Simple Mem MCP

SimpleMem MCP服务器

A. 模型上下文协议（MCP） 服务器 简单Mem -基于语义无损压缩的LLM代理高效终身存储系统。

概述

SimpleMem MCP Server通过模型上下文协议展示了SimpleMem强大的内存功能，使Claude等AI助手能够：

• 存储对话 语义无损压缩
• 找回记忆 使用三阶段混合检索（语义+词汇+符号）
• 回答问题 基于长期记忆，在LoCoMo-10基准测试中F1得分为43.24%
• 管理原子内存条目 具有自动同指消解和时间锚定功能

主要特点

• 三级内存管道:

1. 语义结构化压缩：转换对话→ 原子性的、自足的事实 1. 多视图索引：语义（向量）+词汇（BM25）+符号（元数据） 1. 自适应查询感知检索：基于规划的分解+反思机制

• 高级加工:

- 会议决议（他/她→ 实际姓名） - 临时锚定（明天→ 绝对时间戳） - 使用可配置的workers进行并行处理 - 窗口化批处理，提高效率

• 演出：与全上下文方法相比，标记数减少30倍，检索精度更高

建筑

┌─────────────────────────┐
│   MCP Client            │
│ (Claude, Cursor, etc)   │
└───────────┬─────────────┘
            │ stdio
            ▼
┌─────────────────────────────────┐
│   SimpleMem MCP Server (Node)   │
│   - Tool handlers               │
│   - Resource providers          │
│   - Input validation (Zod)     │
└───────────┬─────────────────────┘
            │ spawn
            ▼
┌─────────────────────────────────┐
│   SimpleMem (Python)            │
│   - Semantic compression        │
│   - Hybrid retrieval            │
│   - LanceDB vector store        │
└─────────────────────────────────┘

先决条件

1. Node.js 18+和npm
2. python 3.8+
3. 简单Mem 已安装并配置
4. OpenAI API密钥 （或兼容的LLM提供商）

安装

1.克隆和安装

cd SimpleMem-MCP
npm install
npm run build

2.配置SimpleMem

确保SimpleMem设置正确：

# Navigate to SimpleMem directory
cd /path/to/SimpleMem

# Copy and configure config file
cp config.py.example config.py

# Edit config.py with your settings
# - OPENAI_API_KEY
# - LLM_MODEL (e.g., "gpt-4.1-mini")
# - EMBEDDING_MODEL (e.g., "Qwen/Qwen3-Embedding-0.6B")

# Install Python dependencies
pip install -r requirements.txt

3.设置环境变量

创建一个 .env SimpleMem MCP目录中的文件：

cp .env.example .env

编辑 .env:

# Path to SimpleMem project directory
SIMPLEMEM_PATH=/Users/jiaqi/Myprojects/new/SimpleMem

# Path to LanceDB database directory (relative to SimpleMem)
SIMPLEMEM_DB_PATH=./lancedb_data

# Python executable (optional)
PYTHON_PATH=python3

用法

Claude桌面配置

添加到您的Claude Desktop配置文件中：

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json 视窗: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "simplemem": {
      "command": "node",
      "args": ["/path/to/SimpleMem-MCP/dist/index.js"],
      "env": {
        "SIMPLEMEM_PATH": "/path/to/SimpleMem",
        "SIMPLEMEM_DB_PATH": "./lancedb_data"
      }
    }
  }
}

重新启动克劳德桌面

保存配置后，重新启动Claude Desktop以加载MCP服务器。

可用工具

1. add_dialogue

在内存系统中添加一个对话。

参数:

• speaker （必填）：发言者姓名
• content （必填）：说了什么（最多200k个字符）
• timestamp （可选）：ISO 8601时间戳（例如，“2025-11-15T14:30:00”）

示例:

User: "Remember this conversation. Alice said: 'Bob, let's meet at Starbucks tomorrow at 2pm.'"

