Memory MCP Triple System

内存MCP三重系统

一种用于具有模式感知上下文自适应的人工智能助手的复杂多层存储系统

Memory MCP Triple System是一个生产就绪的模型上下文协议（MCP）服务器，为Claude和ChatGPT等AI助手提供智能的多层内存管理。它自动检测查询意图，根据交互模式调整上下文，并从语义向量数据库中检索相关信息。

🔗 与人工智能开发系统集成

Memory MCP Triple System与智能代码分析和开发系统无缝集成：

上下文级联认知架构 -

• 四环集成：环路1.5（反射）和环路3（元优化）完全布线
• FrozenHarness遥测：与世界卫生组织/何时/项目/为什么标签一起存储的评估指标
• 课程学习：reflect_to_merry.py存储更正和模式
• 元循环优化：meta_loop_runner.py每3天聚合和优化一次
• 图书馆目录：25个组件已编入预编码保护索引

康纳斯安全分析仪 -

• 7+符合NASA标准的代码质量违规类型
• 0.018s分析性能
• 实时代码质量跟踪和模式检测

ruv SPARC三回路系统 -

• 86+专业代理（所有代理都具有内存MCP访问权限）
• 自动标记协议（世界卫生组织/何时/项目/为什么）
• 完整的代理协调框架
• 基于证据的提示技术

新集成脚本（2026-01-09）

计划任务: MemoryMCP-MetaLoop-3Day 每3天凌晨3:00运行一次meta_loop_runner.py。

MCP集成指南：参见 docs/MCP-INTEGRATION.md 有关完整的设置说明。

______________________________________________________________________

主要特点

• 三层内存架构：具有自动保留策略的三层存储系统（短期、中期、长期）
• 模式感知上下文自适应：自动检测并适应三种交互模式（执行、计划、头脑风暴）
• 语义向量搜索：基于ChromaDB的384维嵌入向量相似性搜索
• 自我参照记忆：系统可以检索有关其自身功能和文档的信息
• 基于模式的模式检测：29个正则表达式模式在查询分类中实现了85%以上的准确率
• 精心策划的核心成果：智能结果管理（基于模式的5个核心+变量扩展结果）
• MCP兼容：完全支持MCP协议，可与Claude Desktop、Continue和其他MCP客户端无缝集成
• 生产就绪：100%测试覆盖率，符合美国国家航空航天局规则10，零战区检测

架构概述

┌─────────────────────────────────────────────────────────────┐
│                    AI Assistant (Claude/ChatGPT)            │
└─────────────────────────┬───────────────────────────────────┘
                          │ MCP Protocol
                          ▼
┌─────────────────────────────────────────────────────────────┐
│                   Memory MCP Server                         │
│  ┌─────────────────────────────────────────────────────┐   │
│  │  Mode Detection Engine (29 patterns)                │   │
│  │  • Execution Mode (11 patterns)                     │   │
│  │  • Planning Mode (9 patterns)                       │   │
│  │  • Brainstorming Mode (9 patterns)                  │   │
│  └─────────────────────────────────────────────────────┘   │
│                          │                                   │
│                          ▼                                   │
│  ┌─────────────────────────────────────────────────────┐   │
│  │  Context Adaptation Layer                           │   │
│  │  • Token Budget (5K/10K/20K)                        │   │
│  │  • Core Size (5/10/15 results)                      │   │
│  │  • Extended Size (0/5/10 results)                   │   │
│  │  • Verification (on/conditional/off)                │   │
│  └─────────────────────────────────────────────────────┘   │
│                          │                                   │
│                          ▼                                   │
│  ┌─────────────────────────────────────────────────────┐   │
│  │  Triple-Layer Memory Storage                        │   │
│  │  • Short-term (24h retention)                       │   │
│  │  • Mid-term (7d retention)                          │   │
│  │  • Long-term (30d retention)                        │   │
│  └─────────────────────────────────────────────────────┘   │
│                          │                                   │
│                          ▼                                   │
│  ┌─────────────────────────────────────────────────────┐   │
│  │  Vector Database (ChromaDB)                         │   │
│  │  • Semantic chunking (128-512 tokens)               │   │
│  │  • 384-dim embeddings (all-MiniLM-L6-v2)            │   │
│  │  • HNSW index for fast similarity search            │   │
│  └─────────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────────┘

快速开始

安装

# Clone the repository
git clone https://github.com/DNYoussef/memory-mcp-triple-system.git
cd memory-mcp-triple-system

# Install dependencies
pip install -e .

# Run tests to verify installation
pytest tests/unit/test_mode_detector.py tests/unit/test_mode_profile.py -v

配置（可选）

复制 .env.example 到 .env 并根据需要进行配置：

cp .env.example .env

环境变量：

所有路径支持 ~ 扩展跨平台兼容性。

运行MCP服务器

# Start the MCP server (Stdio protocol - canonical)
python -m src.mcp.stdio_server

# The server listens on stdio for MCP protocol messages
# 11 MCP tools available:
# - vector_search: Semantic similarity search with mode-aware context adaptation
# - memory_store: Store information with automatic layer assignment
# - kv_get/kv_set/kv_delete: Key-value storage operations
# - graph_query: HippoRAG multi-hop reasoning
# - entity_extraction: Named entity extraction
# - hipporag_retrieve: Full HippoRAG pipeline
# - detect_mode: Query mode detection (execution/planning/brainstorming)

