Memlord

Server memori MCP self-hosted untuk penggunaan pribadi dan tim

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

---

✨ Fitur

• 🔍 Pencarian hybrid — 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
• 🛠️ 11 alat MCP — simpan, ambil, ingat, daftar, cari berdasarkan tag, dapatkan, perbarui, hapus, pindahkan, daftar ruang kerja, laporan dream
• 💤 Dreaming — proses konsolidasi terpandu (dream prompt MCP + dream_report alat): menemukan memori yang hampir duplikat dan bertentangan, menggabungkannya menjadi wawasan secara non-destruktif, didorong oleh LLM klien
• 🌐 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 embeddings, 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
Embeddings	ONNX lokal, tanpa konfigurasi	OpenAI default; 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 agent-ID, tanpa isolasi	❌
Ruang Kerja	✅ bersama + pribadi, tautan undangan	⚠️ Namespace "Apps"	⚠️ 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	11	5	15+	~20
Self-hosted	✅ proses tunggal	✅ Docker (3 kontainer)	✅	✅
Input Memori	Manual (penyimpanan eksplisit)	Diekstrak otomatis oleh LLM	Manual	Manual (catatan Markdown)
Tipe Memori	fakta / preferensi / instruksi / umpan balik / keputusan / wawasan	fakta yang diekstrak otomatis	—	observasi + tautan wiki
Pencarian sadar waktu	✅ tanggal bahasa alami	⚠️ Hanya REST, tidak di alat MCP	—	✅ recent_activity
Efisiensi Token	✅ pengungkapan progresif	❌	—	✅ build_context traversal
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 gaya wiki membentuk graf pengetahuan lokal; ~20 alat MCP

Kapan memilih Memlord:

• Anda menginginkan embeddings 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 ada 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\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])

---

⚙️ Konfigurasi

Semua pengaturan menggunakan awalan 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; expires_at opsional
retrieve_memory	Pencarian hybrid semantik + teks lengkap; mengembalikan cuplikan secara default
recall_memory	Cari berdasarkan ekspresi waktu bahasa alami; mengembalikan cuplikan secara default
list_memories	Daftar dengan halaman dan filter tipe/tag
search_by_tag	Pencarian tag AND/OR
get_memory	Ambil satu memori berdasarkan nama dengan konten lengkap (termasuk yang kedaluwarsa)
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)
dream_report	Kandidat konsolidasi hanya-baca: pasangan memori serupa, memori kedaluwarsa dan yang akan segera kedaluwarsa

Prompt MCP dream memandu LLM klien melalui proses konsolidasi penuh atas output dream_report: klasifikasikan pasangan serupa (duplikat / komplementer / konflik), gabungkan menjadi memori insight, pensiunkan yang digantikan melalui expires_at — tidak pernah secara destruktif.

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.