Buildautomata Memory MCP

🚀 BuildAutomata Memory MCP 服务器

BuildAutomata Memory MCP 服务器借助模型上下文协议（MCP）为 AI 代理提供持久、可搜索的记忆系统。它能让 AI 代理（如 Claude）拥有跨对话的持久记忆，就像给 AI 配备了一个长期记忆系统，具备语义搜索、时间版本控制、智能组织等功能。

🚀 快速开始

前提条件

• Python 3.10 及以上版本
• Claude Desktop（用于 MCP 集成）或任何兼容 MCP 的客户端
• 可选：Qdrant 用于增强语义搜索

安装步骤

1. 克隆此仓库

git clone https://github.com/brucepro/buildautomata_memory_mcp.git
cd buildautomata_memory_mcp-main

2. 安装依赖项

pip install mcp qdrant-client sentence-transformers

3. 配置 Claude Desktop 编辑 Claude Desktop 配置文件（Windows 系统路径为 AppData/Roaming/Claude/claude_desktop_config.json）：

{
  "mcpServers": {
    "buildautomata-memory": {
      "command": "python",
      "args": ["C:/path/to/buildautomata_memory_mcp_dev/buildautomata_memory_mcp.py"]
    }
  }
}

4. 重启 Claude Desktop 完成上述步骤后，内存系统将在首次运行时自动创建其数据库。

✨ 主要特性

核心功能

• 🧠 混合搜索：结合向量相似度（Qdrant）和全文搜索（SQLite FTS5）
• 📚 时间版本控制：每次记忆更新都会创建一个新版本，提供完整的审计跟踪
• 🏷️ 智能衰减：重要性分数根据访问模式随时间衰减
• 🔄 丰富的元数据：支持类别、标签、重要性和自定义元数据
• 💾 LRU 缓存：通过自动缓存管理实现快速重复访问
• ⚙️ 线程安全：通过适当的锁定实现并发操作

MCP 工具暴露

作为 MCP 服务器运行时，为 Claude 提供以下工具：

1. store_memory - 创建新记忆
2. update_memory - 修改现有记忆（创建新版本）
3. search_memories - 带过滤器的语义 + 全文搜索
4. get_memory_timeline - 查看完整的版本历史
5. get_memory_stats - 系统统计信息
6. prune_old_memories - 清理旧的/低重要性的记忆
7. run_maintenance - 数据库优化

架构

┌─────────────────┐
│  Claude Desktop │
│   (MCP Client)  │
└────────┬────────┘
         │
    ┌────▼─────────────────────┐
    │  MCP Server              │
    │  buildautomata_memory    │
    └────┬─────────────────────┘
         │
    ┌────▼──────────┐
    │  MemoryStore  │
    └────┬──────────┘
         │
    ┌────┴────┬─────────────┬──────────────┐
    ▼         ▼             ▼              ▼
┌───────┐ ┌────────┐ ┌──────────┐ ┌─────────────┐
│SQLite │ │Qdrant  │ │Sentence  │ │ LRU Cache   │
│  FTS5 │ │Vector  │ │Transform │ │ (in-memory) │
└───────┘ └────────┘ └──────────┘ └─────────────┘

💻 使用示例

基础用法

# 搜索记忆
python interactive_memory.py search "consciousness research" --limit 5

# 存储新记忆
python interactive_memory.py store "Important discovery..." --category research --importance 0.9 --tags "ai,insight"

# 查看记忆演变
python interactive_memory.py timeline --query "project updates" --limit 10

# 获取统计信息
python interactive_memory.py stats

高级用法

快速访问脚本

Windows 系统：

memory.bat search "query"
memory.bat store "content" --importance 0.8

Linux/Mac 系统：

./memory.sh search "query"
./memory.sh store "content" --importance 0.8

📚 详细文档

使用场景

1. 持久的 AI 上下文

用户：“记住我更喜欢详细的技术解释”
[记忆以类别：用户偏好存储]

下一次会话...
Claude：*自动回忆起偏好并提供详细响应*

2. 项目连续性

会话 1：处理项目 A，存储进度
会话 2：Claude 回忆起项目状态，从上次中断的地方继续
会话 3：查看所有项目决策的时间线

3. 研究与学习

- 发现研究结果时进行存储
- 按主题、重要性、来源进行标记
- 语义搜索：“我对神经网络有哪些了解？”
- 查看理解随时间的演变

4. 多工具工作流

Claude Desktop → 通过 MCP 存储洞察
Claude Code → 通过 CLI 检索
Cursor AI → 访问相同的内存数据库
= 所有工具上的统一 AI 角色

