Reverie

Reverie — 会做梦的图谱记忆

Reverie 是 KnowAll AI 为 AI Agent 构建的 Neo4j 知识图谱记忆，通过 MCP 提供服务。它以 npm 包 @knowall-ai/reverie 的形式发布（是旧版软件包 @knowall-ai/mcp-neo4j-agent-memory 的后继版本）。GitHub 仓库现名为 knowall-ai/mcp-reverie，旧 URL 会重定向。

Reverie 将 Agent 的记忆从一堆事实变成一张展示其世界中各种实体及其关系的地图，并保持这张地图的健康。它是一个 MCP 服务，因此任何支持模型上下文协议（Claude Desktop、OpenClaw、Azure AI Foundry、Cursor……）的 Agent 都能使用同一张图谱；Hermes Agent 的记忆提供方版本位于 hermes-reverie。

为什么选择 Reverie

• 类型化实体图谱，而非事实存储。 人物、组织、项目、地点、概念、会议和决策都是带有类型化关系的节点。“我们和爱尔兰足协的谁聊过 Winnie？”是一次图谱遍历，而不是相似度搜索。
• 搜索“Benjamin”时也能找到“Ben”。 混合使用关键词、语义和模糊姓名搜索；默认使用本地嵌入（无需 API 密钥），也可通过配置切换为 OpenAI、Azure OpenAI、Ollama 或 Voyage。
• 它会做梦。 dream 工具可安全合并重复项、规范标签、重新生成嵌入、统计孤立节点，并标记已变成属性堆积的节点，让夜间任务保持图谱整洁。
• 一张图谱，适用于任何 Agent。 KnowAll 使用相同的约定运行 Sallie（OpenClaw）和 Poppie（Hermes）；Reverie 让它们共享所知。
• 由大模型驱动、操作透明的工具。 简单的原子操作；实体识别和冲突解决由模型负责，且每项操作都明确可见。
• 由你运行。 可在自己的机器或 VM 上运行 Neo4j。除非你选择远程嵌入提供方，否则数据不会离开本地。

快速开始 🚀

你可以直接使用 npx 运行此 MCP 服务：

npx -y @knowall-ai/reverie

也可以将其添加到 Claude Desktop 配置中：

{
  "mcpServers": {
    "reverie": {
      "command": "npx",
      "args": ["-y", "@knowall-ai/reverie"],
      "env": {
        "NEO4J_URI": "bolt://localhost:7687",
        "NEO4J_USERNAME": "neo4j",
        "NEO4J_PASSWORD": "your-password",
        "NEO4J_DATABASE": "neo4j"
      }
    }
  }
}

功能

• 🧠 持久化记忆存储 - 跨对话存储和检索记忆
• 🔗 语义关系 - 在记忆之间建立有意义的联系（KNOWS、WORKS_AT、CREATED 等）
• 🔍 混合搜索 - 对所有记忆属性进行关键词加语义搜索，默认使用本地嵌入
• 🏷️ 灵活的标签 - 可为记忆使用任意标签（person、place、project、idea 等）
• ⏰ 时间追踪 - 自动添加时间戳并支持基于日期的查询
• 🌐 图谱探索 - 遍历关系，发现关联信息
• 🎯 上下文感知 - 通过搜索深度纳入相关记忆
• 🔧 针对大模型优化 - 简单的工具，让 AI 处理复杂性
• 🏢 企业就绪 - 支持多个 Neo4j 数据库
• 📚 内置指南 - 获取最佳实践和使用模式方面的帮助

理念：由大模型驱动的智能

与将复杂逻辑嵌入工具的传统方案不同，此服务提供简单的原子操作，并让大模型处理所有智能任务：

• 没有隐藏逻辑：工具只执行其声明的操作——不会自动消歧或智能匹配
• 由大模型决定一切：实体识别、关系推断和冲突解决
• 操作透明：每项操作都明确且可预测
• 最大限度的灵活性：大模型可以不受工具限制地采用任何策略

