Unified Memory
БесплатноНе проверенMCP memory server: SQLite slot-facts + lossless log, FTS/vectors/graph recall, typed links, atomic batch.
Описание
MCP memory server: SQLite slot-facts + lossless log, FTS/vectors/graph recall, typed links, atomic batch.
README
Один MCP-сервер вместо двух: хранение + поиск + сжатие информации для любого MCP-клиента (Hermes Agent, Claude Code, ...).
Собрано из уроков двух боевых систем:
- hermes-lcm — lossless context management (message store, summary DAG, bounded recall)
- mnemosyne — long-term memory (canonical facts, working/episodic memory, triples-граф)
Обе MIT — attribution в NOTICE. Здесь не форк: ядро написано с нуля по их картам
(docs/MODULE_MAP.md, docs/TOOL_MAP.md), без перетаскивания 108k строк.
Установка
git clone https://github.com/sportlotto-ux/unified-memory-mcp
cd unified-memory-mcp
pip install -e . # база: FTS-поиск + extractive-сжатие, всё из коробки
pip install -e .[local-embed] # + семантика: локальный fastembed, CPU, без облаков
pip install -e .[tokens] # рекомендуется: точный tiktoken/cl100k для бюджета и компакшна
Токен-оценщик общий для компакшна и
mem_assemble. Без.[tokens]работает детерминированная RU-aware эвристика — пороги компакшна она держит, но на смешанном RU/EN/коде погрешность накапливается иначе, чем на однородном тексте; для жёсткого бюджетного счёта ставьте.[tokens].
Требования: Python 3.11+, SQLite из коробки, MCP Python SDK 2.x
(mcp>=2.0,<3). Опционально для настоящего пересказа:
export UM_SUMMARIZER_URL=http://localhost:11434/v1 # OpenAI-совместимый endpoint (ollama и др.)
export UM_SUMMARIZER_MODEL=qwen3:4b # дешёвая локальная модель, НЕ фронтирная (см. «Стоимость»)
Стоимость суммаризации (прочти до включения endpoint)
Кто суммирует — решаете вы, не агент:
- По умолчанию — никто (0 ₽). Extractive-конденсация: офлайн, детерминирована, без LLM вообще. Конденсат, не пересказ — но бесплатный.
- С
UM_SUMMARIZER_*— ваша endpoint-модель. Сервер сам шлёт ей текст на каждом триггере давления: 1 вызов на leaf-summary + до 10 condense-проходов (condenseограничен, но при маленьком окне каждый чих = пачка вызовов).
Правила, чтобы не сжечь бюджет:
- Endpoint = дешёвая локальная модель (
qwen3:4b,ministral, аналоги через ollama). Никогда не направляйте сюда фронтирную чат-модель: авто-компакшн срабатывает регулярно, и дорогой токен × регулярность = резкий рост счёта. - Прикиньте математику: в триггере вход ≈ токены сжимаемого хвоста
(кап POST — 12k символов). Частота триггеров ≈ 1 на
порог − хвостновых токенов. Пример: окно 200k × 0.35 = 70k, в триггере ~50k символов входа на 4b-модели локально = 0 ₽; те же 50k на платной флагманской = дорого × десятки раз в день. - Держите окно реалистичным. Тестовые
UM_CONTEXT_TOKENS=400— только для тестов: в проде крошечный порог = компакшн на каждом сообщении = пачка LLM-вызовов. - Для Hermes-юзеров: тот же принцип у LCM — auxiliary-модель для саммаризации должна быть дешёвой; дорогая модель — только в чат, не в инфраструктуру.
- Сломанный/медленный endpoint не роняет запись (
status: degraded), но висящие ретраи — ваши: держитеtimeoutendpoint низким на своей стороне.
