OI Memory Orchestrator

🧠 内存MCP服务器--编排器

 ](https://nodejs.org/) 

🚀 你的AI代理的持久大脑：记忆、任务规划和代码库智能的生动后端。

______________________________________________________________________

⚠️ 适用于使用OI OS的AI代理（Brain Trust 4）

如果您是将此服务器安装到OI OS中的AI代理，请参阅 OI.md 完整的安装说明，包括：

• 自然语言查询的意图映射
• 工具调用的参数规则
• 参数提取器配置
• OI操作系统特定设置和故障排除

这 OI.md 该文件包含完整OI OS集成所需的所有SQL和TOML配置。

______________________________________________________________________

📋 目录

• 🌟 概述
• ✨ 特性
• 🚀 安装
• ⚙️ 配置
• 🛠️ 可用工具
• ⚡ 工作流示例
• 🏗️ 建筑
• 💻 发展
• 🤝 贡献
• 📄 许可证

______________________________________________________________________

🌟 概述

Memory MCP Server（Orchestrator）是一个最先进的后端，它将AI代理转化为持久、上下文感知和深度代码素养的协作者。凭借丰富的多轮内存、人工智能驱动的规划和对代码库的语义理解，它为从代码审查到项目管理的一切解锁了智能工作流程。

______________________________________________________________________

✨ 特性

• 持久内存： 多用户对话会话、版本化上下文和引用密钥。
• 项目和任务规划： 管理计划、任务和子任务；通过人工智能驱动的计划/任务生成和分析来推动。
• 知识图谱： 可移植、人类可读的代码库图（JSONL）；存储和查询实体和关系。
• 语义代码搜索： 嵌入和搜索概念匹配的代码，而不仅仅是关键字。
• 集成人工智能服务： Google Gemini用于规划、总结和代码分析；Tavily支持有根据的网络搜索。
• 数据验证和实用程序： 输入模式验证、稳健的错误处理和数据库备份/还原工具。

______________________________________________________________________

🚀 安装

先决条件

安装步骤

git clone https://github.com/rashee1997/orchestrator.git
cd orchestrator
npm install
npm run build

______________________________________________________________________

⚙️ 配置

API密钥设置

服务器需要外部服务的API密钥。这些最好在MCP客户端的设置文件中配置，以避免在shell环境中暴露它们。对于Google Gemini，您可以通过添加下划线和数字（例如。， GEMINI_API_KEY_2, GOOGLE_API_KEY_3).服务器将以循环方式自动使用这些。

MCP客户端配置（VS代码客户端示例）

1. 找到设置文件:

- 视窗: %APPDATA%\Code\User\globalStorage\saoudrizwan.claude-dev\settings\cline_mcp_settings.json - macOS: ~/Library/Application Support/Code/User/globalStorage/saoudrizwan.claude-dev/settings/cline_mcp_settings.json - Linux: ~/.config/Code/User/globalStorage/saoudrizwan.claude-dev/settings/cline_mcp_settings.json

1. 添加服务器配置:

{
  "memory-mcp-server": {
    "disabled": false,
    "autoApprove": [],
    "timeout": 120,
    "transportType": "stdio",
    "command": "node",
    "args": [
      "/absolute/path/to/memory-mcp-server/build/index.js"
    ],
    "env": {
      "GEMINI_API_KEY": "your-primary-gemini-api-key",
      "GEMINI_API_KEY_2": "your-secondary-gemini-api-key",
      "GOOGLE_API_KEY": "another-gemini-key-alias",
      "TAVILY_API_KEY": "your-tavily-api-key-here"
    }
  }
}