搜索行为

search_memories 采用混合搜索：每个结果根据关键词、语义或模糊名称信号中得分最高的一项进行排序。请参阅下文的 搜索。

这种方法让系统更强大、更灵活，因为大模型能力的提升会直接转化为更出色的记忆管理。

搜索

search_memories 通过以下模式支持四种匹配信号——关键词、语义、模糊和精确：

• hybrid（默认）：按得分最高的信号排序——查询词的关键词占比、语义余弦相似度或模糊名称相似度
• keyword：将查询中的任意词作为子串，与任意可搜索内容属性进行匹配（时间戳、status 和嵌入字段不会参与匹配）
• semantic：仅使用嵌入；如果嵌入不可用，则回退到关键词匹配（而 hybrid 会保留其关键词和模糊匹配信号）
• fuzzy：使用拼写、前缀和语音匹配拼错或听错的名称及别名；无需嵌入即可通过 “Ben Wicks” 找到 “Benjamin Weeks”
• exact：对 name、aliases 或 email 进行不区分大小写的完全匹配；这是创建记忆前应执行的精确查找，因此 “ben weeks” 只会找到 “Ben Weeks”，不会找到其他内容

已归档的记忆（status = 'archived'）不会出现在结果中，也不会出现在 list_memory_labels 中，除非传入 include_archived: true。返回的关系包含 _start 和 _end 节点 ID，因此始终可以还原连接的方向。

使用 similarity_threshold（默认值为 0.4；必须介于 0 和 1 之间，其他值将被拒绝）控制语义匹配的严格程度。使用 fuzzy_threshold（默认值为 0.85，范围为 0–1）控制模糊匹配的严格程度。结果包含 _score、_match，以及模糊匹配时的 _matched（存储的名称或别名）。对于名称不同的匹配结果，请向用户确认；Bill/William 之类的昵称需要使用 aliases。

Neo4j Enterprise 支持

此服务现在支持连接到 Neo4j Enterprise Edition 中的指定数据库。默认情况下，它连接到 “neo4j” 数据库，但你可以使用 NEO4J_DATABASE 环境变量指定其他数据库。

记忆工具

• search_memories：在知识图谱中搜索并检索记忆

  • 混合搜索：结合关键词、语义和模糊名称搜索；搜索 Ben Wicks 可以找到 Benjamin Weeks
  • 将 search_mode 设为 hybrid、keyword、semantic、fuzzy 或 exact
  • 调整 similarity_threshold（默认值为 0.4）和 fuzzy_threshold（默认值为 0.85）
  • 返回的记忆中，模糊匹配结果包含 _score、_match 和 _matched
  • 可按记忆类型筛选（不区分大小写，因此 person 和 Person 均可使用）、日期、深度、结果数量上限和排序方式

• create_memory：在知识图谱中创建新记忆

  • 类型系统灵活——任何符合普通标识符格式的标签均可；首字母大写的单数形式是规范形式（Person、Place、Project、Skill 等），而 dream 会将标签规范化为小写
  • 以键值对的形式存储任意属性
  • 自动添加时间戳，用于追踪时间信息

• create_connection：在记忆之间创建关系

  • 使用语义关系类型连接记忆（KNOWS、WORKS_AT、LIVES_IN 等）
  • 为关系添加属性（since、role、status 等）
  • 构建复杂的知识网络

• update_memory：更新现有记忆的属性

  • 当节点超出属性数量上限时会返回 _hint：图谱用于存储实体和关系，而不是充当笔记本
  • 添加或修改任意属性
  • 将属性设为 null 以移除

• update_connection：更新关系属性

  • 修改关系元数据
  • 追踪随时间发生的变化

• delete_memory：移除记忆及其所有连接

  • 请谨慎使用——删除后无法恢复
  • 自动移除所有关系

• delete_connection：移除特定关系

  • 精确移除关系
  • 保留记忆

• list_memory_labels：列出当前使用的所有唯一记忆标签

  • 显示所有标签及其数量
  • 有助于保持一致性
  • 防止出现重复的标签变体

• query_memories：运行只读 Cypher 查询

  • 接受 Cypher 字符串及可选参数
  • 在 Neo4j READ 事务中运行（服务会拒绝写入），最多返回 200 行，超时设为 10 秒
  • 拒绝写入子句、CALL 子查询，以及小型只读允许列表（db.labels、db.propertyKeys、db.index.*.query*、架构过程）以外的任何过程。为确保安全，建议在条件允许时使用只读 Neo4j 角色运行服务