Подключение
{
"mcpServers": {
"unified-memory": {
"command": "python",
"args": ["-m", "unified_memory.server"],
"cwd": "/path/to/unified-memory-mcp",
"env": { "UM_DATABASE_PATH": "~/.hermes/unified_memory.db" }
}
}
}
Тулы (26)
| Тул | Что делает |
|---|---|
mem_remember |
Сохранить сообщение; авто-компакшн при превышении порога давления |
mem_fact |
Слот-факт (одно живое значение на owner/category/name) + опциональный триплет графа; category=working поддерживает opt-in ttl_s; то же тело — no-op, новое — supersede с историей |
mem_annotate |
Пометка поверх ref (fact:3/message:12/summary:2/edge:5, kind ∈ useful/disputed/correction/note); цель обязана существовать и принадлежать owner; повтор — no-op с тем же id; metadata-only, recall не меняет |
mem_validate |
Read-only collation проверки одного ref: cite (если передан claim) + conflicts (цель + прямые соседи по живым supports/contradicts) + живые supports/contradicts-связи + пометки; вердикта нет, needs_judgment: true всегда |
mem_task |
Прогресс задач поверх слот-фактов category="task": create (имя+тело → open) \ |
mem_persona |
Профиль агента поверх слотов category="persona": set (трейт+тело → created/superseded/noop) \ |
mem_extract |
Preview триплетов для одного ref ({subject, predicate, object}, cap 20, поля cap 200); записи нет — подтверждение через mem_fact/mem_link; требует UM_SUMMARIZER_URL/MODEL, без них явная ошибка без сети |
mem_bank_share / mem_bank_unshare |
Шаринг банков фактов (P2.7): грант read-only на (bank_owner, bank) для grantee; повтор — no-op; дефолтный банк расшарить нельзя; отзыв данные не трогает |
mem_link |
Типизированная связь (src/dst как fact:3/message:12, rel ∈ supports/contradicts/supersedes/derives_from). Оба конца обязаны существовать и принадлежать owner; повтор живой связи — no-op с тем же id |
mem_graph_query |
Bounded graph traversal: exact subject/predicate/object для entity edges, rel/min_weight для typed links, as_of, max_hops, owner/session/liveness isolation; deterministic edges/links result |
mem_batch |
Атомарный батч записей (all-or-nothing): ops remember_fact | update (fact/edge/link) | forget (fact/edge/link). dry_run=true — валидация с откатом. Без кросс-ссылок; каждый op в savepoint; текст идёт через redaction-гейт |
mem_update |
Правка факта по id (новая версия, history живёт) или истечение/reopen факта/ребра/связи (valid_until) |
mem_recall |
Единый поиск: FTS + вектора + граф + RRF. scope: all/session/facts; as_of — срез графа на дату; include_expired — история; source — фильтр сообщений по source (facts/summaries/graph исключаются); include_archived=true — добавить bounded lexical search по cold archive (owner/session/source сохраняются, default hot-only); bounded importance component включается через UM_IMPORTANCE_WEIGHT (default 0, legacy ranking); hops>1 — BFS-обход типизированных связей и entity-графа, rel фильтрует связи (supports/contradicts/supersedes/derives_from; на рёбрах — predicate). diagnostics=true → {hits, diagnostics} (per-arm counts/вклад/timings/BFS/importance/effective), false — прежний список. Per-call P2.8: importance_weight/mmr_lambda/scope_bias поверх конфига (None = конфиг) |
mem_recent |
Temporal: что было в UTC-окне (today/yesterday/week/month/Nd/date:/last Nh); пагинация старых страниц через before_ts+before_id+before_kind из next (kind — тайбрейкер тия между messages/summaries) |
mem_expand |
Дословно по kind+id, единая схема {kind,id,body} |
mem_get |
Точечное чтение message/fact/summary/edge: body, metadata, vector status и прямые links |
mem_inspect |
Read-only диагностика store/session: integrity, hygiene, archive audit, pressure, frontier и summary DAG |
mem_load_session |
Cursor-paginated transcript recovery; live bodies или archive refs для cold rows |
mem_evidence |
Проверка опоры на refs: cite (дословно/почти → supported/partial/unsupported), compute (агрегация чисел над refs: count/sum/min/max/avg/median; pattern ≤256 символов, timeout 50ms), conflicts (кандидаты противоречий без вердикта, needs_judgment), pack (P2.9: per-ref cite/links/annotations + глобальные conflicts одним вызовом, без вердикта). Без LLM, только переданные refs |
mem_reindex |
Доложит недостающие вектора; полная смена embedding-модели — offline python -m unified_memory.reembed |
mem_compact |
Ручное сжатие старых сообщений (сырьё остаётся) |
mem_assemble |
Bounded активный контекст: summaries + свежий хвост в бюджет токенов; include_working=true добавляет ограниченный working-срез (по умолчанию legacy-поведение) |
mem_forget |
Удаление по kind: fact/edge/link (id) или entity (имя), каскадом |
mem_status |
Счётчики + флаги деградации (vectors_enabled, summarizer, fts) |
mem_doctor |
integrity_check, вектора по моделям, hygiene; read-only export (JSON-дамп в <db>.export-<ts>.json, вектора base64, архив не входит), archive_check (заглушки ↔ архив, orphans), secret_scan (каталог redaction, отчёт без значений); мутации clean/repair (backup-first), archive/purge/retention (только с apply=true; retention — age-based вынос горячего старше UM_RETENTION_DAYS) |
Миграция P1.6
LCM snapshot importer работает через read-only SQLite URI и по умолчанию только строит reconciliation report:
python -m unified_memory.migration --format lcm --input /path/to/lcm.db
# explicit atomic apply
python -m unified_memory.migration --format lcm --input /path/to/lcm.db --apply
Raw messages переносятся в порядке store_id; conversation_id, source ordering
и redaction-gated tool metadata сохраняются. LCM summary_nodes по умолчанию
не копируются — summaries пересчитываются Unified. Для явного сохранения source
summaries добавьте --summary-strategy preserve --apply. Отчёт не содержит source
content или tool payload.
