Memlord

面向个人和团队的可自托管 MCP 记忆服务

快速开始 • 工作原理 • MCP 工具 • 配置 • 系统要求 • 许可证

---

✨ 功能特性

• 🔍 混合搜索 — BM25（全文搜索）+ 向量 KNN（pgvector），通过倒数排名融合进行合并
• 📂 多用户 — 每位用户只能查看自己的记忆；工作区可用于共享团队知识
• 🛠️ 11 个 MCP 工具 — 存储、检索、回忆、列出、按标签搜索、获取、更新、删除、移动、列出工作区、生成梦境报告
• 💤 梦境整理 — 引导式整合流程（dream MCP 提示词 + dream_report 工具）：查找近似重复和相互冲突的记忆，以非破坏方式将它们整合为洞见，由客户端大模型驱动
• 🌐 Web 界面 — 在浏览器中浏览、搜索、编辑和删除记忆；导出/导入 JSON
• 🔒 OAuth 2.1 — 完整的进程内授权服务器，始终启用
• 🐘 PostgreSQL — 使用 pgvector 存储嵌入向量，使用 tsvector 进行全文搜索
• 📊 渐进式披露 — 默认情况下，搜索仅返回精简片段；仅对所需内容调用 get_memory(name)，降低令牌用量
• 🔁 去重 — 保存前自动检测近似相同的记忆，避免噪声累积

---

🆚 Memlord 对比

	Memlord	OpenMemory	mcp-memory-service	basic-memory
搜索	BM25 + 向量 + RRF	仅向量（Qdrant）	BM25 + 向量 + RRF	BM25 + 向量
嵌入	本地 ONNX，无需配置	默认使用 OpenAI；可选 Ollama	本地 ONNX，无需配置	本地 FastEmbed
存储	PostgreSQL + pgvector	PostgreSQL + Qdrant	SQLite-vec / Cloudflare Vectorize	SQLite + Markdown 文件
多用户	✅	❌ 实际上仅支持单用户	⚠️ 按 agent-ID 限定范围，无隔离	❌
工作区	✅ 共享 + 个人，邀请链接	⚠️ “Apps” 命名空间	⚠️ 标签 + conversation_id	✅ 按项目设置标志
身份验证	✅ OAuth 2.1	❌ 无（可自托管）	✅ OAuth 2.0 + PKCE	❌
Web 界面	✅ 浏览、编辑、导出	✅ Next.js 仪表板	✅ 丰富的界面、图可视化、质量评分	❌ 本地；仅限云端
MCP 工具	11	5	15+	~20
可自托管	✅ 单进程	✅ Docker（3 个容器）	✅	✅
记忆输入	手动（显式存储）	由 LLM 自动提取	手动	手动（Markdown 笔记）
记忆类型	事实 / 偏好 / 指令 / 反馈 / 决策 / 洞察	自动提取的事实	—	观察记录 + wiki 链接
时间感知搜索	✅ 自然语言日期	⚠️ 仅限 REST，不支持 MCP 工具	—	✅ recent_activity
Token 效率	✅ 渐进式披露	❌	—	✅ build_context 遍历
导入 / 导出	✅ JSON	✅ ZIP（JSON + JSONL）	—	✅ Markdown（人类可读）
许可证	AGPL-3.0 / 商业	Apache 2.0	Apache 2.0	AGPL-3.0
竞争对手真正占优之处：

• OpenMemory — 可从原始对话文本中自动提取记忆；无需手动决定要存储什么；导入／导出功能良好
• mcp-memory-service — Web UI 更丰富（图谱可视化、质量评分、8 个标签页）；许可证限制更宽松（Apache 2.0）；支持多种传输选项（stdio、SSE、HTTP）
• basic-memory — 记忆以人类可读的 Markdown 文件形式保存，可编辑、进行版本控制，也可在没有任何 服务的情况下阅读；维基式实体链接可构成本地知识图谱；约 20 个 MCP 工具