• memory_stats：汇总当前图谱

  • 返回节点、关系、标签、关系类型、嵌入和孤立节点的数量

• dream：以确定性方式清理并整合图谱

  • 将小写标签重新标记为首字母大写的形式（person → Person），在 APOC 可用时合并同一标签下名称相同的节点，并刷新嵌入
  • 合并时保留幸存节点的 name、时间戳和向量，并合并其他所有属性（冲突值会变成列表，不会丢弃任何内容）；跳过身份字段（email、phone、website、company、organisation、organization）不同的节点对，以免将两个不同的 “John Smith” 合并。报告会在 duplicates 下列出每个组，并说明已合并的内容以及跳过的内容和原因。请先使用 dry_run: true 进行检查
  • 报告属性数量超过 REVERIE_MAX_PROPERTIES（默认值为 30 个实际属性）的 bloated 节点，并列出看起来像带日期事实或散文的键，以便夜间休整时将其归并为属性、关系或备注
  • 支持 dry_run，生成不写入数据的报告

• get_guidance：获取有关如何有效使用记忆工具的帮助

  • 主题：标签、关系、最佳实践、示例
  • 为大模型提供全面指导
  • 不确定如何命名标签或关系时使用

前提条件

1. Neo4j 数据库 5.9 或更高版本（dream 工具使用 COUNT {} 和 IS :: STRING）；合并重复项需要 APOC

   • 安装 Neo4j Community 或 Enterprise Edition
   • 从 neo4j.com/download 下载
   • 或使用 Docker：docker run -p 7474:7474 -p 7687:7687 -e NEO4J_AUTH=neo4j/password neo4j

2. Node.js（v18 或更高版本）

   • 运行 MCP 服务所需
   • 从 nodejs.org 下载

3. Claude Desktop（用于 MCP 集成）

   • 从 claude.ai/download 下载

安装

MCP Registry

Reverie 已列入 MCP Registry，名称为 ai.knowall/reverie（KnowAll 的域命名空间，已通过 knowall.ai 上的 DNS TXT 记录验证），是曾列在 modelcontextprotocol/servers README 中的“Neo4j Agent Memory”条目的后继项目。本仓库中的 server.json 即为该条目；发布工作流会在每次打标签时重新发布它。

通过 Smithery 安装

要通过 Smithery 自动为 Claude Desktop 安装 Reverie（目前仍以其旧版包名编入索引）：

npx -y @smithery/cli install @knowall-ai/mcp-neo4j-agent-memory --client claude

开发

1. 克隆仓库：

git clone https://github.com/knowall-ai/mcp-reverie.git
cd mcp-reverie

2. 安装依赖：

npm install

3. 构建项目：

npm run build

配置

环境变量

服务需要以下环境变量：

• NEO4J_URI：Neo4j 数据库 URI（必填，例如 bolt://localhost:7687）
• NEO4J_USERNAME：Neo4j 用户名（必填）
• NEO4J_PASSWORD：Neo4j 密码（必填）
• NEO4J_DATABASE：Neo4j 数据库名称（可选）——适用于包含多个数据库的 Neo4j Enterprise

嵌入

设置 REVERIE_EMBEDDINGS，以选择混合搜索和语义搜索所用的嵌入提供方。更改 REVERIE_EMBEDDINGS 或 REVERIE_EMBEDDING_MODEL 后，节点会在下次搜索时延迟重新嵌入，也可在运行 dream 时立即重新嵌入。