Mnemosyne adapter импортирует canonical facts/history, triples и graph_edges,
а working_memory/episodic_memory по умолчанию пропускает:
python -m unified_memory.migration \
--format mnemosyne --input /path/to/mnemosyne.db \
--owner-map '{"bank-a":"tenant-a"}' --default-owner tenant-a
Для явно выбранной message policy:
python -m unified_memory.migration \
--format mnemosyne --input mnemosyne.db --apply \
--working-policy message --episodic-policy message --memory-policy message
Derived/unsupported tables остаются в skipped_fields; source content и payloads
не попадают в отчёт.
Как это работает
- Хранение: одна SQLite (WAL):
um_messages+um_summaries(DAG) +um_facts+um_entities/um_edges(граф) +um_links(типизированные связи, traversal-only) +um_vectors+um_fts(FTS5) +um_meta. - Эмбеддинги: два бэкенда.
local(дефолт репо) — fastembed, модельparaphrase-multilingual-mpnet-base-v2(768, не дистиллят); для лёгких стендов MiniLM-L12 черезUM_EMBEDDING_MODEL.openai— OpenAI-протокол/v1/embeddingsповерх stdlib (ноль зависимостей): так подключается локальный model2vec-сервер Hermes (UM_EMBEDDING_BASE_URL, дефолтhttp://127.0.0.1:8127, potion = 256 dim, авто-детект). Держи сервер uncapped — static-модели молча режут после 512 токенов при выставленномEMBED_MAX_TOKENS. Основная запись и embedding атомарны; смена model/dim отвергается до запускаpython -m unified_memory.reembed, который безопасно переэмбедит все строки и обновит stamp. - Поиск: FTS5 (fallback LIKE с тем же session-scope) + cosine по векторам + RRF, поверх — recency-приор (
UM_RECENCY_HALFLIFE_DAYS, дефолт 30, 0=off), scope-bias текущей сессии (UM_SCOPE_BIAS, дефолт 0.15), bounded importance multiplier для facts (UM_IMPORTANCE_WEIGHT, дефолт0= legacy ranking) и MMR-диверсификация по Жаккару (UM_MMR_LAMBDA, дефолт 0.7, 1=off).mem_recall(include_archived=true)добавляет отдельный bounded lexical scan холодного архива; owner/session/source фильтры применяются до scan cap, а exact body остаётся заmem_expand. BFSscope="session"не выходит через link в узел другой сессии. Приpip install -e .[local-vec]+mem_reindex— vec0-индекс (KNN-кандидаты + точный косинусный перескоринг, паритет с brute force пробами); без индекса — честный фулскан. Без fastembed — честный FTS-режим,mem_statusтак и скажет (vectors_enabled: false), молчаливого «вроде ищет» нет. - Сжатие: давление = токены сессии vs
UM_CONTEXT_TOKENS × UM_COMPACT_THRESHOLD(дефолт 200k × 0.35, как LCM). Токены: приpip install -e .[tokens]— точный tiktoken/cl100k, иначе детерминированная RU-aware эвристика (ASCII/4 + не-ASCII/2; голыйlen//4занижал кириллицу ~2.3x). Накрыло → старые (всё кромеUM_FRESH_TAIL_COUNTсвежих) в summary depth 0; каждыеUM_DAG_FANINнод уровня схлопываются в уровень выше. Frontier, leaf summary и condense-проходы пишутся одной транзакцией.mem_assembleсобирает bounded контекст под бюджет тем же оценщиком. - Защита от старых болячек: нет жёсткого
importance: 0.95(причина canonical-bloat в mnemosyne) — кап0..1; смена embedding-модели блокирует обычный сервер, а offlinereembedзаменяет все vectors атомарно;mem_evidence(pattern=...)ограничен по длине и времени выполнения. - Redaction: гейт на входе (
