Memento MCP:LLM的知识图存储系统
具有语义检索、上下文回忆和时间感知的可扩展、高性能知识图存储系统。提供任何支持模型上下文协议的LLM客户端（例如，Claude Desktop、Cursor、Github Copilot），具有弹性、自适应和持久的长期本体内存。
 ](https://smithery.ai/server/@gannonh/memento-mcp)
核心概念
实体
实体是知识图中的主要节点。每个实体都有：
- 唯一名称（标识符）
- 实体类型（例如，“人”、“组织”、“事件”）
- 观察结果列表
- 向量嵌入（用于语义搜索）
- 完整的版本历史记录
例子：
{
"name": "John_Smith",
"entityType": "person",
"observations": ["Speaks fluent Spanish"]
}关系
关系定义了具有增强属性的实体之间的有向连接：
- 强度指标（0.0-1.0）
- 置信水平（0.0-1.0）
- 丰富的元数据（源、时间戳、标签）
- 具有版本历史的时间感知
- 基于时间的置信度衰减
例子：
{
"from": "John_Smith",
"to": "Anthropic",
"relationType": "works_at",
"strength": 0.9,
"confidence": 0.95,
"metadata": {
"source": "linkedin_profile",
"last_verified": "2025-03-21"
}
}存储后端
Memento MCP使用Neo4j作为其存储后端，为图形存储和矢量搜索功能提供统一的解决方案。
为什么选择Neo4j？
- 统一存储：将图形和矢量存储整合到单个数据库中
- 本机图形操作：专为图遍历和查询而构建
- 集成矢量搜索：直接内置到Neo4j中的嵌入的向量相似性搜索
- 可扩展性：使用大型知识图可获得更好的性能
- 简化架构：采用单一数据库进行所有操作的干净设计
先决条件
- Neo4j 5.13+（矢量搜索功能所需）
Neo4j桌面设置（推荐）
开始使用Neo4j的最简单方法是使用 Neo4j桌面:
- 从下载并安装Neo4j Desktop
- 创建新项目
- 添加新数据库
- 将密码设置为
memento_password（或您的首选密码） - 启动数据库
Neo4j数据库将在以下网址提供：
- 螺栓URI:
bolt://127.0.0.1:7687（用于驾驶员连接） - 超文本传输协议:
http://127.0.0.1:7474（适用于Neo4j浏览器用户界面） - 默认凭据：用户名：
neo4j，密码：memento_password（或您配置的任何内容）
使用Docker安装Neo4j（替代方案）
或者，您可以使用Docker Compose运行Neo4j：
# Start Neo4j container
docker-compose up -d neo4j
# Stop Neo4j container
docker-compose stop neo4j
# Remove Neo4j container (preserves data)
docker-compose rm neo4j使用Docker时，Neo4j数据库将在以下位置可用：
- 螺栓URI:
bolt://127.0.0.1:7687（用于驾驶员连接） - 超文本传输协议:
http://127.0.0.1:7474（适用于Neo4j浏览器用户界面） - 默认凭据：用户名：
neo4j，密码：memento_password
数据持久性和管理
由于容器中的Docker卷配置，Neo4j数据在容器重启甚至版本升级时都会持续存在 docker-compose.yml 文件：
volumes:
- ./neo4j-data:/data
- ./neo4j-logs:/logs
- ./neo4j-import:/import这些映射确保：
/data目录（包含所有数据库文件）保留在您的主机上./neo4j-data/logs目录保留在您的主机上./neo4j-logs/import目录（用于导入数据文件）保留在./neo4j-import
您可以在您的 docker-compose.yml 如果需要，可以将数据存储在不同的位置。
升级Neo4j版本
您可以在不丢失数据的情况下更改Neo4j的版本和版本：
- 在中更新Neo4j映像版本
docker-compose.yml - 使用以下命令重新启动容器
docker-compose down && docker-compose up -d neo4j - 使用重新初始化架构
npm run neo4j:init
只要卷映射保持不变，数据就会在整个过程中持续存在。
完成数据库重置
如果您需要完全重置Neo4j数据库：
# Stop the container
docker-compose stop neo4j
# Remove the container
docker-compose rm -f neo4j
# Delete the data directory contents
rm -rf ./neo4j-data/*
# Restart the container
docker-compose up -d neo4j
