Memlord

व्यक्तिगत उपयोग और टीमों के लिए स्व-होस्टेड MCP मेमोरी सर्वर

त्वरित शुरुआत • यह कैसे काम करता है • MCP उपकरण • कॉन्फ़िगरेशन • आवश्यकताएँ • लाइसेंस

---

✨ विशेषताएँ

• 🔍 हाइब्रिड खोज — BM25 (पूर्ण-पाठ) + वेक्टर KNN (pgvector) रेसिप्रोकल रैंक फ्यूज़न के माध्यम से संयोजित
• 📂 बहु-उपयोगकर्ता — प्रत्येक उपयोगकर्ता केवल अपनी यादें देखता है; साझा टीम ज्ञान के लिए कार्यस्थान
• 🛠️ 11 MCP उपकरण — संग्रहीत करें, पुनर्प्राप्त करें, स्मरण करें, सूचीबद्ध करें, टैग द्वारा खोजें, प्राप्त करें, अद्यतन करें, हटाएँ, स्थानांतरित करें, कार्यस्थान सूचीबद्ध करें, स्वप्न रिपोर्ट
• 💤 स्वप्न देखना — एक निर्देशित समेकन पास (dream MCP प्रॉम्प्ट + dream_report उपकरण): लगभग डुप्लिकेट और विरोधाभासी यादें ढूँढता है, उन्हें गैर-विनाशकारी रूप से अंतर्दृष्टि में विलय करता है, क्लाइंट LLM द्वारा संचालित
• 🌐 वेब UI — ब्राउज़र में यादें ब्राउज़ करें, खोजें, संपादित करें और हटाएँ; JSON निर्यात/आयात करें
• 🔒 OAuth 2.1 — पूर्ण इन-प्रोसेस प्राधिकरण सर्वर, हमेशा सक्षम
• 🐘 PostgreSQL — एम्बेडिंग के लिए pgvector, पूर्ण-पाठ खोज के लिए tsvector
• 📊 प्रगतिशील प्रकटीकरण — खोज डिफ़ॉल्ट रूप से संक्षिप्त स्निपेट लौटाती है; केवल आवश्यकता होने पर get_memory(name) कॉल करें, टोकन उपयोग कम करता है
• 🔁 डिडुप्लीकेशन — सहेजने से पहले लगभग समान यादों का स्वचालित रूप से पता लगाता है, शोर संचय को रोकता है

---

🆚 Memlord की तुलना कैसे होती है

	Memlord	OpenMemory	mcp-memory-service	basic-memory
खोज	BM25 + वेक्टर + RRF	केवल वेक्टर (Qdrant)	BM25 + वेक्टर + RRF	BM25 + वेक्टर
एम्बेडिंग	स्थानीय ONNX, शून्य कॉन्फ़िगरेशन	OpenAI डिफ़ॉल्ट; Ollama वैकल्पिक	स्थानीय ONNX, शून्य कॉन्फ़िगरेशन	स्थानीय FastEmbed
भंडारण	PostgreSQL + pgvector	PostgreSQL + Qdrant	SQLite-vec / Cloudflare Vectorize	SQLite + Markdown फ़ाइलें
बहु-उपयोगकर्ता	✅	❌ व्यवहार में एकल-उपयोगकर्ता	⚠️ एजेंट-आईडी स्कोपिंग, कोई अलगाव नहीं	❌
कार्यस्थान	✅ साझा + व्यक्तिगत, आमंत्रण लिंक	⚠️ "Apps" नेमस्पेस	⚠️ टैग + conversation_id	✅ प्रति-प्रोजेक्ट फ़्लैग
प्रमाणीकरण	✅ OAuth 2.1	❌ कोई नहीं (स्व-होस्टेड)	✅ OAuth 2.0 + PKCE	❌
वेब UI	✅ ब्राउज़ करें, संपादित करें, निर्यात करें	✅ Next.js डैशबोर्ड	✅ समृद्ध UI, ग्राफ़ विज़, गुणवत्ता स्कोर	❌ स्थानीय; केवल क्लाउड
MCP उपकरण	11	5	15+	~20
स्व-होस्टेड	✅ एकल प्रक्रिया	✅ Docker (3 कंटेनर)	✅	✅
मेमोरी इनपुट	मैनुअल (स्पष्ट स्टोर)	LLM द्वारा स्वतः-निकाला गया	मैनुअल	मैनुअल (Markdown नोट्स)
मेमोरी प्रकार	तथ्य / वरीयता / निर्देश / प्रतिक्रिया / निर्णय / अंतर्दृष्टि	स्वतः-निकाले गए तथ्य	—	अवलोकन + विकी लिंक
समय-जागरूक खोज	✅ प्राकृतिक भाषा तिथियाँ	⚠️ केवल REST, MCP उपकरणों में नहीं	—	✅ recent_activity
टोकन दक्षता	✅ प्रगतिशील प्रकटीकरण	❌	—	✅ build_context ट्रैवर्सल
आयात / निर्यात	✅ JSON	✅ ZIP (JSON + JSONL)	—	✅ Markdown (मानव-पठनीय)
लाइसेंस	AGPL-3.0 / वाणिज्यिक	Apache 2.0	Apache 2.0	AGPL-3.0

