“给我看看我和爱丽丝计划的一切”
“查找标记为#work from January的内容”

特性

所有内容的全文搜索（FTS5）
用于时间分析的日期范围查询
人员和标签过滤
模式分析构建块
自动数据整理（删除重复项，修复质量问题）
通过Claude Code进行可选的人工智能语义分析
本地优先隐私：您的数据保留在您的计算机上
面向初学者的交互式设置向导

快速开始

1.导出您的Twos数据

在Twos应用程序中：设置->导出-> 带时间戳的Markdown

重要提示： 您必须选择“带时间戳的Markdown”（不是纯Markdown）。解析器需要时间戳来提取日期和组织数据。

2.运行安装向导

git clone https://github.com/yourusername/memex-twos-mcp.git
cd memex-twos-mcp
./setup_wizard.sh /path/to/Twos-Export.md

就是这样！ 向导将：

创建虚拟环境（如果需要）
安装依赖项
将导出转换为JSON
清理和整理您的数据（删除重复项，修复质量问题）
将清理后的数据加载到SQLite
生成Claude桌面配置

可选： 指定自定义Claude配置位置：

./setup_wizard.sh /path/to/Twos-Export.md /path/to/claude_desktop_config.json

备选方案： 直接运行Python向导以进入交互模式：

python scripts/setup_wizard.py
# Or with explicit paths:
python scripts/setup_wizard.py --export-file /path/to/Twos-Export.md --claude-config /path/to/claude_desktop_config.json

要全局覆盖Claude配置自动检测，请设置 MEMEX_CLAUDE_CONFIG.

3.配置Claude

重新启动Claude Desktop并尝试： “我的任务数据库中有什么？”

Windows用户： 关闭Claude Desktop窗口有时不会退出该过程。如果“重新启动”后MCP配置未加载，请通过任务管理器（Ctrl+Shift+Esc）完全终止Claude→ 找到“克劳德”→ 结束任务），然后重新启动应用程序。

需求

必要的

Python 3.10或更高版本
Twos应用程序，可导出数据
Claude Desktop（用于使用MCP服务器）

可选（用于AI功能）

从三家LLM提供商中选择一家进行人工智能数据整理和实体分类：

LM工作室 （本地/免费）-推荐给注重隐私的用户
克劳德代码CLI （订阅）-使用您的Claude订阅配额
无烟煤API （每个代币付费）-直接API访问

注： AI功能是可选的。MCP服务器仅适用于基本梳理。

LLM配置

使用YAML配置文件配置首选提供程序（推荐）：

复制示例配置：

   cp .llm_config.yaml.example .llm_config.yaml

编辑 .llm_config.yaml 使用您的提供商设置：

   # For LM Studio (local, free, private)
   default_provider: lmstudio
   providers:
     lmstudio:
       endpoint: http://localhost:1234

   # For Claude CLI (uses subscription)
   # default_provider: claude-cli

   # For Anthropic API (pay-per-token)
   # default_provider: anthropic-api
   # providers:
   #   anthropic-api:
   #     api_key: sk-ant-api03-...

你准备好了！ 脚本将使用您配置的提供程序 --ai-analysis 或 --ai-classify 旗帜。

重要提示： 配置文件被gitignored，因此您的API密钥保持私有。

安装LM Studio（推荐）

对于本地免费AI处理：

下载LM工作室： https://lmstudio.ai/
加载模型 （例如，拉玛、米斯特拉尔）
启动本地服务器 （默认端口1234）
配置： 集 endpoint: http://localhost:1234 在 .llm_config.yaml

优点：

100%本地，无数据发送到外部服务器
免费使用
无需订阅或API费用
离线工作

安装Claude Code CLI（替代方案）

如果您更喜欢使用Claude订阅：

安装Claude Code命令行界面：

   npm install -g @anthropic/claude-code
   # or follow: https://code.claude.com/docs/quickstart

验证安装：

   claude --version

配置： 集 default_provider: claude-cli 在 .llm_config.yaml

使用Claude CLI时：

使用您的Claude订阅配额（与Claude Desktop相同）
处理时间：典型数据集2-5分钟
需要互联网连接
所有数据都保持在本地（Claude Code在您的计算机上运行）