替换 /absolute/path/to/memory-mcp-server/ 你的实际路径。

______________________________________________________________________

🛠️ 可用工具

• 对话管理： 为持久的多用户对话创建、管理和检索对话会话和消息。

- _示例： create_conversation_session, get_conversation_messages_

• 计划和任务管理： 组织和更新项目计划、任务和子任务，分配任务并跟踪进度。

- _示例： create_task_plan, list_tasks, assign_task_

• 子任务管理： 将任务分解为子任务，以实现更精细的粒度和进度跟踪。

- _示例： create_subtask, list_subtasks_

• 知识图谱工具： 解析代码库，构建知识图，查询或更新代码实体和关系。

- _示例： ingest_codebase_structure, query_knowledge_graph_

• 嵌入和语义搜索： 生成和查询用于概念代码搜索的向量嵌入。

- _示例： ingest_codebase_embeddings, query_codebase_embeddings_

• 人工智能增强规划/任务： 使用AI分解任务、建议细节或分析计划的连贯性和完整性。

- _示例： ai_suggest_subtasks, ai_analyze_plan_

• 快速优化和人工智能： 使用Gemini优化自然语言提示并生成答案。

- _示例： get_refined_prompt, ask_gemini_

• Web搜索和数据库实用程序： 通过Tavily集成基础结果，导出数据并管理数据库备份。

- _示例： tavily_web_search, backup_database, list_tools_

______________________________________________________________________

⚡ 工作流示例

以下是如何使用这些工具编排多步骤AI工作流程：

1. 理解目标：使用 ask_gemini （与 execution_mode: plan_generation)将高级提示转化为结构化的项目计划。
2. 制定计划：呼叫 create_task_plan 具有初始化新计划的精细提示。
3. 分析代码库：运行 ingest_codebase_structure 映射代码文件和实体。
4. 丰富任务：使用 ai_suggest_subtasks 将复杂任务分解为可操作的子任务。
5. 跟踪进度：通过存储和检索进度 get_task, update_task以及相关工具。
6. 搜索和上下文：使用 query_codebase_embeddings 或 tavily_web_search 作为任务或代码审查的上下文。
7. 审计与导出：定期导出数据 export_data_to_csv 或者备份数据库。

\请参阅docs/目录或 [维基工程 了解更多工作流配方和高级用法。\]

______________________________________________________________________

🏗️ 建筑

项目结构

memory-mcp-server/
├── src/
│   ├── database/        # Database schemas, services, and managers
│   │   ├── managers/    # Logic for managing specific data models
│   │   ├── parsers/     # Language parsers for codebase introspection
│   │   ├── services/    # Business logic (Gemini, Embeddings, etc.)
│   │   └── storage/     # Low-level storage (JSONL, Indexing)
│   ├── tools/           # MCP tool definitions and handlers
│   ├── types/           # Core TypeScript type definitions
│   └── index.ts         # Main server entry point
├── knowledge_graphs/    # JSONL for code graph
├── memory.db            # SQLite main db
├── vector_store.db      # SQLite for embeddings
└── README.md

数据流

flowchart TD
  Agent[AI Agent] -->|MCP Request| Server[Memory MCP Server]
  Server -->|Structured Data| SQLite[(SQLite memory.db)]
  Server -->|KG Operations| KG[(JSONL Knowledge Graph)]
  Server -->|Semantic Search| VecDB[(Vector Store)]
  Server -->|AI/Web Tasks| Ext{External Services}
  Ext --> Gemini[(Google Gemini)]
  Ext --> Tavily[(Tavily Search)]

______________________________________________________________________

💻 发展

npm install
npm run build    # Compile TypeScript
npm run watch    # Auto-rebuild on changes
npm test         # Run tests

• 使用 npm run inspector 用于基于web的调试UI。

______________________________________________________________________

🤝 贡献

我们热爱贡献！Fork、PR，让我们共同构建智能代理的未来。确保用测试覆盖新功能，并保持所有现有测试为绿色。

______________________________________________________________________

📄 许可证

麻省理工学院——见 许可证 了解详情。

______________________________________________________________________

_以创造力和对下一代人工智能代理的关怀而构建。_