जहाँ प्रतिस्पर्धियों की वास्तविक बढ़त है:

• OpenMemory — कच्चे वार्तालाप पाठ से यादें स्वतः निकालता है; मैन्युअल रूप से क्या संग्रहीत करना है यह तय करने की आवश्यकता नहीं; अच्छा आयात/निर्यात
• mcp-memory-service — समृद्ध वेब UI (ग्राफ़ विज़ुअलाइज़ेशन, गुणवत्ता स्कोरिंग, 8 टैब); अधिक अनुमेय लाइसेंस (Apache 2.0); कई परिवहन विकल्प (stdio, SSE, HTTP)
• basic-memory — यादें मानव-पठनीय Markdown फ़ाइलें हैं जिन्हें आप बिना किसी सर्वर के संपादित, संस्करण-नियंत्रित और पढ़ सकते हैं; विकी-शैली इकाई लिंक एक स्थानीय ज्ञान ग्राफ़ बनाते हैं; ~20 MCP उपकरण

Memlord कब चुनें:

• आप शून्य-कॉन्फ़िगरेशन स्थानीय एम्बेडिंग चाहते हैं — ONNX मॉडल सर्वर के साथ आता है, किसी Ollama या बाहरी API की आवश्यकता नहीं
• आप उचित OAuth 2.1 प्रमाणीकरण और आमंत्रण-आधारित कार्यस्थानों के साथ एक बहु-उपयोगकर्ता टीम सर्वर चलाते हैं
• आप एक उत्पादन-ग्रेड डेटाबेस (PostgreSQL) चाहते हैं जो एकल मशीन के SQLite से परे स्केल करता है
• आप यादों को स्पष्ट रूप से प्रबंधित करते हैं — ठीक वही संग्रहीत करें जो मायने रखता है, टाइप और टैग किया हुआ, न कि वह सब कुछ जो LLM निकालने का निर्णय लेता है
• आप क्लाउड सदस्यता के बिना, पूर्ण CRUD और JSON निर्यात के साथ एक स्व-होस्टेड वेब UI चाहते हैं

---

🚀 त्वरित शुरुआत

🐳 Docker

cp .env.example .env
docker compose up

HTTP सर्वर (बहु-उपयोगकर्ता, वेब 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

वेब UI के लिए http://localhost:8000 खोलें। MCP एंडपॉइंट /mcp पर है।

---

🔍 यह कैसे काम करता है

प्रत्येक खोज अनुरोध BM25 और वेक्टर KNN को समानांतर में चलाता है, फिर रेसिप्रोकल रैंक फ्यूज़न के माध्यम से परिणामों को विलय करता है:

flowchart TD
    Q([query]) --> BM25["BM25\nsearch_vector @@ websearch_to_tsquery"]
    Q --> EMB["ONNX embed\nparaphrase-multilingual-MiniLM-L12-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])

