Memlord

Serveur MCP de mémoire auto-hébergé pour usage personnel et en équipe

Démarrage rapide • Fonctionnement • Outils MCP • Configuration • Prérequis • Licence

---

✨ Fonctionnalités

• 🔍 Recherche hybride — BM25 (texte intégral) + KNN vectoriel (pgvector) fusionnés via Reciprocal Rank Fusion
• 📂 Multi-utilisateur — chaque utilisateur ne voit que ses propres souvenirs ; espaces de travail pour les connaissances partagées en équipe
• 🛠️ 10 outils MCP — stocker, récupérer, rappeler, lister, rechercher par tag, obtenir, mettre à jour, supprimer, déplacer, lister les espaces de travail
• 🌐 Interface Web — parcourir, rechercher, modifier et supprimer des souvenirs dans le navigateur ; export/import JSON
• 🔒 OAuth 2.1 — serveur d'autorisation complet intégré au processus, toujours activé
• 🐘 PostgreSQL — pgvector pour les embeddings, tsvector pour la recherche en texte intégral
• 📊 Divulgation progressive — la recherche renvoie des extraits compacts par défaut ; appelez get_memory(name) uniquement pour ce dont vous avez besoin, réduisant ainsi l'utilisation de tokens
• 🔁 Déduplication — détecte automatiquement les souvenirs quasi identiques avant l'enregistrement, empêchant l'accumulation de bruit

---

🆚 Comparaison de Memlord

	Memlord	OpenMemory	mcp-memory-service	basic-memory
Recherche	BM25 + vectoriel + RRF	Vectoriel uniquement (Qdrant)	BM25 + vectoriel + RRF	BM25 + vectoriel
Embeddings	ONNX local, zéro configuration	OpenAI par défaut ; Ollama en option	ONNX local, zéro configuration	FastEmbed local
Stockage	PostgreSQL + pgvector	PostgreSQL + Qdrant	SQLite-vec / Cloudflare Vectorize	SQLite + fichiers Markdown
Multi-utilisateur	✅	❌ mono-utilisateur en pratique	⚠️ portée par agent-ID, pas d'isolation	❌
Espaces de travail	✅ partagés + personnels, liens d'invitation	⚠️ Espace de noms "Apps"	⚠️ tags + conversation_id	✅ option par projet
Authentification	✅ OAuth 2.1	❌ aucune (auto-hébergé)	✅ OAuth 2.0 + PKCE	❌
Interface Web	✅ parcourir, modifier, exporter	✅ tableau de bord Next.js	✅ interface riche, visualisation graphique, scores de qualité	❌ local ; cloud uniquement
Outils MCP	10	5	15+	~20
Auto-hébergé	✅ processus unique	✅ Docker (3 conteneurs)	✅	✅
Entrée de mémoire	Manuelle (stockage explicite)	Extraite automatiquement par le LLM	Manuelle	Manuelle (notes Markdown)
Types de mémoire	fait / préférence / instruction / retour d'information	faits extraits automatiquement	—	observations + liens wiki
Recherche temporelle	✅ dates en langage naturel	⚠️ REST uniquement, pas dans les outils MCP	—	✅ recent_activity
Efficacité des tokens	✅ divulgation progressive	❌	—	✅ parcours build_context
Import / Export	✅ JSON	✅ ZIP (JSON + JSONL)	—	✅ Markdown (lisible par l'humain)
Licence	AGPL-3.0 / Commerciale	Apache 2.0	Apache 2.0	AGPL-3.0

Là où les concurrents ont un réel avantage :

• OpenMemory — extrait automatiquement les souvenirs du texte brut de conversation ; pas besoin de décider quoi stocker manuellement ; bon import/export
• mcp-memory-service — interface Web plus riche (visualisation graphique, notation de qualité, 8 onglets) ; licence plus permissive (Apache 2.0) ; multiples options de transport (stdio, SSE, HTTP)
• basic-memory — les souvenirs sont des fichiers Markdown lisibles par l'humain que vous pouvez modifier, versionner et lire sans aucun serveur ; les liens d'entités de style wiki forment un graphe de connaissances local ; ~20 outils MCP

Quand choisir Memlord :

• Vous voulez des embeddings locaux sans configuration — le modèle ONNX est livré avec le serveur, pas besoin d'Ollama ou d'API externe
• Vous gérez un serveur d'équipe multi-utilisateur avec une authentification OAuth 2.1 appropriée et des espaces de travail basés sur invitation
• Vous voulez une base de données de qualité production (PostgreSQL) qui évolue au-delà du SQLite d'une seule machine
• Vous gérez les souvenirs explicitement — stockez exactement ce qui compte, typé et tagué, pas tout ce que le LLM décide d'extraire
• Vous voulez une interface Web auto-hébergée avec CRUD complet et export JSON, sans abonnement cloud

---

🚀 Démarrage rapide

🐳 Docker

cp .env.example .env
docker compose up

Serveur HTTP (multi-utilisateur, interface Web, 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

Ouvrez http://localhost:8000 pour l'interface Web. Le point de terminaison MCP est à /mcp.

---

🔍 Fonctionnement

Chaque requête de recherche exécute BM25 et KNN vectoriel en parallèle, puis fusionne les résultats via Reciprocal Rank Fusion :

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])

---

⚙️ Configuration

Tous les paramètres utilisent le préfixe MEMLORD_. Voir .env.example pour la liste complète.

Variable	Par défaut	Description
MEMLORD_DB_URL	postgresql+asyncpg://postgres:postgres@localhost/memlord	URL de connexion PostgreSQL
MEMLORD_PORT	8000	Port du serveur
MEMLORD_BASE_URL	http://localhost:8000	URL publique pour OAuth (mode HTTP)
MEMLORD_OAUTH_JWT_SECRET	memlord-dev-secret-please-change	Secret de signature JWT (mode HTTP)

Définissez MEMLORD_BASE_URL sur votre URL publique et changez MEMLORD_OAUTH_JWT_SECRET avant de déployer.

---

🛠️ Outils MCP

Outil	Description
store_memory	Enregistrer un souvenir (idempotent par contenu) ; lève une alerte sur les quasi-doublons ; expires_at optionnel
retrieve_memory	Recherche hybride sémantique + texte intégral ; renvoie des extraits par défaut
recall_memory	Recherche par expression temporelle en langage naturel ; renvoie des extraits par défaut
list_memories	Liste paginée avec filtres de type/tag
search_by_tag	Recherche de tags ET/OU
get_memory	Récupérer un seul souvenir par nom avec le contenu complet
update_memory	Mettre à jour le contenu, le type, les tags, les métadonnées ou l'expiration par nom (et optionnellement renommer)
delete_memory	Supprimer par nom
move_memory	Déplacer un souvenir vers un autre espace de travail
list_workspaces	Lister les espaces de travail dont vous êtes membre (y compris personnels)

La gestion des espaces de travail (créer, inviter, rejoindre, quitter) est gérée via l'interface Web.

---

💻 Configuration système requise

• Python 3.12
• PostgreSQL ≥ 15 avec l'extension pgvector
• uv — Gestionnaire de paquets Python

---

👨‍💻 Développement

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

---

📄 Licence

Memlord est sous double licence :

• AGPL-3.0 — gratuit pour un usage open source. Si vous exécutez une version modifiée en tant que service réseau, vous devez publier votre code source.
• Licence Commerciale — pour les déploiements propriétaires ou à source fermée. Contactez sergey@memlord.com ou dmitry@memlord.com pour acheter.