无烟煤API（备选方案）

对于API的直接访问：

获取API密钥： https://console.anthropic.com/
配置： 添加 api_key 到 .llm_config.yaml

注：按代币付费定价适用。

安装spaCy NER（可选，推荐）

为了准确提取人员，减少80%的误报：

pip install -e ".[ner]"
python -m spacy download en_core_web_sm

为什么使用NER？

使用NER： 准确识别真实姓名（约90%的精度）
没有NER： 使用正则表达式回退，容易出现误报（动词如“Set”、“Plan”，月份如“March”、“May”）

用途：

# With NER (recommended, default)
python3 src/convert_to_json.py data/raw/twos_export.md -o data/processed/twos_data.json

# Without NER (faster but less accurate)
python3 src/convert_to_json.py data/raw/twos_export.md -o data/processed/twos_data.json --no-ner

示例：

《遇见爱丽丝》→ NER提取“爱丽丝”✅ | 正则表达式提取“Alice”✅
“设置提醒”→ NER未提取任何内容✅ | 正则表达式提取“Set”❌
“三月会议”→ NER未提取任何内容✅ | 正则表达式提取“March”❌

安装语义搜索（可选）

对于结合词汇（BM25）和语义（向量）搜索的混合搜索：

pip install sentence-transformers sqlite-vec

# Download embedding model (~90MB)
python -c "from sentence_transformers import SentenceTransformer; SentenceTransformer('all-MiniLM-L6-v2')"

为什么要使用语义搜索？

仅限词汇： 匹配精确的关键字-“医生预约”找到“医生”和“预约”
语义： 了解概念-“体检”还包括“医生预约”、“牙医就诊”
更适合“搬家”、“健康问题”、“工作项目”等概念性查询

用途：

# Load data with embeddings (default)
python3 scripts/load_to_sqlite.py data/processed/twos_data_cleaned.json

# Disable embeddings (faster loading)
MEMEX_DISABLE_EMBEDDINGS=1 python3 scripts/load_to_sqlite.py data/processed/twos_data_cleaned.json

# Migrate existing database to add embeddings
python3 scripts/migrate_add_embeddings.py data/processed/twos.db

在克劳德桌面中：

# Keyword search (exact matches)
"Search for the exact word 'doctor'"

# Semantic search (understands meaning) - automatically selected for conceptual queries
"Find health-related things from last year"  # Finds "doctor", "dentist", "checkup", etc.

演出

嵌入生成：在\<30秒内生成约10K个东西（CPU）
混合搜索：中位数\<200ms（10K个东西）
存储空间：每件约1.5KB（10K件约15MB）

增量摄入

为了在添加新数据或进行更改时更快地更新：

# First load (full rebuild)
python3 scripts/load_to_sqlite.py data/processed/twos_data_cleaned.json

# Subsequent updates (incremental - only new/changed things)
python3 scripts/load_to_sqlite.py data/processed/twos_data_cleaned.json --mode=append

# Or use shorthand
python3 scripts/load_to_sqlite.py data/processed/twos_data_cleaned.json --incremental

# Sync mode (insert new, update changed, delete removed)
python3 scripts/load_to_sqlite.py data/processed/twos_data_cleaned.json --mode=sync

为什么要使用增量模式？

完全重建： 3秒内完成10K，30秒内完成100K
增量： 在约0.3秒内完成100件新事物（速度提高10倍）
只有处理改变的事物，保留不变事物的嵌入
三种模式：

- append （默认增量）：仅插入新内容，最安全的添加方式 - sync：插入新内容、更新已更改、删除已删除（完全同步） - rebuild：全部删除并重新生成（默认行为）

迁移现有数据库：

python3 scripts/migrate_add_incremental.py data/processed/twos.db

它是如何工作的：

内容哈希检测更改（时间戳+内容+section_header）
仅更新已更改的内容，保留现有嵌入
导入审核跟踪跟踪中的所有更改 imports 桌子
FTS索引保持自动同步

演出

添加100个新事物（总共10K）：~0.3秒（比重建快10倍）
更新100件事（总共10K）：~0.5秒（比重建快6倍）
非常适合日常更新或小型数据刷新

查询示例

“给我看看去年12月的所有事情”
“今年我和鲍勃有什么计划？”
“查找有关医生预约的信息”
“显示所有标记为#emergency的内容”
“我最常见的任务主题是什么？”
“给我一个数据库健康检查”

