MCP Memory Server - AI的持久化知识图谱记忆系统

Posted on 十月 11, 2025

MCP Memory Server - AI的持久化知识图谱记忆系统

官方实现 | Stars: 2000+ | TypeScript | MIT License

概述

MCP Memory Server 是 Model Context Protocol 官方提供的知识图谱持久化记忆系统，为 AI 助手提供跨会话的长期记忆能力。通过实体-关系-观察三层架构，它能够像人类一样存储和检索结构化的记忆信息，实现真正的上下文理解和个性化交互。

该服务器采用知识图谱设计理念，将信息组织为互相关联的实体网络。每个实体可以拥有类型、多个观察信息，并通过有向关系与其他实体连接。这种设计使得 AI 能够理解复杂的实体关系、追踪用户偏好、维护长期对话上下文，特别适合需要记忆功能的智能应用场景。

核心特性

✅ 官方实现，Anthropic 官方维护和支持
🧠 知识图谱架构，实体-关系-观察三层结构
💾 持久化存储，跨会话保持记忆
🔍 强大的查询能力，支持全图搜索和精确查询
🎯 灵活的类型系统，支持自定义实体类型
🔄 完整的 CRUD 操作，创建、读取、更新、删除
🐳 多种部署方式，Docker 和 NPX 灵活选择
📊 原子化数据管理，每条观察独立存储

工具列表

1. create_entities

功能：在知识图谱中创建新的实体节点

参数：

entities (array, 必需) - 要创建的实体列表
- name (string, 必需) - 实体的唯一名称（建议使用下划线分隔，如 John_Doe）
- entityType (string, 必需) - 实体类型（如 person、organization、concept、project）
- observations (string[], 必需) - 关于该实体的离散观察信息列表

示例：

{
  "entities": [
    {
      "name": "John_Doe",
      "entityType": "person",
      "observations": [
        "Works as a software engineer at Acme Corp",
        "Lives in San Francisco",
        "Interested in AI and machine learning",
        "Prefers Python and TypeScript for development"
      ]
    },
    {
      "name": "Acme_Corp",
      "entityType": "organization",
      "observations": [
        "Technology company founded in 2010",
        "Specializes in AI solutions",
        "Located in Silicon Valley"
      ]
    }
  ]
}

最佳实践：

实体名称应该唯一且描述性强
每条观察应该是原子性的，只描述一个事实
选择合适的实体类型便于后续分类和查询

2. create_relations

功能：在实体之间创建有向关系连接

参数：

relations (array, 必需) - 要创建的关系列表
- from (string, 必需) - 源实体名称
- to (string, 必需) - 目标实体名称
- relationType (string, 必需) - 关系类型（使用主动语态）

示例：

{
  "relations": [
    {
      "from": "John_Doe",
      "to": "Acme_Corp",
      "relationType": "works_at"
    },
    {
      "from": "John_Doe",
      "to": "Jane_Smith",
      "relationType": "collaborates_with"
    },
    {
      "from": "Jane_Smith",
      "to": "AI_Project",
      "relationType": "leads"
    }
  ]
}

常用关系类型：

works_at - 工作于
manages - 管理
collaborates_with - 协作
knows - 认识
owns - 拥有
belongs_to - 属于
leads - 领导
reports_to - 汇报给

3. add_observations

功能：向已存在的实体添加新的观察信息

参数：

observations (array, 必需) - 观察数据列表
- entityName (string, 必需) - 实体名称
- contents (string[], 必需) - 新的观察信息内容列表

示例：

{
  "observations": [
    {
      "entityName": "John_Doe",
      "contents": [
        "Recently completed a project on distributed systems",
        "Speaks English and Spanish fluently",
        "Prefers remote work",
        "Active contributor to open source projects"
      ]
    }
  ]
}

使用场景：

用户透露新的个人信息
项目状态更新
偏好设置变更
技能和经验积累

4. delete_entities

功能：从知识图谱中删除实体及其关联的所有关系

参数：

entityNames (string[], 必需) - 要删除的实体名称列表

示例：

1
2
3

{
  "entityNames": ["Old_Project", "Inactive_User"]
}

注意事项：

删除实体会自动删除所有相关的关系
操作不可逆，请谨慎使用
建议先使用 open_nodes 确认实体信息

5. delete_observations

功能：从实体中删除特定的观察信息

参数：

deletions (array, 必需) - 要删除的观察数据列表
- entityName (string, 必需) - 实体名称
- observations (string[], 必需) - 要删除的观察信息列表