想要完整套餐？

🎁 获取 Gumroad 套餐

Gumroad 版本包括：

• ✅ 预编译的 Qdrant 服务器（Windows .exe，无需 Docker）
• ✅ 一键启动脚本（start_qdrant.bat）
• ✅ 分步设置指南（instructions.txt）
• ✅ 商业许可证，用于商业用途
• ✅ 通过电子邮件提供优先支持

适合人群：

• 希望轻松设置的非技术用户
• 想要完整堆栈套餐的 Windows 用户
• 需要明确许可证的商业/企业用户
• 任何重视时间而非自行设置的人

此开源版本：

• ✅ 免费用于个人/教育/小企业用途（年收入 < 10 万美元）
• ✅ 可访问完整源代码
• ✅ 自行设置 Qdrant（从 qdrant.io 安装）
• ✅ 通过 GitHub 问题获得社区支持

两个版本使用完全相同的核心代码 - 您只是在便利性（Gumroad）和自行设置（GitHub）之间进行选择。

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                     # 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

记忆存储在以下路径：

<script_dir>/memory_repos/<username>_<agent_name>/memoryv012.db

可选：Qdrant 设置

为了增强语义搜索（强烈推荐）：

选项 1：使用 Docker

docker run -p 6333:6333 qdrant/qdrant

选项 2：手动安装

从 Qdrant 发布页面 下载。

选项 3：Gumroad 套餐

包括预编译的 Windows 可执行文件 + 启动脚本

不使用 Qdrant 时：系统仍可使用 SQLite FTS5 全文搜索（语义理解能力较弱）。

开发

运行测试

# 搜索测试
python interactive_memory.py search "test" --limit 5

# 存储测试
python interactive_memory.py store "Test memory" --category test

# 统计信息
python interactive_memory.py stats

文件结构

buildautomata_memory_mcp_dev/
├── buildautomata_memory_mcp.py      # MCP 服务器
├── interactive_memory.py             # CLI 界面
├── memory.bat / memory.sh            # 辅助脚本
├── CLAUDE.md                         # 架构文档
├── README_CLI.md                     # CLI 文档
├── CLAUDE_CODE_INTEGRATION.md        # 集成指南
└── README.md                         # 本文件

故障排除

“Qdrant 不可用”

• 如果在不使用 Qdrant 的情况下运行，这是正常现象 - 会回退到 SQLite FTS5
• 要启用：启动 Qdrant 服务器并重启 MCP 服务器

数据库“权限被拒绝”

• 检查 memory_repos/ 目录的权限
• 在 Windows 上：如有需要，以管理员身份运行

Claude Desktop 未显示工具

1. 检查 claude_desktop_config.json 路径是否正确
2. 验证 Python 是否在系统路径中
3. 完全重启 Claude Desktop
4. 检查 Claude Desktop → 帮助 → 查看日志中的日志

导入错误

pip install --upgrade mcp qdrant-client sentence-transformers

📄 许可证

开源（此 GitHub 版本）：

• 免费用于个人、教育和小企业用途（年收入 < 10 万美元）
• 必须注明原作者（Jurden Bruce）
• 完整条款请参阅 LICENSE 文件

商业许可证：

• 年收入超过 10 万美元的公司：每位用户 200 美元或每家公司 2 万美元（取较低者）
• 联系方式：sales@brucepro.net

支持

社区支持（免费）

• GitHub 问题：报告错误或请求功能
• 讨论区：提问、分享技巧

优先支持（Gumroad 客户）

• 电子邮件：sales@brucepro.net
• 更快的响应时间
• 设置协助
• 自定义配置帮助

路线图

• [ ] 记忆关系图
• [ ] 批量导入/导出
• [ ] 用于记忆管理的 Web UI
• [ ] 多模态记忆（图像、音频）
• [ ] 协作记忆（多用户）
• [ ] 记忆整合/总结
• [ ] 智能自动标记

贡献

欢迎贡献代码！请按以下步骤操作：

1. 分叉仓库
2. 创建功能分支
3. 进行更改
4. 提交拉取请求

致谢

作者：Jurden Bruce 项目：BuildAutomata 年份：2025

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

相关链接

• 模型上下文协议文档
• Qdrant 文档
• Gumroad 套餐 - 轻松设置版本

如果您觉得这个仓库有用，请给它点个 ⭐！如果您想支持开发并获得易于安装的版本，请考虑 Gumroad 套餐。

• 请我喝咖啡
• Ko-fi