MCP Titan

TITAN Memory：像你一样记得的AI

将任何人工智能变成跨对话记忆的学习伙伴

](https://www.npmjs.com/package/@henryhawke/mcp-titan)  ](https://nodejs.org/) 

______________________________________________________________________

什么是MCP-TITAN？？

想一想 你 记住事情：

• 💭 短期记忆 -你5秒前听到的
• 📝 长期记忆 -你稍后会想起的重要事实
• 🗄️ 深度存储 -多年前你“只知道”的事情

希望 （分层在线持久编码）是TITAN的第二代，它赋予了AI同样的能力。它不会在每次谈话后忘记一切，而是像人脑一样积累知识。

希望解决的问题

❌ Standard AI (e.g., ChatGPT without plugins):
User: "I'm working on a React project with TypeScript"
AI: *Helps with code*
[Next session]
User: "How do I add a new component to my project?"
AI: "What framework are you using?" ← Forgot everything!

✅ HOPE Memory:
User: "I'm working on a React project with TypeScript"
HOPE: *Stores in long-term memory: React + TypeScript project*
[Next session]
User: "How do I add a new component?"
HOPE: *Recalls context* → "Here's a TypeScript React component for your project..."

______________________________________________________________________

主要特点

🧠 三层存储系统

像你的大脑一样，HOPE有多个记忆层次：

例子：

Conversation: "My dog Max is 3 years old and loves fetch"

HOPE storage:
- Short-term: "User talking about Max right now"
- Long-term: "User has dog named Max, age 3" (promoted after repeated mentions)
- Archive: "User is pet owner" (core fact, rarely changes)

🎯 智能遗忘

并非所有事物都值得被铭记！

• 令人惊讶/新奇的信息 → 存储时间更长
• 重复无聊的东西 → 遗忘得更快
• 重要图案 → 升级为长期储存

这可以防止内存膨胀，并专注于重要的事情。

📈 持续学习 （基于动量）

与训练后冻结的标准AI不同：

Standard AI: Learn once → Deploy → Never changes
HOPE: Learn → Deploy → Keep learning from every interaction

它是如何工作的：

• 看到图案一次→ 小内存跟踪
• 反复看到图案→ 更强的加固
• 矛盾信息→ 逐步更新（非灾难性覆盖）

这叫做 动量学习 -变化发生得很顺利，阻止了人工智能“忘记”重要的事情。

🔗 序列理解 （令牌流）

希望理解 序列，而不仅仅是个人事实：

❌ Standard: Knows "cat", "sat", "mat" as separate words
✅ HOPE: Understands "cat sat on mat" as a pattern

User: "The cat..."
HOPE: *Predicts "sat on mat"* (learned sequence)

📊 基于惊喜的注意力

HOPE关注意外：

Input: "The sky is blue"
HOPE: Low surprise → Process quickly, minimal storage

Input: "The sky is green with purple clouds"
HOPE: High surprise! → Deep processing, strong memory trace

______________________________________________________________________

工作原理（技术概述）

希望建筑

HOPE基于以下前沿研究 嵌套学习 -学习同时发生在多个层面的想法：

┌─────────────────────────────────────┐
│  INPUT: "Help me debug this code"  │
└──────────────┬──────────────────────┘
               │
        ┌──────▼─────────┐
        │  Memory Router  │  ← Decides where to look
        │  (Surprise-based)│
        └──────┬──────────┘
               │
    ┌──────────┼──────────┐
    │          │          │
 ┌──▼─┐    ┌──▼─┐    ┌──▼─┐
 │Short│    │Long│    │Arch│  ← Three memory tiers
 │Term │    │Term│    │ive │
 └──┬─┘    └──┬─┘    └──┬─┘
    │          │          │
    └──────────┼──────────┘
               │
        ┌──────▼─────────┐
        │ Retentive Core  │  ← Processes & integrates
        │ (Sequence Model)│
        └──────┬──────────┘
               │
        ┌──────▼─────────┐
        │  Momentum       │  ← Smooth learning
        │  + Forgetting   │
        └──────┬──────────┘
               │
        ┌──────▼─────────┐
        │  OUTPUT         │
        │  + Memory Update│
        └─────────────────┘

核心机制

1. 连续存储系统（CMS）

- 具有自动升级/降级功能的多层存储 - 记忆根据访问模式和惊喜在层之间移动

1. 基于动量的更新 （摘自研究论文）

   M_t = (1 - α) * M_t + S_t

   Where:
   - M_t = Memory at time t
   - α = Forgetting gate (higher for boring stuff)
   - S_t = Momentum term (accumulated learning)