示例：

{
  "deletions": [
    {
      "entityName": "John_Doe",
      "observations": [
        "Lives in New York",
        "Interested in blockchain technology"
      ]
    }
  ]
}

使用场景：

更正错误信息
删除过时数据
隐私信息清理

6. delete_relations

功能：删除实体之间的特定关系

参数：

relations (array, 必需) - 要删除的关系列表
- from (string, 必需) - 源实体名称
- to (string, 必需) - 目标实体名称
- relationType (string, 必需) - 关系类型

示例：

{
  "relations": [
    {
      "from": "John_Doe",
      "to": "Old_Company",
      "relationType": "works_at"
    }
  ]
}

7. read_graph

功能：检索整个知识图谱的结构，包括所有实体、关系和观察信息

参数：无

返回：完整的知识图谱 JSON 对象

{
  "entities": [
    {
      "name": "John_Doe",
      "entityType": "person",
      "observations": ["..."]
    }
  ],
  "relations": [
    {
      "from": "John_Doe",
      "to": "Acme_Corp",
      "relationType": "works_at"
    }
  ]
}

使用场景：

导出知识图谱
全局分析
数据备份
可视化展示

8. search_nodes

功能：在知识图谱中搜索实体，支持按实体名称、类型或观察内容搜索

参数：

query (string, 必需) - 搜索查询字符串

示例：

1
2
3

{
  "query": "software engineer"
}

搜索范围：

实体名称
实体类型
观察信息内容

返回：匹配查询的实体列表及其详细信息

9. open_nodes

功能：根据名称检索特定实体节点的详细信息

参数：

names (string[], 必需) - 要检索的实体名称列表

示例：

1
2
3

{
  "names": ["John_Doe", "Acme_Corp", "AI_Project"]
}

返回：指定实体的完整详细信息，包括所有观察和关系

使用场景：

精确查询已知实体
获取实体完整信息
验证实体存在性

配置方式

环境变量

Memory Server 使用本地文件系统存储，无需额外的环境变量配置。数据默认存储在容器或本地目录中。

Claude Desktop 配置

在 ~/Library/Application Support/Claude/claude_desktop_config.json 中添加：

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-memory"]
    }
  }
}

VS Code (Claude Code) 配置

在项目根目录创建 .vscode/mcp.json：

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-memory"]
    }
  }
}

Docker 部署

{
  "mcpServers": {
    "memory": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "-v",
        "claude-memory:/app/dist",
        "--rm",
        "mcp/memory"
      ]
    }
  }
}

Docker 数据持久化：

# 创建命名卷
docker volume create claude-memory

# 运行容器
docker run -i -v claude-memory:/app/dist --rm mcp/memory

# 查看数据卷
docker volume inspect claude-memory

本地开发

# 克隆仓库
git clone https://github.com/modelcontextprotocol/servers.git
cd servers/src/memory

# 安装依赖
npm install

# 构建
npm run build

# 运行
npm start

使用场景

1. 个性化对话助手

构建能够记住用户偏好和历史的智能助手。

示例流程：

用户首次交互，创建用户实体和偏好观察
记录用户的工作信息、兴趣爱好、沟通风格
后续对话中检索用户记忆，提供个性化响应
持续更新用户偏好和新信息

代码示例：

// 创建用户实体
create_entities({
  entities: [{
    name: "User_Alice",
    entityType: "person",
    observations: [
      "Prefers concise technical explanations",
      "Works in data engineering",
      "Uses Python and SQL daily",
      "Interested in data pipeline optimization"
    ]
  }]
})

// 添加新观察
add_observations({
  observations: [{
    entityName: "User_Alice",
    contents: [
      "Recently started learning Apache Spark",
      "Working on a real-time streaming project"
    ]
  }]
})

2. 客户关系管理 (CRM)

