Memlord

resmi

Server memori MCP yang dihosting sendiri untuk penggunaan pribadi dan tim

GitHub

Apa yang bisa Anda lakukan dengan Memlord MCP?

Menyimpan memori dengan tipe dan tag — Simpan fakta, preferensi, instruksi, atau umpan balik menggunakan store_memory, dengan deteksi duplikat mendekati otomatis.
Mencari memori dengan pengambilan hibrida — Gunakan retrieve_memory untuk menemukan memori melalui pencarian teks lengkap BM25 dan vektor semantik secara gabungan.
Mengingat memori berdasarkan ekspresi waktu — Temukan memori menggunakan kueri waktu bahasa alami seperti "minggu lalu" atau "kemarin" dengan recall_memory.
Mendaftar dan memfilter memori — Jelajahi memori berdasarkan tipe atau tag dengan list_memories, atau gabungkan tag dengan logika AND/OR melalui search_by_tag.
Mendapatkan konten memori lengkap sesuai permintaan — Ambil memori lengkap berdasarkan nama dengan get_memory saat Anda memerlukan detail di luar cuplikan pencarian.
Memperbarui, menghapus, atau memindahkan memori — Ubah konten, tag, atau masa berlaku dengan update_memory, hapus dengan delete_memory, atau pindahkan antar ruang kerja dengan move_memory.

Dokumentasi

Server memori MCP self-hosted untuk penggunaan pribadi dan tim

Mulai Cepat • Cara Kerja • Alat MCP • Konfigurasi • Persyaratan • Lisensi

✨ Fitur

🔍 Pencarian hibrida — BM25 (teks lengkap) + vektor KNN (pgvector) digabungkan melalui Reciprocal Rank Fusion
📂 Multi-pengguna — setiap pengguna hanya melihat memorinya sendiri; ruang kerja untuk pengetahuan tim bersama
🛠️ 10 alat MCP — simpan, ambil, ingat kembali, daftar, cari berdasarkan tag, dapatkan, perbarui, hapus, pindahkan, daftar ruang kerja
🌐 UI Web — jelajahi, cari, edit, dan hapus memori di peramban; ekspor/impor JSON
🔒 OAuth 2.1 — server otorisasi dalam proses penuh, selalu diaktifkan
🐘 PostgreSQL — pgvector untuk embedding, tsvector untuk pencarian teks lengkap
📊 Pengungkapan progresif — pencarian mengembalikan cuplikan ringkas secara default; panggil get_memory(name) hanya untuk yang Anda butuhkan, mengurangi penggunaan token
🔁 Deduplikasi — secara otomatis mendeteksi memori yang hampir identik sebelum menyimpan, mencegah akumulasi noise

🆚 Perbandingan Memlord

	Memlord	OpenMemory	mcp-memory-service	basic-memory
Pencarian	BM25 + vektor + RRF	Hanya vektor (Qdrant)	BM25 + vektor + RRF	BM25 + vektor
Embedding	ONNX lokal, tanpa konfigurasi	Default OpenAI; Ollama opsional	ONNX lokal, tanpa konfigurasi	FastEmbed lokal
Penyimpanan	PostgreSQL + pgvector	PostgreSQL + Qdrant	SQLite-vec / Cloudflare Vectorize	SQLite + file Markdown
Multi-pengguna	✅	❌ pengguna tunggal dalam praktik	⚠️ cakupan ID agen, tanpa isolasi	❌
Ruang Kerja	✅ bersama + pribadi, tautan undangan	⚠️ Namespace "Aplikasi"	⚠️ tag + conversation_id	✅ flag per-proyek
Autentikasi	✅ OAuth 2.1	❌ tidak ada (self-hosted)	✅ OAuth 2.0 + PKCE	❌
UI Web	✅ jelajahi, edit, ekspor	✅ Dasbor Next.js	✅ UI kaya, visualisasi graf, skor kualitas	❌ lokal; hanya cloud
Alat MCP	10	5	15+	~20
Self-hosted	✅ proses tunggal	✅ Docker (3 kontainer)	✅	✅
Input Memori	Manual (penyimpanan eksplisit)	Otomatis diekstrak oleh LLM	Manual	Manual (catatan Markdown)
Tipe Memori	fakta / preferensi / instruksi / umpan balik	fakta yang diekstrak otomatis	—	observasi + tautan wiki
Pencarian sadar waktu	✅ tanggal bahasa alami	⚠️ Hanya REST, tidak dalam alat MCP	—	✅ recent_activity
Efisiensi Token	✅ pengungkapan progresif	❌	—	✅ penelusuran build_context
Impor / Ekspor	✅ JSON	✅ ZIP (JSON + JSONL)	—	✅ Markdown (dapat dibaca manusia)
Lisensi	AGPL-3.0 / Komersial	Apache 2.0	Apache 2.0	AGPL-3.0