2. add_dialogues

批量添加多个对话（更高效）。

参数:

• dialogues （必填）：对话对象数组

示例:

{
  "dialogues": [
    {
      "speaker": "Alice",
      "content": "Bob, let's meet at Starbucks tomorrow at 2pm",
      "timestamp": "2025-11-15T14:30:00"
    },
    {
      "speaker": "Bob",
      "content": "Sure, I'll bring the market analysis report",
      "timestamp": "2025-11-15T14:31:00"
    }
  ]
}

3. finalize

将所有缓冲对话处理为内存条目。 重要：始终在添加对话后调用此命令。

SimpleMem使用窗口处理（默认值：每个窗口40个对话），因此这可以确保所有对话都得到处理。

4. ask

向记忆系统提问。

参数:

• question （必填）：您的问题（最多10k个字符）

运作原理:

1. 分析查询复杂性
2. 生成有针对性的搜索查询（计划）
3. 从语义+词汇+符号层检索
4. 反映充分性（可选迭代细化）
5. 综合简明答案

示例:

User: "When and where will Alice and Bob meet?"
Assistant: "16 November 2025 at 2:00 PM at Starbucks"

5. search_memories

没有答案合成的语义搜索（原始记忆条目）。

参数:

• query （必填）：搜索查询
• top_k （可选）：结果数量（默认值：10，最大值：100）

用例：探索系统对某个主题的记忆。

6. get_all_memories

检索所有原子内存条目。

退货：完整的回忆列表，包括：

• 无损重述（自足事实）
• 关键词
• 时间戳（如果可用）
• 位置（如有提及）
• 相关人员
• 实体（公司、产品等）
• 主题

7. clear_memories

清除数据库中的所有内存。 ⚠️ 警告：无法撤消！

可用资源

1. simplemem://memories

类型：JSON 描述：所有内存条目的完整列表

访问克劳德:

User: "Can you show me all memories as JSON?"

2. simplemem://stats

类型：JSON 描述：系统统计和配置

退货:

{
  "total_memories": 42,
  "db_path": "./lancedb_data",
  "model": "gpt-4.1-mini",
  "features": {
    "planning_enabled": true,
    "reflection_enabled": true,
    "parallel_processing": true
  }
}

工作流示例

# Step 1: Add conversations
User: "Remember this: Alice said to Bob, 'Let's meet at Starbucks tomorrow at 2pm to discuss the project.'"
Assistant: [Uses add_dialogue tool]

User: "Bob replied: 'Great, I'll bring the market analysis report.'"
Assistant: [Uses add_dialogue tool]

# Step 2: Finalize processing
Assistant: [Calls finalize tool automatically]

# Step 3: Query memories
User: "What did Alice and Bob plan?"
Assistant: [Uses ask tool] → "Alice and Bob plan to meet at Starbucks on 16 November 2025 at 2:00 PM to discuss the project. Bob will bring the market analysis report."

# Step 4: Explore memories
User: "Show me all memories about meetings"
Assistant: [Uses search_memories tool with query="meetings"]

SimpleMem的工作原理

第一阶段：语义结构化压缩

输入 （对话）：

Alice: "He'll meet Bob tomorrow at 2pm at the coffee shop"

输出 （原子内存条目）：

{
  "lossless_restatement": "John will meet Bob at Starbucks on 2025-11-16T14:00:00",
  "persons": ["John", "Bob"],
  "location": "Starbucks",
  "timestamp": "2025-11-16T14:00:00",
  "keywords": ["meet", "Bob", "John", "Starbucks"]
}

变换:

• 核心决议：“他”→ “约翰”
• 临时锚定：“明天下午2点”→ “2025-16T14:00:00”
• 位置规范化：“咖啡店”→ “星巴克”（根据上下文）

第二阶段：多视图索引

每个内存都跨三个维度进行索引：

第三阶段：自适应检索

简单查询 （低复杂性）：

"When will they meet?" → Single semantic search

复杂查询 （高复杂性）：

"What projects did Alice and Bob discuss in November at Starbucks?"
→ Multi-query decomposition:
  1. Semantic: "Alice Bob projects discuss"
  2. Symbolic: persons=["Alice","Bob"], location="Starbucks", time=November
  3. Keyword: ["projects", "discuss"]
→ Reflection: Check if results adequate, generate follow-up if needed
→ Synthesis: Combine results and generate answer