# Reinitialize the schema
npm run neo4j:init备份数据
要备份Neo4j数据，只需复制data目录即可：
# Make a backup of the Neo4j data
cp -r ./neo4j-data ./neo4j-data-backup-$(date +%Y%m%d)Neo4j CLI实用程序
Memento MCP包括用于管理Neo4j操作的命令行实用程序：
测试连接
测试与Neo4j数据库的连接：
# Test with default settings
npm run neo4j:test
# Test with custom settings
npm run neo4j:test -- --uri bolt://127.0.0.1:7687 --username myuser --password mypass --database neo4j正在初始化架构
对于正常操作，当Memento MCP连接到数据库时，Neo4j模式初始化会自动发生。您不需要为常规使用运行任何手动命令。
以下命令仅在开发、测试或高级自定义场景中是必需的：
# Initialize with default settings (only needed for development or troubleshooting)
npm run neo4j:init
# Initialize with custom vector dimensions
npm run neo4j:init -- --dimensions 768 --similarity euclidean
# Force recreation of all constraints and indexes
npm run neo4j:init -- --recreate
# Combine multiple options
npm run neo4j:init -- --vector-index custom_index --dimensions 384 --recreate高级功能
语义搜索
根据含义而不仅仅是关键字查找语义相关的实体：
- 矢量嵌入：实体使用OpenAI的嵌入模型自动编码到高维向量空间中
- 相似度：即使使用不同的术语，也要找到相关的概念
- 可配置阈值：设置最小相似性分数以控制结果相关性
- 跨模态搜索：使用文本查询以查找相关实体，无论它们是如何描述的
- 多模型支持：兼容多种嵌入模型（OpenAI text-embedding-3-small/large）
- 上下文检索：根据语义含义而不是精确的关键字匹配检索信息
- 优化默认值：调整参数以平衡精确度和召回率（0.6相似性阈值，启用混合搜索）
- 混合搜索：结合语义和关键字搜索，获得更全面的结果
- 自适应搜索：系统根据查询特征和可用数据在仅矢量、仅关键字或混合搜索之间进行智能选择
- 性能优化：优先考虑向量搜索以实现语义理解，同时保持弹性回退机制
- 查询感知处理：根据查询复杂性和可用实体嵌入调整搜索策略
时间意识
通过时间点图检索跟踪实体和关系的完整历史：
- 完整版本历史记录：对实体或关系的每次更改都会保留时间戳
- 时间点查询：检索过去任何时刻知识图的确切状态
- 更改跟踪：自动记录createdAt、updatedAt、validFrom和validTo时间戳
- 时间一致性：保持对知识如何演变的历史准确看法
- 非破坏性更新：更新会创建新版本，而不是覆盖现有数据
- 基于时间的过滤：根据时间标准过滤图形元素
- 历史探索：调查具体信息如何随时间变化
信心衰退
根据可配置的半衰期，关系的置信度会随时间自动衰减：
- 基于时间的衰退：对两国关系的信心如果不加强，也会随着时间的推移而自然下降
- 可配置的半衰期：定义信息变得不那么确定的速度（默认值：30天）
- 最低置信下限：设定阈值，防止重要信息过度衰减
- 腐烂元数据：每个关系都包括详细的衰变计算信息
- 无损检测：原始置信度值与衰减值一起保留
- 强化学习：当新的观察结果加强时，关系会重新获得信心
- 参考时间灵活性：根据历史分析的任意参考时间计算衰变
高级元数据
为实体和与自定义字段的关系提供丰富的元数据支持：
- 来源追踪：记录信息来源（用户输入、分析、外部来源）
- 置信水平：根据确定性为关系分配置信度分数（0.0-1.0）
- 关系强度：指出关系的重要性或强度（0.0-1.0）
- 时态元数据：跟踪信息的添加、修改或验证时间
- 自定义标记：添加任意标签进行分类和过滤
- 结构化数据：在元数据字段中存储复杂的结构化数据
- 查询支持：基于元数据属性进行搜索和筛选
- 可扩展架构：根据需要添加自定义字段，而无需修改核心数据模型
MCP API工具
LLM客户端主机可以通过模型上下文协议使用以下工具：
实体管理
- create_entities
- 在知识图中创建多个新实体 - 输入： entities （对象数组） - 每个对象包含： - name （string）：实体标识符 - entityType （string）：类型分类 - observations （string\[\]）：相关观测值
- 添加观察结果
