Memlord

Selbst gehosteter MCP-Speicherserver für den persönlichen Gebrauch und Teams

Schnellstart • Funktionsweise • MCP-Tools • Konfiguration • Anforderungen • Lizenz

---

✨ Funktionen

• 🔍 Hybride Suche — BM25 (Volltext) + Vektor-KNN (pgvector), fusioniert durch Reciprocal Rank Fusion
• 📂 Mehrbenutzerfähig — jeder Benutzer sieht nur seine eigenen Erinnerungen; Arbeitsbereiche für geteiltes Teamwissen
• 🛠️ 10 MCP-Tools — speichern, abrufen, erinnern, auflisten, nach Tag suchen, abrufen, aktualisieren, löschen, verschieben, Arbeitsbereiche auflisten
• 🌐 Web-UI — Erinnerungen im Browser durchsuchen, suchen, bearbeiten und löschen; JSON exportieren/importieren
• 🔒 OAuth 2.1 — vollständiger In-Prozess-Autorisierungsserver, immer aktiviert
• 🐘 PostgreSQL — pgvector für Einbettungen, tsvector für Volltextsuche
• 📊 Progressive Offenlegung — Suche gibt standardmäßig kompakte Ausschnitte zurück; rufe get_memory(name) nur für das auf, was du benötigst, um Token-Verbrauch zu reduzieren
• 🔁 Deduplizierung — erkennt automatisch nahezu identische Erinnerungen vor dem Speichern und verhindert so die Anhäufung von Rauschen

---

🆚 Wie Memlord im Vergleich abschneidet

	Memlord	OpenMemory	mcp-memory-service	basic-memory
Suche	BM25 + Vektor + RRF	Nur Vektor (Qdrant)	BM25 + Vektor + RRF	BM25 + Vektor
Einbettungen	Lokales ONNX, keine Konfiguration	OpenAI Standard; Ollama optional	Lokales ONNX, keine Konfiguration	Lokales FastEmbed
Speicher	PostgreSQL + pgvector	PostgreSQL + Qdrant	SQLite-vec / Cloudflare Vectorize	SQLite + Markdown-Dateien
Mehrbenutzerfähig	✅	❌ in der Praxis Einzelbenutzer	⚠️ Agent-ID-Bereich, keine Isolation	❌
Arbeitsbereiche	✅ geteilt + persönlich, Einladungslinks	⚠️ "Apps"-Namensraum	⚠️ Tags + conversation_id	✅ pro Projekt-Flag
Authentifizierung	✅ OAuth 2.1	❌ keine (selbst gehostet)	✅ OAuth 2.0 + PKCE	❌
Web-UI	✅ durchsuchen, bearbeiten, exportieren	✅ Next.js Dashboard	✅ umfangreiche UI, Diagrammansicht, Qualitätsbewertungen	❌ lokal; nur Cloud
MCP-Tools	10	5	15+	~20
Selbst gehostet	✅ einzelner Prozess	✅ Docker (3 Container)	✅	✅
Erinnerungseingabe	Manuell (explizites Speichern)	Automatisch durch LLM extrahiert	Manuell	Manuell (Markdown-Notizen)
Erinnerungstypen	Fakt / Präferenz / Anweisung / Feedback	automatisch extrahierte Fakten	—	Beobachtungen + Wiki-Links
Zeitbewusste Suche	✅ natürlichsprachliche Daten	⚠️ nur REST, nicht in MCP-Tools	—	✅ recent_activity
Token-Effizienz	✅ progressive Offenlegung	❌	—	✅ build_context traversal
Import / Export	✅ JSON	✅ ZIP (JSON + JSONL)	—	✅ Markdown (menschenlesbar)
Lizenz	AGPL-3.0 / Kommerziell	Apache 2.0	Apache 2.0	AGPL-3.0

Wo Wettbewerber einen echten Vorteil haben:

• OpenMemory — extrahiert automatisch Erinnerungen aus rohem Gesprächstext; keine Notwendigkeit, manuell zu entscheiden, was gespeichert werden soll; guter Import/Export
• mcp-memory-service — umfangreichere Web-UI (Diagrammvisualisierung, Qualitätsbewertung, 8 Tabs); freizügigere Lizenz (Apache 2.0); mehrere Transportoptionen (stdio, SSE, HTTP)
• basic-memory — Erinnerungen sind menschenlesbare Markdown-Dateien, die du ohne Server bearbeiten, versionieren und lesen kannst; Wiki-artige Entitätslinks bilden einen lokalen Wissensgraphen; ~20 MCP-Tools