性能基准

LoCoMo-10 数据集 （GPT-4.1分钟）：

• F1得分: 43.24%
• 令牌使用情况：约550个令牌（比完整上下文少30倍）
• 检索时间：完整基准测试为388.3秒

比较:

• Mem0:34.20%F1，1350.9秒结构
• A-Mem:32.58%F1，5140.5秒施工
• LightMem:24.63%F1，577.1s检索

配置选项

SimpleMem行为通过以下方式控制 config.py 在SimpleMem目录中：

# Core Models
LLM_MODEL = "gpt-4.1-mini"  # or "qwen-max", "gpt-4"
EMBEDDING_MODEL = "Qwen/Qwen3-Embedding-0.6B"

# Processing
WINDOW_SIZE = 40  # Dialogues per processing window
OVERLAP_SIZE = 2  # Window overlap for context

# Retrieval
SEMANTIC_TOP_K = 25  # Vector search results
KEYWORD_TOP_K = 5    # BM25 results
STRUCTURED_TOP_K = 5 # Metadata filter results

# Advanced Features
ENABLE_PLANNING = True          # Multi-query decomposition
ENABLE_REFLECTION = True        # Iterative refinement
MAX_REFLECTION_ROUNDS = 2       # Max reflection iterations
ENABLE_PARALLEL_PROCESSING = True
MAX_PARALLEL_WORKERS = 16       # Memory building workers
ENABLE_PARALLEL_RETRIEVAL = True
MAX_RETRIEVAL_WORKERS = 8       # Retrieval workers

故障排除

服务器未启动

检查:

1. Node.js版本： node --version （应该是18+）
2. TypeScript编译： npm run build
3. 环境变量设置正确
4. SimpleMem路径存在且可访问

Python执行失败

检查:

1. Python版本： python3 --version （应为3.8+）
2. 已安装SimpleMem依赖项： pip install -r requirements.txt
3. config.py 存在并且具有有效的API密钥
4. Python包含SimpleMem目录

没有回忆回来

民事诉讼:

1. 忘记打电话了 finalize 添加对话后
2. 数据库路径不正确
3. 嵌入模型未下载（首次运行可能需要时间）
4. LanceDB数据库已损坏（请尝试清除并重新添加）

性能缓慢

优化:

1. 使用较小的LLM进行压缩（例如“qwen2.5-1.5b”）
2. 减少 SEMANTIC_TOP_K 为了更快地检索
3. 禁用反射： ENABLE_REFLECTION = False
4. 增加并行工作者（如果您有可用的核心）

发展

构建

npm run build

观看模式（用于开发）

npm run dev

手动测试

# Start server (outputs to stderr for debugging)
node dist/index.js

# The server expects JSON-RPC messages on stdin
# Use MCP Inspector for interactive testing:
npx @modelcontextprotocol/inspector node dist/index.js

项目结构

SimpleMem-MCP/
├── src/
│   ├── index.ts              # Main MCP server (tools, resources, handlers)
│   ├── simplemem-client.ts   # Python SimpleMem wrapper
│   └── types.ts              # TypeScript interfaces
├── dist/                     # Compiled JavaScript (generated)
├── package.json              # Dependencies and scripts
├── tsconfig.json             # TypeScript configuration
├── .env.example              # Environment template
├── .gitignore
└── README.md                 # This file

参考文献

• SimpleMem纸张: arXiv:2601.02553
• SimpleMem GitHub: AIMING实验室/SimpleMem
• MCP文件: 模型上下文协议
• MCP-SDK: @模型上下文协议/sdk

许可证

MIT许可证-详见SimpleMem项目。

引用

如果您在研究中使用SimpleMem，请引用：

@misc{simplemem2026,
  title={SimpleMem: Efficient Lifelong Memory for LLM Agents via Semantic Lossless Compression},
  author={AIMING Lab},
  year={2026},
  eprint={2601.02553},
  archivePrefix={arXiv}
}

支持

• SimpleMem问题:
• MCP问题:

______________________________________________________________________

建于❤️ 使用模型上下文协议