---

⚙️ कॉन्फ़िगरेशन

सभी सेटिंग्स MEMLORD_ उपसर्ग का उपयोग करती हैं। पूरी सूची के लिए .env.example देखें।

चर	डिफ़ॉल्ट	विवरण
MEMLORD_DB_URL	postgresql+asyncpg://postgres:postgres@localhost/memlord	PostgreSQL कनेक्शन URL
MEMLORD_PORT	8000	सर्वर पोर्ट
MEMLORD_BASE_URL	http://localhost:8000	OAuth के लिए सार्वजनिक URL (HTTP मोड)
MEMLORD_OAUTH_JWT_SECRET	memlord-dev-secret-please-change	JWT हस्ताक्षर रहस्य (HTTP मोड)

तैनाती से पहले MEMLORD_BASE_URL को अपने सार्वजनिक URL पर सेट करें और MEMLORD_OAUTH_JWT_SECRET बदलें।

---

🛠️ MCP उपकरण

उपकरण	विवरण
store_memory	एक मेमोरी सहेजें (सामग्री द्वारा निरंकुश); लगभग डुप्लिकेट पर उठता है; वैकल्पिक expires_at
retrieve_memory	हाइब्रिड सिमैंटिक + पूर्ण-पाठ खोज; डिफ़ॉल्ट रूप से स्निपेट लौटाता है
recall_memory	प्राकृतिक-भाषा समय अभिव्यक्ति द्वारा खोजें; डिफ़ॉल्ट रूप से स्निपेट लौटाता है
list_memories	प्रकार/टैग फ़िल्टर के साथ पृष्ठांकित सूची
search_by_tag	AND/OR टैग खोज
get_memory	पूर्ण सामग्री के साथ नाम से एकल मेमोरी प्राप्त करें (समाप्त शामिल)
update_memory	नाम से सामग्री, प्रकार, टैग, मेटाडेटा या समाप्ति अद्यतन करें (और वैकल्पिक रूप से नाम बदलें)
delete_memory	नाम से हटाएँ
move_memory	किसी मेमोरी को भिन्न कार्यस्थान में ले जाएँ
list_workspaces	उन कार्यस्थानों की सूची बनाएँ जिनके आप सदस्य हैं (व्यक्तिगत सहित)
dream_report	केवल-पढ़ने के लिए समेकन उम्मीदवार: समान मेमोरी जोड़े, समाप्त और जल्द ही समाप्त होने वाली यादें

dream MCP प्रॉम्प्ट क्लाइंट LLM को dream_report आउटपुट पर एक पूर्ण समेकन पास के माध्यम से चलता है: समान जोड़ों को वर्गीकृत करें (डुप्लिकेट / पूरक / विरोध), insight यादों में विलय करें, expires_at के माध्यम से अधिक्रमित लोगों को सेवानिवृत्त करें — कभी विनाशकारी रूप से नहीं।

कार्यस्थान प्रबंधन (बनाएँ, आमंत्रित करें, जुड़ें, छोड़ें) वेब UI के माध्यम से नियंत्रित किया जाता है।

---

💻 सिस्टम आवश्यकताएँ

• Python 3.12
• PostgreSQL ≥ 15 pgvector एक्सटेंशन के साथ
• uv — Python पैकेज प्रबंधक

---

👨‍💻 विकास

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

---

📄 लाइसेंस

Memlord दोहरे-लाइसेंस प्राप्त है:

• AGPL-3.0 — ओपन-सोर्स उपयोग के लिए मुफ़्त। यदि आप एक नेटवर्क सेवा के रूप में संशोधित संस्करण चलाते हैं, तो आपको अपना स्रोत कोड प्रकाशित करना होगा।
• वाणिज्यिक लाइसेंस — मालिकाना या बंद-स्रोत तैनाती के लिए। खरीदने के लिए sergey@memlord.com या dmitry@memlord.com पर संपर्क करें।