- 向现有实体添加新的观察结果 - 输入： observations （对象数组） - 每个对象包含： - entityName （string）：目标实体 - contents （string\[\]）：要添加的新观测值
- 删除内容
- 删除实体及其关系 - 输入： entityNames （字符串\[\]）
- 删除观察
- 从实体中删除特定观察结果 - 输入： deletions （对象数组） - 每个对象包含： - entityName （string）：目标实体 - observations （string\[\]）：要删除的观察值
关系管理
- 创建关系
- 在具有增强属性的实体之间创建多个新关系 - 输入： relations （对象数组） - 每个对象包含： - from （string）：源实体名称 - to （string）：目标实体名称 - relationType （string）：关系类型 - strength （数字，可选）：关系强度（0.0-1.0） - confidence （数字，可选）：置信水平（0.0-1.0） - metadata （对象，可选）：自定义元数据字段
- 获取相关信息
- 获取与其增强属性的特定关系 - 输入： - from （string）：源实体名称 - to （string）：目标实体名称 - relationType （string）：关系类型
- update_relation
- 使用增强的属性更新现有关系 - 输入： relation （对象）： - 包含： - from （string）：源实体名称 - to （string）：目标实体名称 - relationType （string）：关系类型 - strength （数字，可选）：关系强度（0.0-1.0） - confidence （数字，可选）：置信水平（0.0-1.0） - metadata （对象，可选）：自定义元数据字段
- 删除关系
- 从图中删除特定关系 - 输入： relations （对象数组） - 每个对象包含： - from （string）：源实体名称 - to （string）：目标实体名称 - relationType （string）：关系类型
图的运算
- read_graph
- 阅读整个知识图谱 - 无需输入
- 搜索节点
- 基于查询搜索节点 - 输入： query （字符串）
- open_nodes
- 按名称检索特定节点 - 输入： names （字符串\[\]）
语义搜索
- 语义研究
- 使用向量嵌入和相似性在语义上搜索实体 - 输入： - query （string）：用于语义搜索的文本查询 - limit （数字，可选）：返回的最大结果数（默认值：10） - min_similarity （数字，可选）：最小相似性阈值（0.0-1.0，默认值：0.6） - entity_types （string\[\]，可选）：按实体类型筛选结果 - hybrid_search （布尔值，可选）：结合关键字和语义搜索（默认值：true） - semantic_weight （数字，可选）：混合搜索中语义结果的权重（0.0-1.0，默认值：0.6） - 特征： - 根据查询上下文智能选择最佳搜索方法（向量、关键字或混合） - 通过回退机制优雅地处理没有语义匹配的查询 - 通过自动优化决策保持高性能
- get_entity_embedded
- 获取特定实体的向量嵌入 - 输入： - entity_name （string）：要获取嵌入的实体的名称
时间特征
- get_entity_history
- 获取实体的完整版本历史记录 - 输入： entityName （字符串）
- get_relation_history
- 获取关系的完整版本历史记录 - 输入： - from （string）：源实体名称 - to （string）：目标实体名称 - relationType （string）：关系类型
- get_graph_at_time
- 获取特定时间戳处的图形状态 - 输入： timestamp （number）：Unix时间戳（自纪元以来的毫秒数）
- get_decayed_graph
- 获取具有时间衰减置信度值的图 - 输入： options （对象，可选）： - reference_time （number）：衰变计算的参考时间戳（自纪元以来的毫秒数） - decay_factor （数字）：可选衰减因子覆盖
配置
环境变量
使用以下环境变量配置Memento MCP：
# Neo4j Connection Settings
NEO4J_URI=bolt://127.0.0.1:7687
NEO4J_USERNAME=neo4j
NEO4J_PASSWORD=memento_password
NEO4J_DATABASE=neo4j
# Vector Search Configuration
NEO4J_VECTOR_INDEX=entity_embeddings
NEO4J_VECTOR_DIMENSIONS=1536
NEO4J_SIMILARITY_FUNCTION=cosine
# Embedding Service Configuration
MEMORY_STORAGE_TYPE=neo4j
OPENAI_API_KEY=your-openai-api-key