1. 选择性状态空间过滤器 （曼巴风格）

- 高效的序列处理 - 基于上下文的自适应过滤

1. 稀疏路由

- 并非每次查询都会检查所有内存 - 将查询路由到相关内存层

______________________________________________________________________

安装和设置

需求

• Node.js 22+ （TensorFlow.js优化所需）
• npm或bun包管理器

快速开始

# Install
npm install @henryhawke/mcp-titan

# Or with bun
bun add @henryhawke/mcp-titan

光标配置

添加 ~/.cursor/settings.json:

{
  "mcp": {
    "servers": {
      "hope-memory": {
        "command": "npx",
        "args": ["-y", "@henryhawke/mcp-titan"],
        "workingDirectory": "/path/to/your/memory/storage"
      }
    }
  }
}

Claude桌面配置

1. 打开克劳德桌面设置
2. 添加MCP服务器：

- 姓名： 希望记忆 - 命令： npx - Args： -y @henryhawke/mcp-titan - 工作目录： 存储记忆的位置（默认值： ~/.hope_memory)

首次运行

# Start the HOPE server
npx @henryhawke/mcp-titan

# The server will:
# 1. Create ~/.hope_memory/ directory
# 2. Initialize empty memory banks
# 3. Start listening for MCP tool calls

______________________________________________________________________

操作快速入门

1. 运行服务器： bun run build && bun start （或 npx @henryhawke/mcp-titan)
2. 按顺序初始化工具：

- init_model - init_tokenizer - start_learner

1. 储存和召回：

- 店铺： store_memory { text, type?: episodic|semantic } - 召回： recall { query, topK? } - 蒸馏： distill_memories { memories: number[][] }

1. 在线学习：

- 添加数据： enqueue_samples （一批输入/目标对，可选正/负） - 状态： learner_status - 控制： start_learner, pause_learner, stop_learner

1. 检查点：

- 保存： save_checkpoint { path } - 汽车出口： export_checkpoint → .hope_memory/checkpoints - 导入： import_checkpoint { filename } 或 load_checkpoint { path }

1. 健康：

- health_check --detailed - get_hierarchical_metrics, get_momentum_metrics, get_token_flow_metrics

1. 安全默认值：

- 输入经过消毒并加盖长度；阵列验证；沙盒路径 - URL引导使用超时/大小保护 - 日志经过结构化、轮换和编辑

哑巴开始

1. bun run build && bun start
2. 呼叫 init_model那么 init_tokenizer那么 start_learner
3. store_memory 保存事实； recall 去接他们
4. enqueue_samples 教学；手表 learner_status
5. export_checkpoint 备份； import_checkpoint 恢复
6. 如果卡住： health_check --detailed

向后兼容

• Titan别名仍然被导出（例如。， TitanMemoryModel → HOPE)
• 检查点包括版本+校验和，并在加载时验证维度

______________________________________________________________________

使用示例

基本内存操作

// In your AI chat interface (Claude, Cursor, etc.)

// 1. Initialize memory (first time)
> init_model

// 2. Store some context
> bootstrap_memory text="I'm building a Python web app with FastAPI and PostgreSQL"

// 3. Have conversations - HOPE learns automatically
> help me set up database migrations
[HOPE stores: User uses FastAPI + PostgreSQL]

> how do I add authentication?
[HOPE recalls context: FastAPI project → suggests FastAPI-specific auth]

// 4. Check what's stored
> get_memory_state

// 5. Save for later
> save_checkpoint path="my_project_memory.json"

训练希望

// Explicit training on patterns
> train_step
  x_t: "def hello"
  x_next: "world"

// HOPE learns: "def hello" → "world" pattern

// Later:
> forward_pass input="def hello"
// Predicts: "world" (or similar completion)

在线学习模式

// Start continuous learning
> init_learner

// Feed training samples as you work
> add_training_sample data="function add(a, b) { return a + b; }"

// HOPE learns in background, memory updates automatically

// Check learning progress
> get_learner_stats

______________________________________________________________________

可用的MCP工具

希望曝光 19工具 通过模型上下文协议：

内存管理

• init_model -初始化或重新配置内存系统
• bootstrap_memory -从文本或URL快速加载上下文
• get_memory_state -检查当前内存内容
• memory_stats -获取统计摘要
• prune_memory -清理低价值记忆

学习操作

• forward_pass -查询内存并获取预测
• train_step -从示例对中进行显式学习
• reset_gradients -清晰的训练状态

持久性

• save_checkpoint -将内存保存到文件
• load_checkpoint -从检查点还原

在线学习

• init_learner -启动后台学习服务
• pause_learner / resume_learner -控制学习
• get_learner_stats -监控学习指标
• add_training_sample -输入训练数据

高级指标

• get_token_flow_metrics -序列模式分析
• get_hierarchical_metrics -内存层分布
• health_check -系统健康与性能