REVERIE_EMBEDDINGS	默认模型	必需的环境变量
local（默认）	Xenova/all-MiniLM-L6-v2	无；可选 REVERIE_MODEL_CACHE
openai	text-embedding-3-small	OPENAI_API_KEY；可选 OPENAI_BASE_URL
azure	由部署提供	AZURE_OPENAI_ENDPOINT、AZURE_OPENAI_API_KEY、AZURE_OPENAI_EMBEDDING_DEPLOYMENT；可选 AZURE_OPENAI_API_VERSION
ollama	nomic-embed-text	可选 OLLAMA_HOST
voyage	voyage-3-lite	VOYAGE_API_KEY
none	已禁用	无

使用 REVERIE_EMBEDDING_MODEL 可覆盖任意提供方的模型名称。远程提供方每次请求最多批量处理 64 条文本，超时设为 REVERIE_EMBED_TIMEOUT_MS（默认值为 30000，最大值为 120000），且必须通过 https 访问；仅 localhost 接受纯 http。

local 提供方首次使用时会从 Hugging Face 下载模型（约 23 MB）并缓存。如果下载失败或任何提供方出错，语义搜索会退回到关键词匹配，混合搜索在本次调用中会保留关键词和模糊匹配；错误会记录到 stderr。设置 REVERIE_EMBEDDINGS=none 可完全关闭嵌入。

每个节点会存储两个向量：embedding（标签、名称和每个文本属性）以及 name_embedding（仅标签、名称和别名），此外还有 embedding_model 和 embedded_at。语义得分取两者中较高者，因此像 Ben Weeks 这样的简短查询仍能匹配描述丰富的 Benjamin Weeks。工具绝不会返回这些字段。

设置环境变量

开发环境

将 .env.example 复制为 .env，并填写你的凭据：

cp .env.example .env
# Edit .env with your Neo4j credentials

Claude Desktop

将环境变量添加到 Claude Desktop 配置中（参见上文的快速入门）。

使用示例

LLM 会处理所有复杂工作，包括判断要存储哪些信息，以及如何关联记忆：

存储信息

User: "Remember that John works at Google as a software engineer"

Assistant: I'll remember that John works at Google as a software engineer.

[Behind the scenes, the LLM does:
1. search_memories({"query": "John"}) - Check if John exists
2. search_memories({"query": "Google"}) - Check if Google exists
3. create_memory({"label": "Person", "properties": {"name": "John", "occupation": "software engineer"}})
4. create_memory({"label": "Organization", "properties": {"name": "Google"}})
5. create_connection({"fromMemoryId": 123, "toMemoryId": 456, "type": "WORKS_AT"})]

User: "Remember that Sarah is John's manager and she started in 2019"

Assistant: I'll add that information about Sarah.

[The LLM searches for John, creates Sarah, and connects them with a MANAGES relationship including the start date]

检索信息

User: "Who works at Google?"

Assistant: Let me search for people who work at Google.

[LLM uses: search_memories({"query": "Google", "depth": 2})]

Based on my memory:
- John - Software Engineer at Google
- Sarah - Manager at Google (manages John, started 2019)

User: "What do you remember about John?"

Assistant: Here's what I know about John:

[LLM uses: search_memories({"query": "John", "depth": 2})]

- Works at Google as a Software Engineer
- Sarah is his manager
- [Any other connected memories found in the search]

建立关系

User: "John and Sarah are working on Project Atlas together"

Assistant: I'll connect John and Sarah to Project Atlas.

[The LLM:
1. Searches for John and Sarah to get their IDs
2. Creates Project Atlas: create_memory({"label": "Project", "properties": {"name": "Project Atlas"}})
3. Connects them: create_connection({"fromMemoryId": johnId, "toMemoryId": projectId, "type": "WORKS_ON"})
4. create_connection({"fromMemoryId": sarahId, "toMemoryId": projectId, "type": "WORKS_ON"})]

连接到特定数据库

对于使用多个数据库的 Neo4j Enterprise 用户，可以指定要连接的数据库：

{
  "env": {
    "NEO4J_URI": "bolt://localhost:7687",
    "NEO4J_USERNAME": "neo4j",
    "NEO4J_PASSWORD": "your-password",
    "NEO4J_DATABASE": "myCustomDatabase"
  }
}

这会连接到“myCustomDatabase”，而不是默认的“neo4j”数据库。

更复杂的示例

查找相关信息

User: "Show me all employees in the Sales department"

Assistant: Let me search for employees in the Sales department.