OPENAI_EMBEDDING_MODEL=text-embedding-3-small
# Debug Settings
DEBUG=true命令行选项
Neo4j CLI工具支持以下选项：
--uri Neo4j server URI (default: bolt://127.0.0.1:7687)
--username Neo4j username (default: neo4j)
--password
Neo4j password (default: memento_password)
--database Neo4j database name (default: neo4j)
--vector-index Vector index name (default: entity_embeddings)
--dimensions Vector dimensions (default: 1536)
--similarity Similarity function (cosine|euclidean) (default: cosine)
--recreate Force recreation of constraints and indexes
--no-debug Disable detailed output (debug is ON by default)嵌入模型
可用的OpenAI嵌入模型：
text-embedding-3-small：高效、成本效益高（1536个维度）text-embedding-3-large：精度更高，价格更贵（3072尺寸）text-embedding-ada-002：传统模型（1536个维度）
OpenAI API配置
要使用语义搜索，您需要配置OpenAI API凭据：
- 从获取API密钥 OpenAI
- 使用以下配置您的环境：
# OpenAI API Key for embeddings
OPENAI_API_KEY=your-openai-api-key
# Default embedding model
OPENAI_EMBEDDING_MODEL=text-embedding-3-small备注：对于测试环境，如果没有提供API密钥，系统将模拟嵌入生成。然而，建议使用真实的嵌入进行集成测试。
与Claude Desktop集成
配置
将此添加到您的 claude_desktop_config.json:
{
"mcpServers": {
"memento": {
"command": "npx",
"args": ["-y", "@gannonh/memento-mcp"],
"env": {
"MEMORY_STORAGE_TYPE": "neo4j",
"NEO4J_URI": "bolt://127.0.0.1:7687",
"NEO4J_USERNAME": "neo4j",
"NEO4J_PASSWORD": "memento_password",
"NEO4J_DATABASE": "neo4j",
"NEO4J_VECTOR_INDEX": "entity_embeddings",
"NEO4J_VECTOR_DIMENSIONS": "1536",
"NEO4J_SIMILARITY_FUNCTION": "cosine",
"OPENAI_API_KEY": "your-openai-api-key",
"OPENAI_EMBEDDING_MODEL": "text-embedding-3-small",
"DEBUG": "true"
}
}
}
}或者，对于本地开发，您可以使用：
{
"mcpServers": {
"memento": {
"command": "/path/to/node",
"args": ["/path/to/memento-mcp/dist/index.js"],
"env": {
"MEMORY_STORAGE_TYPE": "neo4j",
"NEO4J_URI": "bolt://127.0.0.1:7687",
"NEO4J_USERNAME": "neo4j",
"NEO4J_PASSWORD": "memento_password",
"NEO4J_DATABASE": "neo4j",
"NEO4J_VECTOR_INDEX": "entity_embeddings",
"NEO4J_VECTOR_DIMENSIONS": "1536",
"NEO4J_SIMILARITY_FUNCTION": "cosine",
"OPENAI_API_KEY": "your-openai-api-key",
"OPENAI_EMBEDDING_MODEL": "text-embedding-3-small",
"DEBUG": "true"
}
}
}
}重要：始终在Claude Desktop配置中明确指定嵌入模型，以确保行为一致。
推荐系统提示
为了与Claude实现最佳集成，请在系统提示中添加以下语句：
You have access to the Memento MCP knowledge graph memory system, which provides you with persistent memory capabilities.