Wann du Memlord wählen solltest:

• Du möchtest konfigurationslose lokale Einbettungen — das ONNX-Modell wird mit dem Server ausgeliefert, kein Ollama oder externe API erforderlich
• Du betreibst einen Mehrbenutzer-Teamserver mit ordnungsgemäßer OAuth 2.1-Authentifizierung und einladungsbasierten Arbeitsbereichen
• Du möchtest eine produktionstaugliche Datenbank (PostgreSQL), die über SQLite auf einem einzelnen Rechner hinaus skaliert
• Du verwaltest Erinnerungen explizit — speichere genau das, was wichtig ist, typisiert und getaggt, nicht alles, was das LLM zu extrahieren beschließt
• Du möchtest eine selbst gehostete Web-UI mit vollständigem CRUD und JSON-Export, ohne Cloud-Abonnement

---

🚀 Schnellstart

🐳 Docker

cp .env.example .env
docker compose up

HTTP-Server (Mehrbenutzer, 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

Öffne http://localhost:8000 für die Web-UI. Der MCP-Endpunkt ist unter /mcp.

---

🔍 Funktionsweise

Jede Suchanfrage führt BM25 und Vektor-KNN parallel aus und führt die Ergebnisse dann über Reciprocal Rank Fusion zusammen:

flowchart TD
    Q([query]) --> BM25["BM25\nsearch_vector @@ websearch_to_tsquery"]
    Q --> EMB["ONNX embed\nall-MiniLM-L6-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])

---

⚙️ Konfiguration

Alle Einstellungen verwenden das Präfix MEMLORD_. Siehe .env.example für die vollständige Liste.

Variable	Standard	Beschreibung
MEMLORD_DB_URL	postgresql+asyncpg://postgres:postgres@localhost/memlord	PostgreSQL-Verbindungs-URL
MEMLORD_PORT	8000	Server-Port
MEMLORD_BASE_URL	http://localhost:8000	Öffentliche URL für OAuth (HTTP-Modus)
MEMLORD_OAUTH_JWT_SECRET	memlord-dev-secret-please-change	JWT-Signaturgeheimnis (HTTP-Modus)

Setze MEMLORD_BASE_URL auf deine öffentliche URL und ändere MEMLORD_OAUTH_JWT_SECRET vor der Bereitstellung.

---

🛠️ MCP-Tools

Tool	Beschreibung
store_memory	Speichere eine Erinnerung (idempotent nach Inhalt); löst bei Fast-Duplikaten aus; optional expires_at
retrieve_memory	Hybride semantische + Volltextsuche; gibt standardmäßig Ausschnitte zurück
recall_memory	Suche nach natürlichsprachlichem Zeitausdruck; gibt standardmäßig Ausschnitte zurück
list_memories	Seitenweise Liste mit Typ-/Tag-Filtern
search_by_tag	UND/ODER-Tag-Suche
get_memory	Rufe eine einzelne Erinnerung nach Namen mit vollständigem Inhalt ab
update_memory	Aktualisiere Inhalt, Typ, Tags, Metadaten oder Ablaufdatum nach Namen (und optional umbenennen)
delete_memory	Nach Namen löschen
move_memory	Verschiebe eine Erinnerung in einen anderen Arbeitsbereich
list_workspaces	Liste Arbeitsbereiche auf, in denen du Mitglied bist (einschließlich persönlicher)

Die Arbeitsbereichsverwaltung (erstellen, einladen, beitreten, verlassen) erfolgt über die Web-UI.

---

💻 Systemanforderungen

• Python 3.12
• PostgreSQL ≥ 15 mit pgvector-Erweiterung
• uv — Python-Paketmanager

---

👨‍💻 Entwicklung

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

---

📄 Lizenz

Memlord ist doppelt lizenziert:

• AGPL-3.0 — kostenlos für Open-Source-Nutzung. Wenn du eine modifizierte Version als Netzwerkdienst betreibst, musst du deinen Quellcode veröffentlichen.
• Kommerzielle Lizenz — für proprietäre oder Closed-Source-Bereitstellungen. Kontaktiere sergey@memlord.com oder dmitry@memlord.com zum Kauf.