[LLM uses: search_memories({"query": "Sales department", "depth": 2})]

I found these employees in the Sales department:
- John Smith (Sales Manager)
- Sarah Johnson (Sales Representative)  
- Mike Brown (Account Executive)

创建特定领域的记忆

User: "Create a product called 'Premium Coffee' with price $24.99"

Assistant: I'll create that product for you.

[LLM uses: create_memory({"label": "Product", "properties": {"name": "Premium Coffee", "price": 24.99}})]

Created Premium Coffee product with ID: 456

管理关系

User: "The Premium Coffee uses beans from our Colombian Supplier"

Assistant: I'll connect Premium Coffee to the Colombian Supplier.

[LLM:
1. search_memories({"query": "Premium Coffee"})
2. search_memories({"query": "Colombian Supplier"})
3. create_connection({"fromMemoryId": 456, "toMemoryId": 789, "type": "SUPPLIED_BY"})]

Connected Premium Coffee to Colombian Supplier

高级查询

大模型可以通过智能使用搜索工具来处理复杂查询：

基于词语的搜索

User: "Find Ben Weeks"

Assistant: I'll search for memories containing "Ben" or "Weeks".

[LLM uses: search_memories({"query": "Ben Weeks"})]

I found several people matching your search:
- Ben Weeks - Software Engineer at TechCorp (exact match)
- Sarah Ben - Data Scientist at DataCo (contains "Ben")
- John Weeks - Project Manager (contains "Weeks")

The most likely match appears to be Ben Weeks, the Software Engineer.

关键词匹配会查找查询中的任意词语，并根据找到的词语占比评分。混合搜索还会考虑语义匹配和模糊名称匹配，并按每条结果的最佳信号进行排序。

最近的记忆（过去 7 天）

User: "What new people have I met in the last week?"

Assistant: I'll search for people added to your memory in the last 7 days.

[LLM calculates the date 7 days ago and uses: 
search_memories({
  "query": "", 
  "label": "person", 
  "since_date": "2024-01-20T00:00:00Z",
  "order_by": "created_at DESC"
})]

Here are the new people you've met in the last week:
- Sarah Chen - Met at tech conference on Monday
- Dr. Michael Roberts - New physician, first appointment Tuesday  
- Emma Wilson - Joined your project team on Wednesday
- James Park - Coffee meeting about potential collaboration Thursday

消歧

User: "What does John do?"

Assistant: I found multiple people named John. Let me show you what I know:

[LLM uses: search_memories({"query": "John", "type": "Person", "depth": 1})]

1. John Doe - Software Engineer at Google
2. John Smith - Sales Manager in Sales Department
3. John Brown - Project Manager on Project Atlas

Which John were you asking about?

时间查询

User: "What events did I attend last month?"

Assistant: I'll search for event memories and check their dates.

[LLM uses: search_memories({"query": "", "label": "event", "sort_by": "created_at", "sort_order": "desc"})]

[Filters results to last month based on created_at or date properties]

Here are the events you attended last month:
- Tech Innovation Summit (March 5-6) - Keynote speaker
- Team Building Workshop (March 12) - With engineering team
- Client Dinner Meeting (March 18) - Project kickoff with ABC Corp
- WebDev Conference (March 25-27) - Attended 5 sessions on React

灵活的记忆类型

系统不会强制使用严格的类型——你可以创建任何合理的记忆类型：

常见类型（首字母大写的单数形式为规范形式；dream 接受小写形式并会将其规范化）：person、place、organization、project、event、topic、object、animal、plant、food、activity、media、skill、document、meeting、task、habit、health、vehicle、tool、idea、goal

但你也可以使用任何类型（任何普通标识符）：recipe、dream、memory、quote、book、movie、emotion、relationship、appointment、medication、exercise、symptom、payment、contract 等。