Keunggulan nyata pesaing:

OpenMemory — mengekstrak memori secara otomatis dari teks percakapan mentah; tidak perlu memutuskan apa yang disimpan secara manual; impor/ekspor baik
mcp-memory-service — UI web lebih kaya (visualisasi graf, penilaian kualitas, 8 tab); lisensi lebih permisif (Apache 2.0); beberapa opsi transport (stdio, SSE, HTTP)
basic-memory — memori adalah file Markdown yang dapat dibaca manusia, dapat diedit, dikontrol versi, dan dibaca tanpa server apa pun; tautan entitas bergaya wiki membentuk graf pengetahuan lokal; ~20 alat MCP

Kapan memilih Memlord:

Anda menginginkan embedding lokal tanpa konfigurasi — model ONNX disertakan dengan server, tidak perlu Ollama atau API eksternal
Anda menjalankan server tim multi-pengguna dengan autentikasi OAuth 2.1 yang tepat dan ruang kerja berbasis undangan
Anda menginginkan basis data kelas produksi (PostgreSQL) yang dapat diskalakan melampaui SQLite mesin tunggal
Anda mengelola memori secara eksplisit — simpan tepat apa yang penting, diketik dan ditandai, bukan semua yang diputuskan LLM untuk diekstrak
Anda menginginkan UI Web self-hosted dengan CRUD penuh dan ekspor JSON, tanpa langganan cloud

🚀 Mulai Cepat

🐳 Docker

cp .env.example .env
docker compose up

Server HTTP (multi-pengguna, UI 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

Buka http://localhost:8000 untuk UI Web. Endpoint MCP berada di /mcp.

🔍 Cara Kerja

Setiap permintaan pencarian menjalankan BM25 dan vektor KNN secara paralel, lalu menggabungkan hasil melalui 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])

⚙️ Konfigurasi

Semua pengaturan menggunakan prefiks MEMLORD_. Lihat .env.example untuk daftar lengkapnya.

Variabel	Default	Deskripsi
`MEMLORD_DB_URL`	`postgresql+asyncpg://postgres:postgres@localhost/memlord`	URL koneksi PostgreSQL
`MEMLORD_PORT`	`8000`	Port server
`MEMLORD_BASE_URL`	`http://localhost:8000`	URL publik untuk OAuth (mode HTTP)
`MEMLORD_OAUTH_JWT_SECRET`	`memlord-dev-secret-please-change`	Rahasia penandatanganan JWT (mode HTTP)

Atur MEMLORD_BASE_URL ke URL publik Anda dan ubah MEMLORD_OAUTH_JWT_SECRET sebelum menerapkan.

🛠️ Alat MCP

Alat	Deskripsi
`store_memory`	Simpan memori (idempoten berdasarkan konten); memunculkan peringatan jika hampir duplikat; opsional `expires_at`
`retrieve_memory`	Pencarian hibrida semantik + teks lengkap; mengembalikan cuplikan secara default
`recall_memory`	Cari berdasarkan ekspresi waktu bahasa alami; mengembalikan cuplikan secara default
`list_memories`	Daftar dengan halaman dengan filter tipe/tag
`search_by_tag`	Pencarian tag DAN/ATAU
`get_memory`	Ambil satu memori berdasarkan nama dengan konten penuh
`update_memory`	Perbarui konten, tipe, tag, metadata, atau kedaluwarsa berdasarkan nama (dan opsional ganti nama)
`delete_memory`	Hapus berdasarkan nama
`move_memory`	Pindahkan memori ke ruang kerja berbeda
`list_workspaces`	Daftar ruang kerja di mana Anda menjadi anggota (termasuk pribadi)

Manajemen ruang kerja (buat, undang, gabung, keluar) ditangani melalui UI Web.

💻 Persyaratan Sistem

Python 3.12
PostgreSQL ≥ 15 dengan ekstensi pgvector
uv — manajer paket Python

👨‍💻 Pengembangan

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

📄 Lisensi

Memlord dilisensikan ganda:

AGPL-3.0 — gratis untuk penggunaan sumber terbuka. Jika Anda menjalankan versi yang dimodifikasi sebagai layanan jaringan, Anda harus mempublikasikan kode sumber Anda.
Lisensi Komersial — untuk penerapan proprietary atau sumber tertutup. Hubungi sergey@memlord.com atau dmitry@memlord.com untuk membeli.