mcpField
M
MCP Memory

MCP Memory

本地服务
github.com/Puliczek记忆与知识16879 周前更新
代码仓库

关于 MCP Memory

MCP Memory 是一个 MCP 服务，让 MCP 客户端（如 Cursor、Claude、Windsurf）跨对话记住用户的偏好和行为等信息。它基于向量搜索按语义而非关键词检索记忆，并构建在 Cloudflare 平台之上。

主要功能

  1. 01基于语义的向量相似度搜索
  2. 02向量与原始文本分别存储于 Vectorize 和 D1
  3. 03使用 Workers AI 的 bge-m3 模型生成嵌入
  4. 04按用户隔离记忆命名空间
  5. 05内置速率限制（默认 100 请求/分钟）

适用场景

  1. 01让编码助手记住用户的编码偏好
  2. 02保存跨对话的用户行为和使用模式
  3. 03搭建可供多用户共享的记忆或知识库

MCP 相关

该项目是一个 MCP 服务，向 Cursor、Claude、Windsurf 等 MCP 客户端提供记忆的存储与检索能力。

#mcp#cloudflare#memory#mcp-server

配置

本地服务的配置在各客户端中通用，复制后粘贴到客户端的 MCP 配置文件即可。

mcp.json · 通用配置
{
  "mcpServers": {
    "memory-puliczek": {
      "command": "npx",
      "args": [
        "-y",
        "wrangler"
      ]
    }
  }
}
启动命令npx -y wrangler

本地服务需要在你的电脑上安装运行环境（如 Node.js 18+）。各客户端的配置文件位置不同，请参考客户端文档。

安装包
npmwrangler

工具

还没有获取到工具列表

本地服务需要在你的电脑上运行后才能读取工具，维护者暂未提供工具列表。

详细介绍

🤝 支持我们——如果你喜欢这些内容，请点亮 ⭐️

MCP Memory

MCP Memory 是一款 MCP 服务，可让 MCP 客户端（Cursor、Claude、Windsurf 等） 跨对话记住有关用户的信息（偏好、行为）。它使用向量搜索技术，根据含义而非仅根据关键词查找相关记忆。它基于 Cloudflare Workers、D1、Vectorize（RAG）、Durable Objects、Workers AI 和 Agents 构建。

📺 视频

观看视频

🚀 立即试用

https://memory.mcpgenerator.com/

🛠️ 如何部署自己的 MCP Memory

选项 1：一键将自己的 MCP Memory 部署到 Cloudflare

部署到 Cloudflare

在 Create Vectorize 部分选择：

  • 维度： 1024
  • 度量： cosine

点击 “Create and Deploy” 按钮

在 Cloudflare 控制面板中，前往“Workers & Pages”并点击 Visit

访问 MCP Memory

选项 2：使用此模板
  1. 点击此代码库顶部的“Use this template”按钮
  2. 克隆新建的代码库
  3. 按照下方的设置说明操作
选项 3：使用 CloudFlare CLI 创建
npm create cloudflare@latest --git https://github.com/puliczek/mcp-memory

🔧 设置（仅适用于选项 2 和 3）

  1. 安装依赖项：
npm install
  1. 创建 Vectorize 索引：
npx wrangler vectorize create mcp-memory-vectorize --dimensions 1024 --metric cosine
  1. 安装 Wrangler：
npm run dev
  1. 部署 Worker：
npm run deploy

🧠 工作原理

MCP Memory 架构

  1. 存储记忆：

    • 使用开源的 @cf/baai/bge-m3 模型，通过 Cloudflare Workers AI 处理你的文本并生成嵌入向量
    • 文本及其向量嵌入存储在两个位置：
      • Cloudflare Vectorize：存储向量嵌入，用于相似度搜索
      • Cloudflare D1：存储原始文本和元数据，以便持久保存
    • Durable Object（MyMCP）管理状态并确保一致性
    • Agents 框架负责处理 MCP 协议通信

  2. 检索记忆：

    • 使用相同的 @cf/baai/bge-m3 模型，通过 Workers AI 将你的查询转换为向量
    • Vectorize 执行相似度搜索，查找相关记忆
    • 根据相似度得分对结果排序
    • D1 数据库提供匹配向量对应的原始文本
    • Durable Object 协调检索过程

这种架构实现了：

  • 通过 Vectorize 快速进行向量相似度搜索
  • 使用 D1 持久化存储
  • 通过 Durable Objects 执行有状态操作
  • 通过 Workers AI 实现标准化的 AI 交互
  • 通过 Agents 框架确保协议合规

即使确切用词不匹配，系统也能找到概念上相关的信息。

🔒 安全

MCP Memory 实施了多项安全措施来保护用户数据：

  • 每位用户的记忆都存储在 Vectorize 中相互隔离的命名空间内，实现数据隔离
  • 内置速率限制可防止滥用（每分钟 100 次请求——你可以在 wrangler.jsonc 中更改此设置）
  • 仅基于 userId 进行身份验证
    • 由于速率限制，这足以提供基本保护
    • 如有需要，可轻松添加其他身份验证层（例如 API 密钥或 OAuth）
  • 所有数据均存储在 Cloudflare 的安全基础设施中
  • 所有通信均采用行业标准的 TLS 加密保护（由 Cloudflare 的 SSL/TLS 证书自动提供）

💰 费用信息 - 大多数用户免费使用

MCP Memory 在正常使用范围内免费：

  • 免费套餐支持 1,000 条记忆，每月约可进行 28,000 次查询
  • 使用 Cloudflare 为 Workers、Vectorize、Worker AI 和 D1 数据库提供的免费额度

有关 Cloudflare 定价的更多详情，请参阅：

❓ 常见问题

  1. 我可以使用 memory.mcpgenerator.com 存储记忆吗？

    • 可以，你可以使用 memory.mcpgenerator.com 存储和检索记忆
    • 这项服务免费
    • 你的记忆会安全存储，且只有你能访问
    • 我无法保证这项服务始终可用

  2. 我可以自行托管吗？

    • 可以，你可以在 Cloudflare 上免费托管自己的 MCP Memory 实例
    • 你需要一个 Cloudflare 账户，以及以下服务：
      • Workers
      • Vectorize
      • D1 Database
      • Workers AI

  3. 我可以在本地运行吗？

    • 可以，你可以在本地运行 MCP Memory 进行开发
    • 使用 wrangler dev 在本地运行 Worker
    • 你需要为 Cloudflare 服务配置本地开发凭据
    • 请注意，矢量搜索或 Workers AI 等部分功能需要连接到 Cloudflare 服务

  4. 我可以使用其他托管服务吗？

    • 不可以，MCP Memory 专为 Cloudflare 基础设施设计

  5. 你为什么构建它？

    • 我想要一个开源解决方案
    • 对我来说，掌控自己的数据很重要

  6. 我可以供多人使用吗？

    • 可以，MCP Memory 可集成到你的应用中，为所有用户提供服务
    • 每位用户都有独立的记忆空间

  7. 我可以用它存储记忆之外的内容吗？

    • 可以，MCP Memory 可以存储任何类型的文本信息
    • 一些实用示例：
      • 知识库：存储技术文档、流程和故障排查指南
      • 用户行为：跟踪用户与功能的交互方式和常见使用模式
      • 项目笔记：决策和项目进展
    • 无论内容类型如何，矢量搜索都能帮助查找相关条目

🤝 支持我们

🤝 支持我们 - 如果你喜欢这些内容，请点个 ⭐️

评论

支持 Markdown

第一次接触 MCP？

从协议是什么，到在客户端里装上第一个服务，这几条回答覆盖了大多数入门问题。

一个开放协议，规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话，MCP 服务负责提供工具、资源和提示模板，两者通过标准消息通信，同一个服务可以被不同客户端复用。