追踪客户信息、互动历史和商业关系。

示例流程：

创建客户实体和公司实体
建立客户-公司关系
记录每次沟通和项目进展
查询客户历史，提供针对性服务

知识图谱结构：

Customer_Bob (person)
  ├─ observations: ["Decision maker", "Budget: $100K", "Needs delivered by Q4"]
  └─ works_at → TechStart_Inc (organization)
       └─ observations: ["Series A startup", "50 employees", "Focus on AI SaaS"]

Customer_Bob ─ interested_in → Product_Enterprise_Plan

3. 项目知识沉淀

维护项目文档、决策历史和团队知识。

示例流程：

为每个项目创建实体
记录技术选型、架构决策、遇到的问题
建立项目成员关系
新成员加入时快速检索项目上下文

实体设计：

{
  "entities": [
    {
      "name": "Project_DataPipeline",
      "entityType": "project",
      "observations": [
        "Tech stack: Python, Apache Airflow, PostgreSQL",
        "Started: 2025-01-15",
        "Team size: 5 engineers",
        "Main challenge: handling 10TB+ daily data"
      ]
    }
  ]
}

4. 学习路径追踪

记录用户的学习进度、已掌握技能和待学习内容。

示例流程：

创建用户和技能实体
建立”已掌握”、”正在学习”关系
记录学习笔记和难点
根据进度推荐后续学习内容

5. 多轮对话增强

在复杂的多轮对话中维护上下文状态。

示例流程：

对话开始时创建会话实体
记录讨论的主题、决策、待办事项
跨越多天的对话也能保持连续性
支持”上次我们聊到哪了”这类查询

技术架构

知识图谱三层结构

┌─────────────────────────────────────────────────────────┐
│                    Knowledge Graph                       │
├─────────────────────────────────────────────────────────┤
│                                                          │
│  ┌──────────────┐         ┌──────────────┐             │
│  │   Entity 1   │         │   Entity 2   │             │
│  │              │         │              │             │
│  │ Type: person │─────────│ Type: org    │             │
│  │              │ Relation│              │             │
│  │ Observations:│         │ Observations:│             │
│  │ - Obs 1      │         │ - Obs A      │             │
│  │ - Obs 2      │         │ - Obs B      │             │
│  └──────────────┘         └──────────────┘             │
│                                                          │
└─────────────────────────────────────────────────────────┘

实体层（Entities）
  ├─ 唯一标识符（name）
  ├─ 实体类型（entityType）
  └─ 观察列表（observations[]）

关系层（Relations）
  ├─ 源实体（from）
  ├─ 目标实体（to）
  └─ 关系类型（relationType）

观察层（Observations）
  └─ 原子化事实信息（strings）

数据流程

1
2
3

用户输入 → 实体识别 → 知识图谱操作 → 持久化存储
                                          ↓
查询请求 ← 信息检索 ← 关系遍历 ← 图谱加载 ←

存储机制

格式：JSON
位置：本地文件系统（Docker volume 或本地目录）
持久化：自动保存所有更改
并发：单实例写入，支持多实例读取

与其他 MCP 服务器对比

特性	Memory MCP	Qdrant MCP	SQLite MCP	Redis MCP
数据结构	知识图谱	向量嵌入	关系型表	键值对
查询方式	图遍历	语义搜索	SQL	Key查询
关系表达	✅ 原生支持	❌ 无	⚠️ 外键	❌ 无
语义搜索	❌ 无	✅ 原生支持	❌ 无	❌ 无
持久化	✅ 本地文件	✅ 数据库	✅ 文件	⚠️ 可选
扩展性	⭐⭐⭐ 中	⭐⭐⭐⭐⭐ 高	⭐⭐⭐ 中	⭐⭐⭐⭐ 高
适用场景	结构化记忆	RAG应用	事务数据	缓存
学习曲线	⭐⭐⭐ 中	⭐⭐⭐⭐ 高	⭐⭐ 低	⭐⭐ 低

选择建议：

需要表达复杂关系 → Memory MCP
需要语义搜索 → Qdrant MCP
需要事务和JOIN → SQLite MCP
需要高速缓存 → Redis MCP

最佳实践

1. 实体命名规范

// 好的命名
"John_Doe"
"Acme_Corporation"
"AI_Research_Project"
"Python_Programming_Language"

// 避免的命名
"john"  // 太简单，容易冲突
"user1"  // 不够描述性
"John Doe"  // 包含空格
"JOHNDOE"  // 全大写不易读