公用事业

• help -列出所有可用工具及其说明

看 docs/api/README.md 以获取完整的API参考。

______________________________________________________________________

真实世界用例

1. 个性化代码助手

Day 1: "I'm learning Rust"
HOPE: Stores preference for Rust

Day 5: "Show me how to handle errors"
HOPE: Recalls Rust context → Shows Result pattern
      (Not Python try/catch or JavaScript throw)

2. 项目上下文记忆

Store once: "Working on e-commerce site, React frontend, Django backend, Stripe payments"

Every question after:
- "Add a new product page" → HOPE knows React + Django + ecommerce context
- "How do I refund a payment" → HOPE knows you use Stripe
- "Deploy to production" → HOPE remembers full stack (React + Django)

3. 研究助理

Feed HOPE 50 research papers on neural networks

Query: "What's the consensus on attention mechanisms?"
HOPE:
- Short-term: Current paper's view
- Long-term: Cross-paper patterns identified
- Archive: Fundamental concepts
→ Synthesized answer from all levels

4. 持续学习聊天机器人

Traditional bot:
- User: "No, I meant X not Y"
- Bot: "OK" → Forgets next session

HOPE bot:
- User: "No, I meant X not Y"
- HOPE: Stores correction in long-term memory
- Next session: Remembers correction automatically

______________________________________________________________________

性能和可扩展性

基准测试

prune_memory threshold=0.1

### TypeScript编译错误

当前已知问题（已在v3.1中修复）。尽管有错误，仍要使用：

Skip type checking

npm run build --skipTypeCheck

Or use published version

npx @henryhawke/mcp-titan

### 性能缓慢

// Reduce memory capacity in config

init_model config={

"shortTermSlots": 32, // Default 64 "longTermSlots": 128, // Default 256 "archiveSlots": 256 // Default 512 }

______________________________________________________________________

## 贡献

欢迎投稿！需要帮助的领域：

1. **修复TypeScript错误** -请参阅 `docs/typescript-error-resolution-guide.md`
1. **实施势头更新** -请参阅 `PLAN.md` 第1阶段，任务1.1
1. **文档改进** -让希望更容易实现
1. **测试覆盖率** -当前约60%，目标80%+

### 开发工作流程

1. 分叉回购
1. 创建要素分支： `git checkout -b feature/amazing-feature`
1. 进行更改和测试： `bun test`
1. 承诺： `git commit -m 'Add amazing feature'`
1. 推： `git push origin feature/amazing-feature`
1. 打开拉取请求

看 [贡献.md](CONTRIBUTING.md) 详细指南。

______________________________________________________________________

## 研究与引用

如果你在研究中使用HOPE，请引用：

@article{behrouz2025nested, title={Nested Learning: The Illusion of Deep Learning Architectures}, author={Behrouz, Ali and Razaviyayn, Meisam and Zhong, Peiling and Mirrokni, Vahab}, journal={NeurIPS}, year={2025} }

### 相关工作

- **变压器XL** -长序列的分段重复
- **保留网络** -注意力的有效替代方案
- **曼巴** -选择性状态空间模型
- **测试时间培训（TTT）** -神经网络中的在线学习
- **快速重量编程器** -动态重量更新

______________________________________________________________________

## 许可证

MIT许可证-请参阅 [许可证](LICENSE) 文件

______________________________________________________________________

## 支持与社区

- **问题：** 
- **讨论：** 
- **文档：** [docs/](docs/)
- **电子邮件：** support@henryhawke.dev

______________________________________________________________________

## 常见问题解答

### Q： 这与RAG（检索增强生成）有什么不同？

**A.** RAG获取外部文件；希望建立内部神经记忆。

|特写| RAG|希望|
|---------|-----|------|
|存储|外部向量数据库|内部神经张量|
|学习|不学习（只检索）|有动力的持续学习|
|遗忘|永不忘记（储存所有）|聪明遗忘（修剪低价值）|
|上下文|检索到的文档|学习到的模式|
|速度|较慢（外部查找）|较快（内存中）|

### Q： 希望会取代微调吗？

**A.** 不，是互补的。微调=培训前知识。HOPE=特定会话学习。

Base Model → Fine-tuning → HOPE Learning (General) (Domain) (User-specific)

### Q： HOPE使用了多少内存？

**A.** 典型约500MB，可配置。通过降低层容量来减少。

### Q： HOPE可以在CPU上运行吗？

**A.** 对！使用TensorFlow.js节点后端（CPU）。GPU可选，但不是必需的。

### Q： 我的数据是私有的吗？

**A.** 对。HOPE在本地运行，内存存储在您的磁盘上(`~/.hope_memory`).没有云上传。

______________________________________________________________________

**由...制作❤️ HOPE团队**

*将你的AI变成一个与你一起成长的学习伙伴。*