UM_REDACT_ENABLED, дефолт ON): 4 LCM-имени (api_key,bearer_token,password_assignment,private_key) плюс два высокоточных своих —token_prefix(провайдерские ключи по префиксу:sk-,ghp_,AKIA,AIza,hf_,xoxb-, …) иjwt. Они появились после замера 18.10.2026:OPENAI_API_KEY=sk-…переживал гейт, потому что все LCM-шаблоны требуют ключевого слова рядом. Опциональныеlong_hex/long_base64выключены по умолчанию — дают ложные срабатывания на docker sha256 и хэшах сборок. Режется до SQLite/FTS/vectors/summaries, включаяmem_update; плейсхолдер[UM redaction: name=...; chars=N]необратим. Forward-only: что попало в стор раньше — чистить руками + reindex. - Retention/архив (lossless-холод):
UM_RETENTION_DAYS= сколько держать ГОРЯЧЕЕ (recall быстрый, БД маленькая), а не срок жизни данных.0(дефолт) = копим всё в горячей вечно.>0→ раз в неделю (ленивый проход) горячее старше N дней уезжает в архив. Архив — отдельный файл, lossless, живёт вечно; автоудаления нет — физическоеpurgeтолько вручную (mem_doctor(mode=purge, apply=true)). При пороге размера (UM_ARCHIVE_SIZE_MB, дефолт 1 ГБ) старейшее добивается до порога. В архив уезжают текст и вектор (вариант a2 — так порог реально держится), в горячей остаётся заглушка[archived],mem_expandпрозрачно достаёт текст из архива. Холодный recall включается только явнымmem_recall(include_archived=true), использует bounded scan сUM_ARCHIVE_RECALL_SCAN_LIMITи не создаёт архив при чтении. Ручнойpurgeрежет архив по тому жеUM_RETENTION_DAYS— то есть вычищает ровно строки старше N (приretention_days>0это почти весь холод, осознанно); приretention_days=0purge— no-op. - Факты = слоты (
mem_fact), сообщения = лог (mem_remember). Один живой факт на(owner, category, name)— гарантирует partial unique index, не код. Новое тело вытесняет старое (valid_until,superseded_by), история lossless;valid_until=0= живое (sentinel).mem_recall/mem_expandпрячут истёкшее (include_expired=True— аудит).category=workingможет получитьUM_WORKING_TTL_S: deadline проставляется при записи, vector удаляется существующей expire-веткой, FTS остаётся для истории. Lazy expiry срабатывает на recall/assemble, без daemon;mem_assemble(include_working=true)добавляет bounded working-срез. Working slot-facts не имеют отдельногоsession_id(новые таблицы запрещены), поэтому срез ограничен owner-уровнем;session_idпо-прежнему применяется к message/summary/edge scopes.mem_forget— жёсткое удаление, истечение — толькоmem_update. - Проверка и арифметика (
mem_evidence). Детерминированно, без LLM, только над переданнымиrefs(никакого авто-поиска — иначе инструмент превращается в мини-агента с его fallback-багами).cite: дословное/почти-дословное вхождение claim в тело ref →supported/partial/unsupported(RU-морфология через дешёвый prefix-stem).compute: агрегация чисел из тел тех же refs (count/sum/min/max/avg/median); интент парсит хост-агент.conflicts: высокоточные кандидаты противоречий (смена значения в слоте, точная негация) без вердикта — судью делает LLM-хост, тул не шумит.pack(P2.9): тот же состав, чтоmem_validate, но для N refs сразу (per-ref cite/links/annotations + один глобальный conflicts) — закрывает LCMcompile_evidence/evidence_packбез автопоиска.
