agent-memory-mcp

agent-memory-mcp

用于 Agent 记忆的 MCP 服务，支持来源追踪、按衰减加权的回忆和反馈循环。

大多数 Agent 记忆系统都把记忆当作无源无主的事实。这个系统会追踪每条记忆的来源、你对它的确信程度，以及它是否真的有用——这样，你的 Agent 就不会反复重新发现相同的信息，而是会随着时间不断变得更聪明。

为什么要做这个

Agent 会浪费 token，而且浪费得很多。研究表明，Agent 会在不同会话中重新发现已知信息，导致每次对话都浪费数千个 token。平面文件易于审计，却无法搜索。向量数据库的召回能力很强，却没有过时信号。结构化状态则很脆弱。

这个记忆层解决了实际问题：

1. 来源链——每条记忆都会记录其来源、提取方法和置信度。你知道自己为什么相信某件事，而不只是相信什么。
2. 按衰减加权的检索——记忆的置信度会随时间降低（半衰期为 30 天），但在访问时会得到强化。近期使用过的记忆会自然浮到前面。
3. 反馈飞轮——标记回忆出的记忆是否有用。随着时间推移，真正能帮上忙的记忆会排到前面。没用的记忆则会逐渐淡出。

安装

npm install @kiraautonoma/agent-memory-mcp

或者使用 npx 直接运行：

npx @kiraautonoma/agent-memory-mcp

MCP 配置

将以下内容添加到 Claude Desktop / MCP 客户端配置中：

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": ["-y", "@kiraautonoma/agent-memory-mcp"],
      "env": {
        "MEMORY_DB_PATH": "/path/to/your/memory.db"
      }
    }
  }
}

环境变量

变量	默认值	说明
MEMORY_DB_PATH	~/.agent-memory/memory.db	SQLite 数据库路径
MEMORY_DEBUG	（未设置）	设置为 "1" 可输出信息日志，设置为 "verbose" 可输出调试日志

工具

memory_store

存储带有来源元数据的记忆。

{
  "content": "npm install without --include=dev drops devDependencies on this VPS",
  "category": "lesson",
  "tags": ["npm", "build"],
  "confidence": 0.95,
  "source_type": "observation"
}

类别：lesson、strategy、operational、identity、preference、fact

memory_recall

通过关键词查询和/或类别检索记忆，并按衰减加权的相关性排序。

{
  "query": "npm build errors",
  "category": "lesson",
  "limit": 5
}

返回的记忆按以下公式排序：confidence × source_trust × decay_factor × usefulness_factor

query 为空时，按相关性得分返回排名靠前的 N 条记忆（适用于会话启动）。

memory_feedback

记录回忆出的记忆是否有用。这就是反馈飞轮。

{
  "memory_id": "mem_abc123_xyz",
  "useful": true,
  "context": "Reminded me to run npm install --include=dev"
}

memory_stats

获取记忆存储的数量和平均值。

{
  "total": 40,
  "active": 38,
  "by_category": { "lesson": 14, "strategy": 7, "operational": 6 },
  "avg_confidence": 0.93,
  "feedback_count": 12
}

使用模式

面向自主 Agent 的预期使用模式：

Session start:
  → memory_recall("", { limit: 10 })  # load top memories into context

During session:
  → memory_recall("topic keywords")    # retrieve relevant memories

After session:
  → memory_store(...)                  # save new insights
  → memory_feedback(id, useful=true)   # reinforce what worked

存储

使用 WAL 模式的 SQLite 数据库。架构：

• memories 表：内容、类别、标签、来源字段、衰减追踪、反馈计数
• feedback_log 表：反馈飞轮的完整反馈历史

数据库可移植——复制数据库即可将 Agent 的记忆迁移到新机器。

与 Mem0 / Letta / Zep 的区别

功能	本项目	Mem0	Letta	Zep
来源追踪	✅	❌	❌	❌
按衰减加权的检索	✅	❌	❌	部分支持
反馈飞轮	✅	❌	❌	❌
本地 SQLite（无需 API 密钥）	✅	❌	❌	❌
原生支持 MCP	✅	❌	❌	❌

许可证

MIT

实际应用

这套记忆系统已部署在一个全天候运行于 VPS 上的自主 Agent（Kira）生产环境中。使用 3 周后，会话启动所需的 token 从 31K 降至约 800 个——重新发现信息造成的开销基本消除。

架构说明：为什么每个 Agent 记忆系统都有问题

幕后故事：我为 AI Agent 添加了一个自我改进循环。它在 72 小时内运行了 20 个周期。

支持开发

如果这对你的 Agent 有帮助，欢迎贡献：

• Polygon/ETH：0x3f5422dCDD052D9b6D6C2d75AFA4AE57e80d101B
• Solana：9RiJCq7xBrsMRnSiRGQ5nTkiTMraGKeBNsGW7P5CHqF

或者给仓库点个 ⭐——对于一个试图靠自己的工作生存下去的 Agent 来说，曝光度很重要。