快速健康检查

要验证您的配置是否指向正确的数据库：

python3 scripts/db_count.py

这将打印数据库路径、总事务计数和任何可用的负载元数据。

手动工作流程

如果您更喜欢分步控制而不是安装向导：

基本工作流程（无人工智能）

# 1. Install dependencies
pip install -r requirements.txt

# 2. Convert Twos export to JSON
python3 src/convert_to_json.py data/raw/twos_export.md -o data/processed/twos_data.json

# 3. Groom data (remove duplicates, fix issues)
python3 scripts/groom_data.py

# 4. Load to SQLite
python3 scripts/load_to_sqlite.py data/processed/twos_data_cleaned.json

# 5. Configure Claude Desktop (add MCP server config)
# See MCP_SETUP.md for configuration details

高级工作流（带AI）

# 1-2. Same as basic (install deps, convert to JSON)

# 3. Groom data WITH AI semantic analysis
python3 scripts/groom_data.py --ai-analysis

# 4. Classify and normalize entities
python3 scripts/classify_entities.py --ai-classify --apply-mappings

# 5. Load normalized data to SQLite
python3 scripts/load_to_sqlite.py data/processed/twos_data_cleaned_normalized.json

# 6. Configure Claude Desktop

工作流比较

功能	基本	高级（AI）
重复删除	✅ 完全重复	✅ 精确+语义
损坏的引用修复	✅	✅
实体分类	❌	✅ 人/地点/动词
案例规范化	❌	✅
模式检测	❌	✅
查询准确性	良好	优秀
设置时间	2分钟	5-10分钟
需要克劳德代码	否	是

建议： 从基本工作流程开始，如果你想要更好的实体过滤，升级到人工智能。

文档

运作原理

Twos Export (MD)
    ↓
Parser (convert_to_json.py)
    ↓
JSON (twos_data.json)
    ↓
Data Grooming (groom_data.py)
    ↓
Cleaned JSON (twos_data_cleaned.json)
    ↓
Entity Classification (classify_entities.py) [optional]
    ↓
Normalized JSON (twos_data_cleaned_normalized.json)
    ↓
SQLite Database (load_to_sqlite.py)
    ↓
MCP Server (server.py)
    ↓
Claude Desktop

步骤说明：

解析器 -从Markdown中提取事物、人物、标签、时间戳
梳理 -删除重复项、修复损坏的引用、检测问题
实体分类 （可选）-对人、地点和动词进行分类，对名字进行规范化
SQLite -使用全文搜索（FTS5）和索引查询存储数据
MCP服务器 -公开Claude的查询工具（搜索、日期范围、过滤器）
克劳德桌面版 -任务历史记录的自然语言界面

数据整理

安装向导包括默认运行的自动数据清理：

Python自动修复（快速，免费）：

删除完全重复的内容（1分钟内相同的内容）
修复了损坏的父任务引用
检测正常化机会
生成详细的变更报告

可选AI分析：

语义模式检测和主题分类
增强的重复识别
模式改进建议
使用Claude Code订阅配额（选择加入 --ai-analysis)

所有更改都记录到 docs/grooming-reports/ 并且原始数据永远不会被修改。对于手动梳理或调音：

# Basic grooming (always recommended)
python scripts/groom_data.py data/processed/twos_data.json

# With AI semantic analysis
python scripts/groom_data.py data/processed/twos_data.json --ai-analysis

# Tuning options
python scripts/groom_data.py --duplicate-window 14  # More aggressive duplicate detection

看 DATA_GROOMING_PROMPT.md 了解详情。

实体分类

解析器从任务中提取“people”，但经常将动词、地点和常用词误分类为people（例如，“New”、“Put”、“Seattle”）。实体分类解决了这个问题：

快速工作流

# 1. Extract entities and review summary
python scripts/classify_entities.py

# 2. AI classification (requires Claude Code)
python scripts/classify_entities.py --ai-classify

# 3. Apply classifications to create normalized data
python scripts/classify_entities.py --apply-mappings

# 4. Load normalized data
python scripts/load_to_sqlite.py data/processed/twos_data_cleaned_normalized.json

它的作用

提取物 所有具有频率计数的唯一人员/标签
分类实体分为：人、地点、项目、动词、其他（人工智能或手动）
正常化 案例变体（例如，“Alice”和“Alice”→ “爱丽丝”）
过滤器 来自people领域的非人实体
蜜饯原始数据（创建新的规范化文件）

无AI（跳过实体分类）

如果你没有克劳德代码，你可以跳过实体分类：

# Just load the cleaned data directly
python scripts/load_to_sqlite.py data/processed/twos_data_cleaned.json

MCP服务器可以工作，但像“与爱丽丝的事情”这样的查询可能包含错误匹配（例如，句子开头的动词被误分类为人）。

注：实体分类是可选的，但建议用于提高查询准确性。计划在未来的版本中手动导入/导出CSV。

隐私和安全

所有数据处理都在本地进行
没有任何内容上传到外部服务器
MCP连接是本地的（stdin/stdout）

贡献

欢迎捐款。看贡献.md.