Переменные окружения
| Переменная | Дефолт | Назначение |
|---|---|---|
UM_DATABASE_PATH |
~/.hermes/unified_memory.db |
Путь к БД |
HERMES_HOME |
~/.hermes |
База для дефолтных путей (~/.hermes/*) |
UM_EMBEDDING_MODEL |
paraphrase-multilingual-mpnet-base-v2 (768) |
local: модель fastembed строго из реестра; openai: passthrough-имя |
UM_EMBEDDING_BACKEND |
local |
local (fastembed) | openai (8127/любой OpenAI-совместимый) |
UM_EMBEDDING_BASE_URL |
http://127.0.0.1:8127 |
База для backend=openai |
UM_EMBEDDING_TIMEOUT |
30.0 |
Таймаут HTTP, сек |
UM_EMBEDDING_DIM |
— | Пропустить probe dim (openai), полезно оффлайн |
UM_VEC_INDEX |
auto |
auto (строить в reindex, KNN при совпадении dim) | off (всегда brute force) |
UM_RETENTION_DAYS |
0 |
0 = копим вечно. >0 = горячее старше N дней уезжает в архив раз в неделю (lossless; удаление — только вручную purge) |
UM_ARCHIVE_SIZE_MB |
1024 |
Порог горячей БД: старейшие сообщения уезжают в архив |
UM_ARCHIVE_PATH |
~/.hermes/unified_memory.archive.db |
Отдельный файл холода |
UM_ARCHIVE_BATCH |
500 |
Сколько сообщений за один проход архивации |
UM_ARCHIVE_RECALL_SCAN_LIMIT |
2000 |
Максимум cold-сообщений, просматриваемых bounded archive recall |
UM_EVIDENCE_MAX_REFS |
50 |
mem_evidence: максимум refs за вызов (лишние — в rejections) |
UM_EVIDENCE_MAX_CHARS |
8000 |
mem_evidence: сколько символов тела брать из каждого ref |
UM_EVIDENCE_PARTIAL |
0.5 |
mem_evidence(cite): порог покрытия токенов для partial |
UM_RECALL_MAX_HOPS |
3 |
mem_recall(hops): потолок BFS-обхода связей (выше — ошибка) |
UM_LINK_FANOUT |
20 |
mem_recall(hops>1): максимум связей с узла на направление |
UM_GRAPH_DECAY |
0.5 |
mem_recall(hops>1): множитель score на глубину (depth-1) |
UM_IMPORTANCE_WEIGHT |
0.0 |
Bounded ranking component для facts; 0 сохраняет legacy ranking |
UM_RECALL_ARM_LIMIT |
10 |
Ширина плеч recall (FTS/вектора/граф), независимая от limit; больше — шум получает второй голос в RRF и вытесняет точные попадания |
UM_EDGE_WEIGHT |
0.5 |
Вес ребра в RRF-слиянии: <1 не пускает связи-«наводки» вперёд фактов и сообщений (1 = legacy). Связи ищутся mem_graph_query |
UM_MESSAGE_WEIGHT |
0.5 |
Вес сообщения в RRF-слиянии: <1 не пускает стенограммы вперёд фактов (1 = legacy) |
UM_RERANK |
off |
jev = судейство пар (вопрос, кандидат) поверх широкого пула. Замер 18.10.2026: scope=facts hit@1 68% → 95%, scope=all 79% → 95%, а на вопросах без ответа в памяти выдача пустая. Ходит в сеть (документы уходят наружу после редакции); ошибка = громкий fail-open в порядок RRF |
UM_RERANK_THRESHOLD |
0.5 |
Порог релевантности; ниже — кандидат отсекается. Если не прошёл никто, выдача пустая: «памяти не хватает» честнее третьестепенного попадания |
UM_RERANK_POOL |
25 |
Ширина пула и плеч в режиме реранка (шум в пуле больше не вредит — решает Jev, а не RRF-голосование) |
UM_RERANK_URL |
Zen …/systemone |
Канал Jev: Zen (Bearer public, cost 0) либо ключ TypeSafe с моделью jev-latest (платный) |
UM_RERANK_KEY |
public |
Ключ канала; Zen-канал ключа не требует |
UM_RERANK_MODEL |
jev-1.13-free |
id модели Jev |
UM_RERANK_DOC_CHARS |
900 |
Кап текста кандидата (после редакции) |
UM_RERANK_TIMEOUT |
20.0 |
Таймаут вызова, сек |
UM_WORKING_TTL_S |
0 |
TTL в секундах для category=working; 0 отключает TTL |
UM_WORKING_LIMIT |
20 |
Максимум working facts в opt-in mem_assemble slice |
UM_BATCH_MAX_OPS |
100 |
mem_batch: потолок числа ops (проверка до открытия транзакции) |
UM_BATCH_MAX_CHARS |
200000 |
mem_batch: потолок суммарного payload ops |