在适当情况下，大模型会智能地复用现有类型，以保持一致性。

连接的力量

这个记忆系统的真正价值不只在于存储单条记忆，还在于在记忆之间建立连接。随着你不断建立关系，知识图谱会变得愈发有用：

为什么连接很重要

• 发现上下文：相互连接的记忆能提供孤立事实无法提供的丰富上下文
• 关系模式：通过关系分析揭示隐藏的模式和见解
• 理解时间变化：跟踪关系随时间的演变
• 网络效应：每个新连接都会提升现有记忆的价值

建立连接的最佳实践

1. 存储新信息时，始终留意关系：

   Bad: Just store "John is a developer"
   Good: Store John AND connect him to his company, projects, skills, and colleagues
   

2. 使用能表达含义的语义关系类型：

   WORKS_AT, MANAGES, KNOWS, LIVES_IN, CREATED, USES, LEARNED_FROM
   

3. 添加关系属性，提供更丰富的上下文：

   create_connection({
     "fromMemoryId": 123,
     "toMemoryId": 456, 
     "type": "WORKS_ON",
     "properties": {"role": "Lead", "since": "2023-01", "hours_per_week": 20}
   })
   

4. 用图的方式思考：回忆信息时，将 depth 设为大于 1，以探索网络：

   search_memories({"query": "John", "depth": 3})  // Explores connections up to 3 hops away
   

请记住：没有连接的记忆，就像图书馆里一本没有编目的书——它确实存在，但用途有限。记忆之间的连接越多，知识图谱就越智能、越有用。

测试

npm run build              # TypeScript → build/
npm run test:unit          # pure-module unit tests + server startup checks, no database needed
npm run test:integration   # drives the built server over stdio against a live Neo4j
npm run test:coverage      # everything under c8 with a coverage gate (70% lines and functions)

集成测试需要一个启用了 APOC 的 Neo4j 5，并且会清空其指向的数据库，因此请为测试提供一个可随时丢弃的数据库：

docker run -d --rm --name reverie-test-neo4j -p 17687:7687 \
  -e NEO4J_AUTH=neo4j/test-password -e NEO4J_PLUGINS='["apoc"]' neo4j:5-community
NEO4J_URI=bolt://127.0.0.1:17687 NEO4J_USERNAME=neo4j NEO4J_PASSWORD=test-password \
  REVERIE_TEST_DESTRUCTIVE=1 npm run test:coverage

REVERIE_TEST_DESTRUCTIVE=1 是明确的主动启用选项：未设置时，测试套件会拒绝运行。设置后，测试套件会清空 NEO4J_URI 指向的数据库，因此只有在使用可随时丢弃的数据库时才能设置它。测试套件最多等待一分钟，直到经过身份验证的 Bolt 可用后才会启动；远程 NEO4J_URI 必须使用 bolt+s:// 或 neo4j+s://，并通过证书验证（不允许使用 +ssc）。

CI 会在每个拉取请求中使用 Neo4j 服务容器运行相同的测试套件；如果覆盖率低于门槛，构建就会失败。首次进行语义搜索时会下载本地嵌入模型（约 23 MB）；CI 会缓存该模型。

使用 MCP Inspector 进行交互式测试

如需交互式测试和调试，请使用 MCP Inspector：

# Quick start with environment variables from .env
./run-inspector.sh

# Or manually with specific environment variables
NEO4J_URI=bolt://localhost:7687 \
NEO4J_USERNAME=neo4j \
NEO4J_PASSWORD=your-password \
npx @modelcontextprotocol/inspector build/index.js

Inspector 提供了一个 Web UI，可用于：

• 交互式测试所有可用工具
• 查看实时请求/响应数据
• 验证 Neo4j 连接
• 调试工具参数和响应

HTTP 模式（reverie serve）

单独运行 reverie 会启动 stdio MCP 服务。reverie serve 则通过 Streamable HTTP 运行同一服务，并添加一个只读的 Brain API，供 KnowAll Agents Portal 的 Brain 选项卡实时绘制图谱。两者共用一个 bearer token 进行保护；只有健康检查接口无需认证。

REVERIE_SERVE_TOKEN=$(openssl rand -hex 24) NEO4J_PASSWORD=… reverie serve
# Reverie HTTP server listening on http://127.0.0.1:8643