Your memory tools are provided by Memento MCP, a sophisticated knowledge graph implementation.
When asked about past conversations or user information, always check the Memento MCP knowledge graph first.
You should use semantic_search to find relevant information in your memory when answering questions.测试语义搜索
配置后，Claude可以通过自然语言访问语义搜索功能：
- 要创建具有语义嵌入的实体，请执行以下操作：
User: "Remember that Python is a high-level programming language known for its readability and JavaScript is primarily used for web development."- 要进行语义搜索，请执行以下操作：
User: "What programming languages do you know about that are good for web development?"- 要检索特定信息，请执行以下操作：
User: "Tell me everything you know about Python."这种方法的强大之处在于用户可以自然地进行交互，而LLM可以处理选择和使用适当内存工具的复杂性。
实际应用
Memento的自适应搜索功能提供了实际好处：
- 查询多功能性：用户不必担心如何表达问题——系统会自动适应不同的查询类型
- 故障恢复能力：即使语义匹配不可用，系统也可以在没有用户干预的情况下回退到其他方法
- 性能效率：通过智能选择最佳搜索方法，系统可以平衡每个查询的性能和相关性
- 改进的上下文检索：LLM对话受益于更好的上下文检索，因为系统可以在复杂的知识图中找到相关信息
例如，当用户问“你对机器学习了解多少？”时，系统可以检索概念上相关的实体，即使它们没有明确提到“机器学习”——也许是关于神经网络、数据科学或特定算法的实体。但是，如果语义搜索产生的结果不足，系统会自动调整其方法，以确保仍然返回有用的信息。
故障排除
矢量搜索诊断
Memento MCP包括内置的诊断功能，可帮助解决矢量搜索问题：
- 嵌入验证：系统检查实体是否具有有效的嵌入，如果缺少，则自动生成嵌入
- 矢量索引状态：验证向量索引是否存在并且处于联机状态
- 后备搜索：如果矢量搜索失败，系统将回退到基于文本的搜索
- 详细日志记录：全面记录矢量搜索操作以进行故障排除
调试工具（当Debug=true时）
启用调试模式后，其他诊断工具可用：
- 诊断向量搜索：有关Neo4j向量索引、嵌入计数和搜索功能的信息
- 强制生成嵌入：强制为特定实体生成嵌入
- debug_embedding_config：有关当前嵌入服务配置的信息
开发者重置
要在开发过程中完全重置Neo4j数据库：
# Stop the container (if using Docker)
docker-compose stop neo4j
# Remove the container (if using Docker)
docker-compose rm -f neo4j
# Delete the data directory (if using Docker)
rm -rf ./neo4j-data/*
# For Neo4j Desktop, right-click your database and select "Drop database"
# Restart the database
# For Docker:
docker-compose up -d neo4j
# For Neo4j Desktop:
# Click the "Start" button for your database
# Reinitialize the schema
npm run neo4j:init建设与发展
# Clone the repository
git clone https://github.com/gannonh/memento-mcp.git
cd memento-mcp
# Install dependencies
npm install
# Build the project
npm run build
# Run tests
npm test
# Check test coverage
npm run test:coverage安装
通过Smithery安装
通过以下方式自动安装Claude Desktop的memento mcp 史密瑟里:
npx -y @smithery/cli install @gannonh/memento-mcp --client claude使用npx进行全局安装
您可以直接使用npx运行Memento MCP，而无需全局安装：
npx -y @gannonh/memento-mcp建议将此方法用于Claude Desktop和其他MCP兼容客户端。
本地安装
为了开发或为项目做出贡献：
# Install locally
npm install @gannonh/memento-mcp
# Or clone the repository
git clone https://github.com/gannonh/memento-mcp.git
cd memento-mcp
npm install许可证
麻省理工学院