UM_REDACT_ENABLED |
true |
Гейт секретов на входе (дефолт ON — продукт публичный) |
UM_REDACT_PATTERNS |
api_key,bearer_token,password_assignment,private_key,token_prefix,jwt |
Подмножество каталога через запятую; опционально добавляются long_hex,long_base64 (у них ложные срабатывания на sha256/хэшах) |
UM_SUMMARIZER_URL / UM_SUMMARIZER_MODEL |
— | LLM-пересказ; без них extractive |
UM_SUMMARIZER_API_KEY |
— | Bearer для endpoint |
UM_CONTEXT_TOKENS |
200000 |
Эффективное окно хоста |
UM_COMPACT_THRESHOLD |
0.35 |
Доля окна — триггер компакшна |
UM_FRESH_TAIL_COUNT |
20 |
Свежих сообщений не жмём никогда |
UM_DAG_FANIN |
5 |
Нод уровня → одна выше |
UM_ASSEMBLY_BUDGET |
8000 |
Токенов в mem_assemble по дефолту, включая opt-in working slice |
UM_MAX_TEXT_CHARS |
200000 |
Кап входного текста (громкий ValueError, не тихая обрезка) |
UM_COMPACT_MAX_MSGS |
10000 |
Кап головы компакшна за проход (остаток досжимается следующим вызовом) |
Известные ограничения (v0.9)
Полный список отложенного — docs/BACKLOG.md.
- Архив выносит только сообщения (текст+вектор) — основной драйвер роста. P2.1 TTL действует только на
category=workingfacts; archive/retention для остальных фактов, рёбер иum_summaries— TODO (docs/BACKLOG.md). - Миграция upstream: P1.6 LCM/Mnemosyne adapters поддерживают dry-run/atomic apply и reconciliation report; working/episodic rows по умолчанию пропускаются, derived tables явно перечислены в
skipped_fields. mem_doctor(mode=export)пишет стриминговый JSONL (um-export-jsonl: header +{table,row}построчно; вектора base64, um_fts/um_vecidx исключены). Импорт —python -m unified_memory.import_dump <file> [--owner] [--dry-run], аддитивный (fresh-id remap, слот-конфликт → skip), без backend. Чтение дампа — целиком в память (стриминг только на записи).- Isolation добровольная:
owner=""(дефолт) — legacy без фильтра, видит всё; строгая изоляция — только при непустомowner. Старые БД мигрируют сами (owner=''), сущности пересобираются подUNIQUE(name, owner). - Поддерживается MCP Python SDK 2.x (
mcp>=2.0,<3); MCP 1.x intentionally не входит в dependency contract. - Redaction forward-only: сторa, созданные до v0.4, могут содержать секреты — чистить руками + reindex.
- Смена embedding-модели: обычный MCP-сервер падает громко (
DimensionMismatchError); для перехода без MCP запуститеpython -m unified_memory.reembed, который переэмбедит messages/summaries/facts/edges/entities и обновит model stamp. - Демона нет (философия «MCP + cron»), но периодическое обслуживание — отдельная точка входа:
python -m unified_memory.maintenance [--dry-run] [--report PATH]. Один проход: добивает пропущенные вектора и пересобирает vec0 (шаг пропускается, если пропусков нет и индекс собран под активный dim —build_vec_indexполная), чинит гигиену черезStore.repair(backup-first, только при кандидатах), выносит архив по возрасту/размеру той же политикой, что ленивый путь, и делаетwal_checkpoint(TRUNCATE). JSON-отчёт пишется рядом с БД; код выхода 1 — деградация (например, эмбеддер недоступен). Модель векторов не трогает: при расхождении со стором рапортует и требуетreembed. Возрастной проход вручную по-прежнему доступен какmem_doctor(mode=retention, apply=true); ленивый недельный проход на ingest остаётся. - Пагинации ранжированного
mem_recallнет и не будет: возвращаемый порядок — fused-релевантность, а не стабильный ключ; «следующие N» через offset даст недетерминированную выдачу. Сужайте запрос/увеличивайтеlimit. Пагинация есть только у хронологическогоmem_recent(before_id+before_ts).