Claude桌面集成

添加到您的Claude Desktop MCP配置(~/Library/Application Support/Claude/claude_desktop_config.json 在macOS上）：

{
  "mcpServers": {
    "memory": {
      "command": "python",
      "args": ["-m", "src.mcp.stdio_server"],
      "cwd": "/path/to/memory-mcp-triple-system"
    }
  }
}

有关更多详细信息，请参阅 docs/MCP-DEPLOYMENT-GUIDE.md.

基本用法

存储记忆

from src.indexing.embedding_pipeline import EmbeddingPipeline
from src.indexing.vector_indexer import VectorIndexer

# Initialize components
embedder = EmbeddingPipeline()
indexer = VectorIndexer(persist_directory="./chroma_data")
indexer.create_collection()

# Store a memory
chunks = [{
    'text': 'The project uses React 18 with TypeScript',
    'file_path': 'notes.md',
    'chunk_index': 0,
    'metadata': {'category': 'tech_stack', 'layer': 'mid_term'}
}]

embeddings = embedder.encode([c['text'] for c in chunks])
indexer.index_chunks(chunks, embeddings.tolist())

使用模式检测检索内存

from src.modes.mode_detector import ModeDetector

detector = ModeDetector()

# Execution mode: Fast, precise (5K tokens, 5 results)
profile, confidence = detector.detect("What is the tech stack?")
print(f"Mode: {profile.name}, Confidence: {confidence:.2f}")

# Planning mode: Balanced (10K tokens, 10+5 results)
profile, confidence = detector.detect("What should I consider for auth?")

# Brainstorming mode: Exploratory (20K tokens, 15+10 results)
profile, confidence = detector.detect("What if we used microservices?")

看 docs/摄入与再摄入-解释.md 获取完整的管道文件。

交互模式

执行模式（默认）

• 用例：事实查询、具体信息检索
• 模式示例“什么是X？”“我该怎么做Y？”“给我看Z”
• 配置：5K个令牌，5个核心结果，启用验证，延迟\<500ms

规划模式

• 用例：决策、比较、战略
• 模式示例：“我该怎么办？”，“比较X和Y”
• 配置：10K令牌，10+5个结果，条件验证，\<1000ms延迟

头脑风暴模式

• 用例：构思、探索、创造性思维
• 模式示例：“如果？”，“想象…”，“探索一切…”
• 配置：20K令牌，15+10个结果，禁用验证，延迟\<2000ms

三层存储系统

短期记忆（24小时记忆）

• 最近的对话背景
• 临时工作数据
• 当前任务信息

中期记忆（7天记忆）

• 项目特定背景
• 最近的决定和理由
• 活动工件

长期记忆（30天记忆）

• 系统文档
• 最佳实践和模式
• 历史决策
• 重要项目知识

自我参照记忆

该系统可以检索有关其自身功能的信息：

from scripts.ingest_documentation import ingest_all_documentation

# Ingest system documentation
stats = ingest_all_documentation()
print(f"Ingested {stats['total_chunks']} chunks from {stats['files_processed']} files")

# Now the system can answer questions about itself
results = indexer.search_similar(
    query_embedding=embedder.encode_single("How does mode detection work?"),
    where={"category": "system_documentation"}
)

看 docs/自我参照记忆.md 了解详情。

项目状态

当前版本：v1.5.0 状态：生产就绪（集成认知架构） 最后更新: 2026-01-09

修复进度

• 问题总数：已确定52个
• 已解决的问题: 36/52 (69%)
• 关键问题已修复: 13/13 (100%)
• 已完成的阶段：0-4（基础、功能、集成、强化）

质量指标（当前）

• 测试：40+通过（核心功能已验证）
• 美国国家航空航天局规则10：符合要求（所有函数≤60 LOC，断言替换为ValueError）
• 错误处理：跨70多个处理程序的强大异常处理
• 类型安全：符合mypy的完整类型注释
• 模式检测：3种模式，29种正则表达式模式