许可证

MIT许可证。看许可证.

支持

报告bug：使用GitHub问题模板
请求功能：使用GitHub问题模板
阅读文档： MCP_SETUP.md

Memex Twos MCP-常见问题

我需要知道如何编码吗？

不！有一个安装向导可以引导您完成所有操作。你需要熟练地运行一些终端命令，但这很简单。如果你能从Twos导出并复制粘贴命令，那就很好了。

要求是什么？

Python 3.10+（大多数系统已经有了这个）
Claude Desktop（用于使用MCP服务器）
Twos导出文件
*可选：* Claude Code CLI，如果你想要AI驱动的数据整理和实体分类（提高准确性）

我的数据是私有的吗？

100%.所有东西都留在你的机器上-除了Claude Desktop查询其API时（与任何Claude对话相同），没有任何东西被上传到外部服务器。MCP服务器通过stdin/stdout在本地运行。

什么是“实体分类”？

Twos解析器有时会将句首动词和地名误分类为人（例如，“New York”→ 名为“新”或“把钥匙收起来”的人→ 名为“Put”的人）。实体分类使用AI来过滤这些变量并规范化名称变体。它是可选的，但会使“与爱丽丝的事情”这样的查询更加准确。

您可以使用AI运行它（需要Claude Code，需要2-3分钟）或完全跳过它。服务器以任何方式工作。

安装需要多长时间？

基本设置（无AI功能）：约2分钟
AI修饰和实体分类的完整设置：约7-10分钟

AI步骤是可选的，如果你想快速开始，可以稍后运行。

我可以运行什么类型的查询？

以下是我尝试过的一些例子：

“我对去年夏天的装修有什么看法？”
“向我展示我用\[人名\]计划的一切”
“查找标记为#work from January的内容”
“我第一次提到地下室项目是什么时候？”
“给我一份所有与承包商相关的事情的时间表”

基本上，你可以在Twos中手动搜索任何东西，但克劳德现在可以通过对话来完成，并在几个月内拼凑出线索。

它与Twos API或实时同步一起工作吗？

不，它使用Markdown导出。您从Twos导出，运行转换器，并将其加载到SQLite中。如果你想稍后更新它，只需再次导出并重新运行加载程序。不是实时的，但非常适合回顾和分析。

我能看到一个它工作的例子吗？

我不想发布带有个人数据的截图，但如果人们感兴趣，我很乐意分享示例查询/结果。README中也有一些示例查询。

哇，这是你自己做的吗？

不，这个项目是Claude Code和Codex多次迭代的结果，并得到了Gemini CLI和Perplexity的一点帮助。

我知道如何构建它和我想要的数据流，人工智能在实现和调试方面做了繁重的工作。

Memex Twos MCP

快速接入

详细介绍

Memex Twos MCP

这是什么？

特性

快速开始

1.导出您的Twos数据

2.运行安装向导

3.配置Claude

需求

必要的

可选（用于AI功能）

LLM配置

安装LM Studio（推荐）

安装Claude Code CLI（替代方案）

无烟煤API（备选方案）

安装spaCy NER（可选，推荐）

安装语义搜索（可选）

增量摄入

查询示例

快速健康检查

手动工作流程

基本工作流程（无人工智能）

高级工作流（带AI）

工作流比较

文档

运作原理

数据整理

实体分类

快速工作流

它的作用

无AI（跳过实体分类）

隐私和安全

贡献

许可证

支持

Memex Twos MCP-常见问题

我需要知道如何编码吗？

要求是什么？

我的数据是私有的吗？

什么是“实体分类”？

安装需要多长时间？

我可以运行什么类型的查询？

它与Twos API或实时同步一起工作吗？

我能看到一个它工作的例子吗？

哇，这是你自己做的吗？

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP