Akasha Mcp Server

Name: Akasha Mcp Server
Author: ocuil

本地服务

github.com/ocuil记忆与知识49 周前更新

代码仓库

关于 Akasha Mcp Server

Akasha MCP Server 为 AI Agent 提供跨会话、跨 Agent 的持久共享记忆，适合需要保存并检索上下文的系统。它以分层记忆和 Agent 间的环境信号支持知识复用与协调。

主要功能

01持久化共享记忆
02四层认知记忆
03跨记忆搜索与回忆
04Agent 信号协调
05记忆自动整合

适用场景

01保存用户偏好与项目事实
02检索 API 设计和部署记录
03查看其他 Agent 的任务状态

MCP 相关

作为 MCP 服务，它向客户端提供记忆读写与搜索工具、只读资源和提示词模板。

#memory #knowledge #ai #agents #persistent-memory

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": {
    "ocuil": {
      "command": "uvx",
      "args": [
        "git+https://github.com/ocuil/akasha-public#subdirectory"
      ],
      "env": {
        "AKASHA_API_URL": "<AKASHA_API_URL>"
      }
    }
  }
}

启动命令uvx 'git+https://github.com/ocuil/akasha-public#subdirectory'

需要配置的环境变量

AKASHA_API_URL

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

pypigit+https://github.com/ocuil/akasha-public#subdirectorystdio

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

🧠 Akasha MCP Server

为你的 AI Agent 提供持久共享记忆

你的大模型会忘记之前对话中的所有内容。Akasha 可以解决这个问题。

问题

每次你与 Claude、Gemini 或 GPT 开始新对话时：

❌ 它不会记得昨天学到的内容
❌ 多个 Agent 无法共享知识
❌ 会话之间没有持久记忆
❌ 你需要一遍又一遍地重复相同的上下文

解决方案

Akasha 为你的 AI 提供持久共享记忆——就像给它一个不会重置的大脑。

Claude ──┐                    ┌── "What did we decide about the API?"
Gemini ──┼── Akasha Memory ──┤── "Agent-B is already working on that"
GPT ─────┘                    └── "Here's what we learned last week"

你的 AI 可以用 Akasha 做什么？

工具	功能	示例
`akasha_write`	将任何内容保存到持久记忆中	“记住，用户更喜欢 Python，而不是 JS”
`akasha_read`	回忆已保存的记忆	“我们对 API 设计了解多少？”
`akasha_query`	搜索所有记忆	“查找所有与部署相关的内容”
`akasha_memory_store`	写入认知层（工作/情景/语义/程序）	“将此保存为长期事实”
`akasha_memory_recall`	从指定层回忆内容	“我们有哪些部署流程？”
`akasha_pheromone_emit`	向其他 Agent 发出信号（印迹觅食）	“将此任务标记为进行中”
`akasha_pheromone_sense`	感知其他 Agent 正在做什么	“还有其他人在处理 API 吗？”
`akasha_health`	检查系统状态	“记忆系统运行正常吗？”
`akasha_diagnostics`	全面评估集群健康状况	“运行完整诊断报告”
`akasha_agents`	列出所有已连接的 Agent	“还有谁在线？”

快速设置（2 分钟）

1. 启动 Akasha

docker run -d --name akasha -p 7777:7777 -p 50051:50051 alejandrosl/akasha:latest

2. 获取 API 密钥

# Login
TOKEN=$(curl -sk -X POST https://localhost:7777/api/v1/auth/login \
  -H 'Content-Type: application/json' \
  -d '{"username":"akasha","password":"akasha"}' | jq -r .token)

# Create API key
curl -sk -X POST https://localhost:7777/api/v1/admin/keys \
  -H "Authorization: Bearer $TOKEN" \
  -H 'Content-Type: application/json' \
  -d '{"name":"mcp-server","namespaces":["**"],"role":"agent"}' | jq .key

3. 连接到你的 AI

Claude Desktop

添加到 ~/Library/Application Support/Claude/claude_desktop_config.json：

{
  "mcpServers": {
    "akasha": {
      "command": "uvx",
      "args": ["--from", "git+https://github.com/ocuil/akasha-public#subdirectory=mcp-server", "akasha-mcp"],
      "env": {
        "AKASHA_URL": "https://localhost:7777",
        "AKASHA_API_KEY": "ak_your_key_here"
      }
    }
  }
}

Cursor

添加到 .cursor/mcp.json：

{
  "mcpServers": {
    "akasha": {
      "command": "uvx",
      "args": ["--from", "git+https://github.com/ocuil/akasha-public#subdirectory=mcp-server", "akasha-mcp"],
      "env": {
        "AKASHA_URL": "https://localhost:7777",
        "AKASHA_API_KEY": "ak_your_key_here"
      }
    }
  }
}

手动安装（pip install）

pip install git+https://github.com/ocuil/akasha-public#subdirectory=mcp-server

# Run
AKASHA_URL=https://localhost:7777 \
AKASHA_API_KEY=ak_your_key_here \
akasha-mcp

Akasha 有何不同？

🐜 印迹觅食——Agent 无需交谈即可协作

灵感来自蚁群无需蓝图就能建造复杂结构的方式：

Agent A writes: "task/enrichment → SUCCESS (quality: 0.95)"
Agent B reads:  "Someone already did enrichment with 95% quality — skip it"
Agent C reads:  "Two successes on enrichment — this is a reliable path"

没有消息队列，也没有 Agent 之间的 API，只有环境中的共享痕迹。

🧠 四层记忆

层	用途	寿命
工作记忆	当前任务的临时记录	分钟
情景记忆	发生了什么——事件、结果	小时 → 天
语义记忆	我们知道什么——事实、模式	天 → 永久
程序记忆	如何做事——工作流	永久

🧘 Nidra——自动记忆整合

就像人类睡眠一样，Akasha 的后台引擎会：

清理过时的工作记忆
将重复出现的模式整合为长期知识
自动消散衰减的信号

资源与提示词

资源（只读上下文）

URI	描述
`akasha://health`	集群健康状态
`akasha://memory/layers`	记忆层分布
`akasha://records/{path}`	按路径读取任意记录
`akasha://agents/{agent_id}`	Agent 状态
`akasha://tree`	所有路径的完整树状结构
`akasha://diagnostics`	集群诊断报告

提示词模板

提示词	功能说明
`memory_consolidation`	分析并整合情景记忆，转化为语义知识
`agent_status_report`	全系统 Agent 和集群状态
`system_health_check`	深入诊断集群健康状况
`knowledge_extraction`	提取并整理任意主题的知识

配置

变量	默认值	描述
`AKASHA_URL`	`https://localhost:7777`	Akasha 服务端点
`AKASHA_API_KEY`	（必需）	用于身份验证的 API 密钥
`AKASHA_VERIFY_SSL`	`false`	验证 TLS 证书

开发

# Clone
git clone https://github.com/ocuil/akasha-public
cd akasha-public/mcp-server

# Install in dev mode
pip install -e .

# Interactive MCP inspector
fastmcp dev server.py

# Run with SSE transport
python server.py --transport sse --port 8765

了解更多

基于 FastMCP 构建 · 由 Akasha 提供支持

“为你的 AI 配备持久记忆——跨越对话、跨越 Agent、跨越时间。”

支持 Markdown

登录后评论

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。

阅读入门指南

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。