Интеграции
integrations/opencode-session-capture/— захват сессий OpenCode в память:user-текст иassistant-частиtype=text, без инъекций инструкций (synthetic) и вызовов инструментов. Пишет черезIngest.remember_messageсsource_ref(идемпотентно даже при потере состояния) и исходнымcreated_at. Ставится тем же паттерном oneshot+timer, что и обслуживание памяти. Замер: захват 1253 сообщений не стоит качества поиска по фактам — стенограммы индексируются отдельно (um_fts_msg, см. CHANGELOG),scope=factsостаётся 68 / 89 / 0.794.
Разработка
python -m pytest tests/ -q # на текущем HEAD: 463 passed, 4 skipped (Python 3.14 и 3.12)
Полный suite также прогоняется на Python 3.12; CI дополнительно собирает wheel,
устанавливает его в чистый venv и импортирует unified_memory.server.
Прогон герметичен: tests/conftest.py снимает ambient UM_* (иначе шелл с
UM_REDACT_ENABLED=off или UM_EMBEDDING_BACKEND=openai молча ронял 12 тестов).
Тестам с env — только monkeypatch.setenv. UM_LIVE_* конфигом не считается.
Roadmap и разбор апстримов: docs/MIGRATION_PLAN.md. Переезд с hermes-lcm/mnemosyne: docs/IMPORT.md.
Установка Unified Memory
У этого сервера нет опубликованного пакета — он собирается из исходников. Открой репозиторий и следуй инструкции в README.
▸ github.com/sportlotto-ux/unified-memory-mcpFAQ
Unified Memory MCP бесплатный?
Да, Unified Memory MCP бесплатный — установка в пару кликов через Unyly без оплаты.
Нужен ли API-ключ для Unified Memory?
Нет, Unified Memory работает без API-ключей и переменных окружения.
Unified Memory — hosted или self-hosted?
Self-hosted: сервер запускается локально на твоей машине командой из раздела установки.
Как установить Unified Memory в Claude Desktop, Claude Code или Cursor?
Открой Unified Memory на unyly.org, выбери вкладку своего клиента (Claude Desktop, Claude Code, Cursor) и нажми Install — конфиг сгенерируется автоматически, без правки JSON.
Похожие MCP
Postgres
Query your database in natural language
автор: Anthropicwenb1n-dev/SmartDB_MCP
Connect to multiple databases at once (MySQL, PostgreSQL, SQL Server, MariaDB, Dameng, Oracle) for operations, health analysis and SQL optimization.
автор: wenb1n-devPostgres Server
This server enables interaction with PostgreSQL databases through the Model Context Protocol, optimized for the AWS Bedrock AgentCore Runtime. It provides tools
автор: madhurprashPostgreSQL
Read-only database access with schema inspection.
автор: modelcontextprotocolRedis
Interact with Redis key-value stores.
автор: modelcontextprotocolSQLite
Database interaction and business intelligence capabilities.
автор: modelcontextprotocolmxcp
Open-source framework for building enterprise-grade MCP servers using just YAML, SQL, and Python, with built-in auth, monitoring, ETL and policy enforcement.
автор: raw-labsjulien040/anyquery
Query apps with SQL from a single local-first binary; also connects to PostgreSQL, MySQL and SQLite-compatible databases.
автор: julien040drakonkat/wizzy-mcp-tmdb
Search and retrieve movie, TV show and person information from The Movie Database (TMDB) API.
автор: drakonkatlongevity-genie/opengenes-mcp
Query the OpenGenes database for aging and longevity research.
автор: longevity-genieCompare Unified Memory with
Не уверен что выбрать?
Найди свой стек за 60 секунд
Автор?
Embed-бейдж для README
Похожее
Все в категории data