适合选择 Memlord 的情况：

• 你想要零配置本地嵌入——ONNX 模型随服务一同提供，无需 Ollama 或外部 API
• 你运行的是多用户团队服务，需要完善的 OAuth 2.1 身份验证和基于邀请的工作区
• 你想要生产级数据库（PostgreSQL），以便扩展到单机 SQLite 无法满足的规模
• 你希望明确管理记忆——只存储真正重要的内容，并进行类型划分和标记，而非存储大模型决定提取的所有内容
• 你想要可自托管的 Web UI，具备完整的 CRUD 和 JSON 导出功能，无需订阅云服务

---

🚀 快速入门

🐳 Docker

cp .env.example .env
docker compose up

HTTP 服务（多用户、Web UI、OAuth）

# Install dependencies
uv sync --dev

# Download ONNX model (~23 MB)
uv run python scripts/download_model.py

# Run migrations
alembic upgrade head

# Start the server
memlord

打开 http://localhost:8000 使用 Web UI。MCP 端点位于 /mcp。

---

🔍 工作原理

每个搜索请求都会并行运行 BM25 和向量 KNN，然后通过倒数排名融合合并结果：

flowchart TD
    Q([query]) --> BM25["BM25\nsearch_vector @@ websearch_to_tsquery"]
    Q --> EMB["ONNX embed\nparaphrase-multilingual-MiniLM-L12-v2 · 384d · local"]
    EMB --> KNN["KNN\nembedding <=> query_vector\ncosine distance"]
    BM25 --> RRF["RRF fusion\nscore = 1/(k+rank_bm25) + 1/(k+rank_vec)\nk=60"]
    KNN --> RRF
    RRF --> R([top-N results])

---

⚙️ 配置

所有设置都使用 MEMLORD_ 前缀。完整列表请参阅 .env.example。

变量	默认值	描述
MEMLORD_DB_URL	postgresql+asyncpg://postgres:postgres@localhost/memlord	PostgreSQL 连接 URL
MEMLORD_PORT	8000	服务端口
MEMLORD_BASE_URL	http://localhost:8000	OAuth 公共 URL（HTTP 模式）
MEMLORD_OAUTH_JWT_SECRET	memlord-dev-secret-please-change	JWT 签名密钥（HTTP 模式）

部署前，请将 MEMLORD_BASE_URL 设置为你的公共 URL，并更改 MEMLORD_OAUTH_JWT_SECRET。

---

🛠️ MCP 工具

工具	描述
store_memory	保存一条记忆（按内容幂等）；遇到近似重复内容时会报错；可选设置 expires_at
retrieve_memory	混合语义搜索和全文搜索；默认返回片段
recall_memory	根据自然语言时间表达式搜索；默认返回片段
list_memories	支持按类型和标签筛选的分页列表
search_by_tag	AND/OR 标签搜索
get_memory	按名称获取单条记忆及其完整内容（包括已过期的记忆）
update_memory	按名称更新内容、类型、标签、元数据或到期时间（也可选择重命名）
delete_memory	按名称删除记忆
move_memory	将记忆移至其他工作区
list_workspaces	列出你所属的工作区（包括个人工作区）
dream_report	只读的整合候选项：相似记忆对、已过期和即将过期的记忆

dream MCP 提示词会引导客户端大模型基于 dream_report 输出完成一次完整的整合流程：对相似记忆对进行分类（重复／互补／冲突），合并为 insight 记忆，并通过 expires_at 让已被取代的记忆退役——绝不进行破坏性操作。

工作区管理（创建、邀请、加入、离开）通过 Web UI 进行。

---

💻 系统要求

• Python 3.12
• PostgreSQL ≥ 15，并安装 pgvector 扩展
• uv — Python 包管理器

---

👨‍💻 开发

pyright src/           # type check
ruff format .          # format
pytest                 # run tests
alembic-autogen-check  # verify migrations are up to date

---

📄 许可证

Memlord 使用双重许可：

• AGPL-3.0 — 可免费用于开源项目。如果你将修改后的版本作为网络服务运行，则必须 发布源代码。
• Commercial License — 适用于专有或闭源部署。请联系 [email protected] 或 [email protected] 购买。