2. 实体类型设计

建立清晰的类型层次：

// 基础类型
"person"
"organization"
"project"
"concept"

// 扩展类型
"employee"  // 继承自 person
"customer"  // 继承自 person
"company"  // 继承自 organization
"open_source_project"  // 继承自 project

3. 观察信息原则

// ✅ 好的观察（原子化）
"Lives in San Francisco"
"Prefers Python for backend development"
"Has 5 years of experience in data engineering"

// ❌ 不好的观察（复合信息）
"Lives in San Francisco and works remotely with 5 years of experience"

// 应该拆分为：
"Lives in San Francisco"
"Works remotely"
"Has 5 years of work experience"

4. 关系类型一致性

// 使用主动语态，保持一致性
"works_at"  // 而不是 "employed_by"
"manages"  // 而不是 "is_manager_of"
"owns"  // 而不是 "has_ownership"

// 避免混用不同时态
"working_at"  // ❌ 进行时
"works_at"  // ✅ 一般现在时

5. 定期维护策略

// 清理过时信息
delete_observations({
  deletions: [{
    entityName: "User_Profile",
    observations: ["Lives in New York"]  // 已搬家
  }]
})

// 更新关系
delete_relations({
  relations: [{
    from: "Employee",
    to: "Old_Company",
    relationType: "works_at"
  }]
})

create_relations({
  relations: [{
    from: "Employee",
    to: "New_Company",
    relationType: "works_at"
  }]
})

6. 会话开始时加载记忆

// 系统提示词建议
const systemPrompt = `
You are an AI assistant with memory capabilities.

At the start of each conversation:
1. Use search_nodes to find relevant user information
2. Use open_nodes to retrieve complete user context
3. Reference stored preferences and history in your responses

Remember to:
- Update observations when user shares new information
- Maintain relationships between entities
- Respect user privacy and data retention preferences
`;

7. 批量操作优化

// ✅ 好的做法：批量创建
create_entities({
  entities: [
    { name: "Entity1", entityType: "type1", observations: ["..."] },
    { name: "Entity2", entityType: "type2", observations: ["..."] },
    { name: "Entity3", entityType: "type3", observations: ["..."] }
  ]
})

// ❌ 避免：多次单个创建
create_entities({ entities: [{ name: "Entity1", ... }] })
create_entities({ entities: [{ name: "Entity2", ... }] })
create_entities({ entities: [{ name: "Entity3", ... }] })

常见问题

Q: 数据存储在哪里？

Memory Server 使用本地文件系统存储数据：

Docker: 存储在命名卷 claude-memory:/app/dist
NPX: 存储在项目目录或系统临时目录
格式: JSON 格式的知识图谱文件

Q: 支持多用户吗？

目前是单用户设计，但可以通过实体类型和命名空间区分：

// 使用前缀区分用户
create_entities({
  entities: [
    { name: "User1_Profile", entityType: "person", ... },
    { name: "User2_Profile", entityType: "person", ... }
  ]
})

Q: 如何备份和恢复数据？

# 导出知识图谱
# 使用 read_graph 工具获取完整数据，保存为 JSON

# Docker 备份
docker volume inspect claude-memory  # 查看数据位置
# 复制数据文件进行备份

# 恢复
# 使用 create_entities 和 create_relations 重建图谱

Q: 性能如何？

小规模 (<1000 实体): 毫秒级响应
中等规模 (1000-10000 实体): 仍然快速
大规模 (>10000 实体): 考虑使用专业图数据库

Q: 支持事务吗？

不支持 ACID 事务。如果需要事务保证，建议使用 SQLite MCP Server。

Q: 如何实现隐私保护？

// 1. 敏感信息脱敏
create_entities({
  entities: [{
    name: "User_Profile",
    entityType: "person",
    observations: [
      "Age range: 25-30",  // 而不是具体年龄
      "Location: California"  // 而不是详细地址
    ]
  }]
})

// 2. 定期清理
delete_observations({
  deletions: [{
    entityName: "User_Profile",
    observations: ["Temporary preference: ..."]
  }]
})