工作特点

• ✅ ChromaDB矢量搜索（语义相似度）
• ✅ 模式感知上下文适应（执行/规划/头脑风暴）
• ✅ 三层内存架构（短期/中期/长期）
• ✅ 世界卫生组织/何时/项目/为什么元数据标记协议
• ✅ 具有自动层分配功能的内存存储
• ✅ 事件记录和查询跟踪
• ✅ 支持TTL的生命周期管理
• ✅ MCP stdio服务器（公开6个工具）
• ✅ 自我参照记忆能力
• ✅ 循环1.5集成：会话反射存储（reflect_to_memory.py）
• ✅ 循环3集成：元优化聚合（Meta_loop_runner.py）
• ✅ 遥测电桥：FrozenHarness评估指标存储
• ✅ 预定自动化：用于3天元循环周期的Windows任务计划程序

已知限制

• HippoRAG集成：图查询层部分实现，个性化PageRank（PPR）需要完成
• 贝叶斯推断：已实施网络构建器，CPD估算需要真实数据
• Nexus处理器：实施了5步SOP流程，但在所有层都完成之前，会退回到仅矢量搜索
• 依赖性问题：ChromaDB opentelemetry模块在某些环境中不兼容（解决方法：直接使用矢量操作）
• 测试覆盖率：集成测试存在ChromaDB遥测的导入问题（单元测试通过）

看 docs/补救计划.md 详细的补救路线图和 docs/MEC-联合发布.md 用于完整的问题跟踪。

文档

核心文件

• MCP-DEPLOYMENT-GUIDE.md -MCP服务器部署指南
• 摄入和再摄入-解释.md -完整的管道文件
• 自我调节记忆.md -自我意识的实施
• 会议完成-夏季.md -v1.0.0完成总结

文档结构

• docs/api/ -API和集成指南
• 文档/架构/ -系统架构和流程图
• 文档/开发/ -开发指南、审计和质量报告
• 文档/项目历史/ -每周总结和计划文件
• 文档/研究/ -研究论文和参考文献
• scripts/README.md -实用程序脚本文档

看 docs/README.md 获取完整的文档索引。

测试

# Run all tests
pytest tests/ -v

# Run mode detection tests
pytest tests/unit/test_mode_detector.py -v

# Run mode profile tests
pytest tests/unit/test_mode_profile.py -v

# Run with coverage
pytest tests/ --cov=src --cov-report=html

建筑原理

美国国家航空航天局规则10合规性

• 所有函数≤60行代码
• 无递归（仅迭代替代方案）
• 固定循环边界
• ≥2个关键路径断言

代码质量门

• 零编译错误
• ≥80%的测试覆盖率（关键路径≥90%）
• 零关键安全漏洞
• \<60影院检测得分

绩效目标

技术栈

• 语言：Python 3.10+
• 向量数据库：ChromaDB（嵌入式，无Docker v5.0）
• 图形数据库：NetworkX（内存中，无Docker v5.0）
• 贝叶斯推断：pgmpy（概率图形模型）
• 嵌入：句子转换器/全MiniLM-L6-v2（384昏暗）
• 协议：模型上下文协议（MCP）标准
• 测试：pytest，pytest-cov
• 类型检查：mypy（严格模式）
• 代码检查：高射炮，土匪
• 索引：HNSW（分层导航小世界）

贡献

欢迎投稿！请查看 贡献.md 作为指导方针。

开发设置

# Create virtual environment
python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate

# Install development dependencies
pip install -r requirements.txt

# Run pre-commit checks
flake8 src/ tests/
mypy src/ --strict
bandit -r src/
pytest tests/ -v --cov=src

许可证

此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。

致谢

• 建于 色度数据库 用于矢量存储
• 用途 句子变换器 用于语义嵌入
• 实现 模型上下文协议 用于AI集成
• 跟随 美国国家航空航天局10条规则的力量

联系

如有疑问或支持，请在GitHub上发布问题： https://github.com/DNYoussef/memory-mcp-triple-system/issues

______________________________________________________________________

版本：v1.5.0（集成认知架构） 状态：生产就绪（四回路系统完成） 补救跟踪：36/52个问题得到解决（69%） 最后更新: 2026-01-09

黑曜石保险库集成

内存MCP支持与黑曜石保险库的双向同步。

配置

添加到您的 .env 文件：

OBSIDIAN_VAULT_PATH=C:\Users\17175\Documents\Obsidian Vault
OBSIDIAN_SYNC_ENABLED=true
OBSIDIAN_SYNC_INTERVAL=300
OBSIDIAN_SYNC_EXTENSIONS=.md

快速开始

# Check vault statistics
python scripts/obsidian_sync.py --stats

# Scan vault files
python scripts/obsidian_sync.py

# Use custom vault path
python scripts/obsidian_sync.py --vault "/path/to/vault" --stats

程序化使用

from src.mcp import ObsidianMCPClient

client = ObsidianMCPClient(vault_path="/path/to/vault")

# Get vault statistics
stats = client.get_vault_stats()
print(f"Found {stats['markdown_files']} markdown files")

# Sync vault to memory system
result = client.sync_vault()
print(f"Synced {result['files_processed']} files")

# Export memories back to vault
client.export_to_vault(chunks, output_file="memories.md")

组件