变量	默认值	用途
REVERIE_SERVE_TOKEN	（必需）	客户端必须通过 Authorization: Bearer … 发送的 bearer token
REVERIE_HTTP_HOST / REVERIE_HTTP_PORT	127.0.0.1 / 8643	绑定地址；通过反向代理访问时，请将其保留在环回地址上
REVERIE_ALLOWED_ORIGINS	无	允许调用 API 的浏览器来源列表，以逗号分隔（这些来源会获得 CORS 标头和预检响应）；携带其他任何 Origin 标头的请求会收到 403。服务器到服务器的客户端不会发送 Origin，因此无需在此配置
REVERIE_EVENTS_PATH	~/.reverie/events.jsonl	激活日志（见下文）；设为空字符串可禁用
REVERIE_DREAMS_DIR	未设置	可选的梦境日记文件夹（*.md）；最新文件记录最近一次梦境
REVERIE_USAGE_STATS_PATH / REVERIE_BOOST_STATE_PATH	~/call-transcripts/usage-stats.json / boost-state.json	透传到 state 的 Presence HUD 文件（仅包含最近 15 分钟内写入的用量信息）
REVERIE_GRAPH_POLL_SECONDS / REVERIE_STATE_SECONDS / REVERIE_EVENT_POLL_SECONDS	5 / 5 / 1	事件流重新读取图谱、主机状态和激活日志的频率

NEO4J_* 和 REVERIE_EMBEDDINGS 的工作方式与 stdio 模式完全相同。

端点	身份验证	返回内容
GET /health（别名 /brain/health）	无	{ ok, neo4j, ts }
POST /mcp	bearer	MCP Streamable HTTP（无状态；JSON 响应）。任何支持 Streamable HTTP 的 MCP 客户端都可以使用
GET /brain/graph?limit=400	bearer	连接最多或最近的节点（limit ≤ 1500）、这些节点之间的关系、按标签和关系类型统计的总数，以及 state
GET /brain/state	bearer	dreaming、lastActivityAt、lastDreamAt、近期读写次数、主机 CPU / 负载 / 内存、Presence usage 和 boost
GET /brain/events?limit=400	bearer	服务器发送事件：最近 30 条 activation 事件，然后是 state；此后，每当发生新的 activation 时都会推送，每当图谱发生变化时都会推送 graph 差异（nodesAdded、nodesUpdated、nodesRemoved、relsAdded、relsRemoved、stats），每隔几秒推送一次 state，轮询失败时推送 error

Brain API 中的节点 ID 与工具返回的数字 ID 相同，但以字符串形式表示，因此激活事件和快照节点可以对应起来。归档记忆不会显示。嵌入向量绝不会离开服务。

激活日志。 每次运行 search_memories（recall）、create_memory / update_memory（remember）、create_connection / update_connection（connect）、delete_*（forget）以及实际的 dream（dream.start / dream.end）都会向 REVERIE_EVENTS_PATH 追加一行 JSON，无论请求由哪种传输方式提供服务。日志只包含 ID、名称和搜索词，仅用户可访问（权限模式为 0600），上限为 5 MB / 5,000 行，Brain 视图的动态效果由此实现。图谱本身绝不会记录查看过哪些内容。

在 Agent 的 VM 上通过 Caddy 部署：

agent.example.com {
    # … the agent's other routes …
    handle /reverie/* {
        uri strip_prefix /reverie
        reverse_proxy 127.0.0.1:8643
    }
}

并作为服务运行：

[Unit]
Description=Reverie graph memory (HTTP mode)
After=network-online.target

[Service]
User=agent
EnvironmentFile=/home/agent/.config/reverie.env   # NEO4J_*, REVERIE_SERVE_TOKEN, REVERIE_EMBEDDINGS…
ExecStart=/usr/bin/reverie serve
Restart=always
RestartSec=3

[Install]
WantedBy=multi-user.target

将 https://<agent host>/reverie 作为 Agent 的 brainUrl 提供给 portal，并将同一个 token 作为 REVERIE_TOKEN。

许可证

MIT