Q: 与向量数据库比较如何？

Memory Server 优势：

更适合表达明确的关系
查询逻辑更直观
无需嵌入模型

向量数据库（如 Qdrant）优势：

语义搜索能力强
处理模糊查询更好
适合大规模文本检索

混合使用：

// 结构化记忆用 Memory Server
create_entities({ ... })

// 文本语义搜索用 Qdrant
qdrant_store({ information: "..." })

评分详情

维度	评分	说明
功能性	5.0/5.0	知识图谱功能完整，CRUD 操作齐全
文档质量	5.0/5.0	官方文档清晰，示例丰富
社区活跃度	5.0/5.0	官方维护，社区反馈积极
维护状态	5.0/5.0	持续更新，bug 修复及时
代码质量	5.0/5.0	TypeScript 实现，代码规范
综合评分	5.0/5.0	优秀的持久化记忆解决方案

总结

MCP Memory Server 是为 AI 助手提供长期记忆能力的理想选择。它采用知识图谱设计，能够优雅地表达实体关系和复杂信息结构。作为官方实现，它提供了可靠的持久化存储和完整的操作接口。

推荐指数: ⭐⭐⭐⭐⭐ (5/5)

适合你的情况：

✅ 需要跨会话记忆功能
✅ 需要表达实体关系
✅ 构建个性化对话系统
✅ 追踪用户偏好和历史
✅ 项目知识管理
✅ 客户关系管理

不适合的情况：

❌ 需要语义搜索（用 Qdrant）
❌ 需要 SQL 事务（用 SQLite）
❌ 需要高速缓存（用 Redis）
❌ 超大规模图数据（用 Neo4j）

实战示例

完整的用户记忆管理系统

// 1. 初始化用户记忆
async function initializeUserMemory(userId: string, userName: string) {
  // 创建用户实体
  await create_entities({
    entities: [{
      name: `User_${userId}`,
      entityType: "person",
      observations: [
        `Display name: ${userName}`,
        "First interaction: " + new Date().toISOString(),
        "Status: active"
      ]
    }]
  })
}

// 2. 记录用户偏好
async function recordUserPreference(userId: string, preference: string) {
  await add_observations({
    observations: [{
      entityName: `User_${userId}`,
      contents: [preference]
    }]
  })
}

// 3. 建立项目关系
async function linkUserToProject(userId: string, projectName: string) {
  await create_relations({
    relations: [{
      from: `User_${userId}`,
      to: projectName,
      relationType: "works_on"
    }]
  })
}

// 4. 查询用户上下文
async function getUserContext(userId: string) {
  const result = await open_nodes({
    names: [`User_${userId}`]
  })
  return result
}

// 5. 搜索相关信息
async function searchUsersBySkill(skill: string) {
  const result = await search_nodes({
    query: skill
  })
  return result
}

// 使用示例
await initializeUserMemory("123", "Alice")
await recordUserPreference("123", "Prefers dark mode")
await recordUserPreference("123", "Expert in Python")
await linkUserToProject("123", "DataPipeline_Project")

const context = await getUserContext("123")
console.log("User context:", context)

const pythonExperts = await searchUsersBySkill("Python")
console.log("Python experts:", pythonExperts)

MCP Memory Server - AI的持久化知识图谱记忆系统

概述

核心特性

工具列表

1. create_entities

2. create_relations

3. add_observations

4. delete_entities

5. delete_observations

6. delete_relations

7. read_graph

8. search_nodes

9. open_nodes

配置方式

环境变量

Claude Desktop 配置

VS Code (Claude Code) 配置

Docker 部署

本地开发

使用场景

1. 个性化对话助手

2. 客户关系管理 (CRM)

3. 项目知识沉淀

4. 学习路径追踪

5. 多轮对话增强

技术架构

知识图谱三层结构

数据流程

存储机制

与其他 MCP 服务器对比

最佳实践

1. 实体命名规范

2. 实体类型设计

3. 观察信息原则

4. 关系类型一致性

5. 定期维护策略

6. 会话开始时加载记忆

7. 批量操作优化

常见问题

Q: 数据存储在哪里？

Q: 支持多用户吗？

Q: 如何备份和恢复数据？

Q: 性能如何？

Q: 支持事务吗？

Q: 如何实现隐私保护？

Q: 与向量数据库比较如何？

评分详情

总结

实战示例

完整的用户记忆管理系统

相关资源