a-mem-mcp

A-MEM：编码 Agent 的自进化记忆

mcp-name: io.github.DiaaAj/a-mem-mcp

A-MEM 是一个面向编码 Agent 的自进化记忆系统。与简单的向量存储不同，A-MEM 会自动将知识整理成具有动态关系的 Zettelkasten 风格图谱。记忆不仅会被存储，还会随着时间推移不断演进并建立连接。

目前已通过 Claude Code 测试。计划支持其他兼容 MCP 的 Agent。

快速开始

安装

pip install a-mem

添加到 Claude Code

claude mcp add a-mem -s user -- a-mem-mcp \
  -e LLM_BACKEND=openai \
  -e LLM_MODEL=gpt-4o-mini \
  -e OPENAI_API_KEY=sk-...

就是这样！会自动安装一个会话启动钩子，提醒 Claude 使用记忆。

注意： 记忆按项目存储在 ./chroma_db 中。要在所有项目间共享全局记忆，请参阅记忆范围。

卸载

a-mem-uninstall-hook   # Remove hooks first
pip uninstall a-mem

工作原理

t=0              t=1                t=2

                 ◉───◉             ◉───◉
 ◉               │                 ╱ │ ╲
                 ◉                ◉──┼──◉
                                     │
                                     ◉

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━▶
            self-evolving memory

1. 添加记忆 → A-MEM 通过 LLM 提取关键词、上下文和标签
2. 查找邻居 → 搜索语义相似的现有记忆
3. 演进 → 决定是建立关联、加强连接，还是更新相关记忆
4. 存储 → 将完整的元数据和关系持久化到 ChromaDB

结果是：知识图谱会随着时间推移变得更加智能，而不只是不断变大。

功能

自进化记忆 记忆并非一成不变。添加新知识时，A-MEM 会自动查找相关记忆、加强连接、更新上下文并演进标签。

语义 + 结构化搜索 结合向量相似度与图遍历。按含义查找记忆，再探索其关联。

先概览，再深入 先通过广度优先搜索，使用轻量级元数据（id、上下文、关键词、标签）捕获相关记忆。然后使用 read_memory_note 对特定记忆进行深度优先检索，获取完整内容。这样既能最大限度地减少 token 用量，又能最大限度地提高召回率。

MCP 工具

A-MEM 向你的编码 Agent 提供 8 个工具：

工具	描述
add_memory_note	存储新知识（异步，立即返回）
search_memories	在所有记忆中进行语义搜索
search_memories_agentic	搜索并沿图关系继续探索
search_memories_by_time	在指定时间范围内搜索
read_memory_note	获取完整详情（支持批量读取）
update_memory_note	修改现有记忆
delete_memory_note	删除记忆
check_task_status	检查异步任务是否完成

使用示例

# The agent calls these automatically, but here's what happens:

# Store a memory (returns task_id immediately)
add_memory_note(content="Auth uses JWT in httpOnly cookies, validated by AuthMiddleware")

# Search later
search_memories(query="authentication flow", k=5)

# Deep search with connections
search_memories_agentic(query="security", k=5)

高级配置

JSON 配置

如需更多控制，请编辑 ~/.claude/settings.json（全局）或 .claude/settings.local.json（项目）：

{
  "mcpServers": {
    "a-mem": {
      "command": "a-mem-mcp",
      "env": {
        "LLM_BACKEND": "openai",
        "LLM_MODEL": "gpt-4o-mini",
        "OPENAI_API_KEY": "sk-..."
      }
    }
  }
}

环境变量

变量	描述	默认值
LLM_BACKEND	openai、ollama、sglang、openrouter	openai
LLM_MODEL	模型名称	gpt-4o-mini
OPENAI_API_KEY	OpenAI API 密钥	—
EMBEDDING_MODEL	句子转换器模型	all-MiniLM-L6-v2
CHROMA_DB_PATH	存储目录	./chroma_db
EVO_THRESHOLD	触发演进的阈值	100

记忆范围

• 项目专属（默认）：每个项目的记忆都独立存储在 ./chroma_db 中
• 全局：设置 CHROMA_DB_PATH=~/.local/share/a-mem/chroma_db，即可在项目间共享

替代后端

Ollama（本地、免费）

claude mcp add a-mem -s user -- a-mem-mcp \
  -e LLM_BACKEND=ollama \
  -e LLM_MODEL=llama2

OpenRouter（100 多种模型）

claude mcp add a-mem -s user -- a-mem-mcp \
  -e LLM_BACKEND=openrouter \
  -e LLM_MODEL=anthropic/claude-3.5-sonnet \
  -e OPENROUTER_API_KEY=sk-or-...

钩子管理（Claude Code）

会话启动钩子会提醒 Claude 使用记忆工具。它会随 Claude Code 自动安装，但你也可以手动管理：

a-mem-install-hook     # Install/reinstall hook
a-mem-uninstall-hook   # Remove hook completely

Python API

直接在 Python 中使用 A-MEM（适用于任何 Agent 或应用）：

from agentic_memory.memory_system import AgenticMemorySystem

memory = AgenticMemorySystem(
    llm_backend="openai",
    llm_model="gpt-4o-mini"
)

# Add (auto-generates keywords, tags, context)
memory_id = memory.add_note("FastAPI app uses dependency injection for DB sessions")

# Search
results = memory.search("database patterns", k=5)

# Read full details
note = memory.read(memory_id)
print(note.keywords, note.tags, note.links)

研究

A-MEM 实现了以下论文中的概念：

A-MEM：面向 LLM Agent 的 Agentic Memory Xu 等，2025 年 arXiv:2502.12110