Memlord

面向个人和团队的自托管 MCP 记忆服务器

快速入门 • 工作原理 • MCP 工具 • 配置 • 系统要求 • 许可证

---

✨ 功能特性

• 🔍 混合搜索 — 通过倒数排名融合（RRF）结合 BM25（全文搜索）和向量 KNN（pgvector）
• 📂 多用户支持 — 每个用户只能看到自己的记忆；工作区用于共享团队知识
• 🛠️ 11 个 MCP 工具 — 存储、检索、回忆、列表、按标签搜索、获取、更新、删除、移动、列出工作区、梦境报告
• 💤 梦境功能 — 引导式整合过程（dream MCP 提示词 + dream_report 工具）：查找近似重复和冲突的记忆，由客户端 LLM 驱动，以非破坏性方式将其合并为洞察
• 🌐 Web 界面 — 在浏览器中浏览、搜索、编辑和删除记忆；支持 JSON 导出/导入
• 🔒 OAuth 2.1 — 完整的进程内授权服务器，始终启用
• 🐘 PostgreSQL — 使用 pgvector 处理嵌入向量，使用 tsvector 进行全文搜索
• 📊 渐进式信息披露 — 搜索默认返回紧凑摘要；仅在需要时调用 get_memory(name)，减少 token 消耗
• 🔁 去重 — 保存前自动检测几乎相同的记忆，防止信息噪音累积

---

🆚 Memlord 对比分析

	Memlord	OpenMemory	mcp-memory-service	basic-memory
搜索	BM25 + 向量 + RRF	仅向量 (Qdrant)	BM25 + 向量 + RRF	BM25 + 向量
嵌入模型	本地 ONNX，零配置	默认 OpenAI；可选 Ollama	本地 ONNX，零配置	本地 FastEmbed
存储	PostgreSQL + pgvector	PostgreSQL + Qdrant	SQLite-vec / Cloudflare Vectorize	SQLite + Markdown 文件
多用户	✅	❌ 实际为单用户	⚠️ agent-ID 作用域，无隔离	❌
工作区	✅ 共享 + 个人，邀请链接	⚠️ "Apps" 命名空间	⚠️ 标签 + conversation_id	✅ 按项目标记
身份验证	✅ OAuth 2.1	❌ 无 (自托管)	✅ OAuth 2.0 + PKCE	❌
Web 界面	✅ 浏览、编辑、导出	✅ Next.js 仪表盘	✅ 丰富的界面、图谱可视化、质量评分	❌ 本地；仅云端
MCP 工具	11	5	15+	~20
自托管	✅ 单进程	✅ Docker (3 个容器)	✅	✅
记忆输入	手动 (显式存储)	LLM 自动提取	手动	手动 (Markdown 笔记)
记忆类型	事实 / 偏好 / 指令 / 反馈 / 决策 / 洞察	自动提取的事实	—	观察 + wiki 链接
时间感知搜索	✅ 自然语言日期	⚠️ 仅 REST，不在 MCP 工具中	—	✅ recent_activity
Token 效率	✅ 渐进式信息披露	❌	—	✅ build_context 遍历
导入 / 导出	✅ JSON	✅ ZIP (JSON + JSONL)	—	✅ Markdown (人类可读)
许可证	AGPL-3.0 / 商业	Apache 2.0	Apache 2.0	AGPL-3.0

竞品的真正优势：

• OpenMemory — 从原始对话文本中自动提取记忆；无需手动决定存储内容；良好的导入/导出功能
• mcp-memory-service — 更丰富的 Web 界面（图谱可视化、质量评分、8 个选项卡）；更宽松的许可证（Apache 2.0）；多种传输选项（stdio、SSE、HTTP）
• basic-memory — 记忆是人类可读的 Markdown 文件，无需任何服务器即可编辑、版本控制和阅读；wiki 风格的实体链接形成本地知识图谱；约 20 个 MCP 工具

何时选择 Memlord：

• 您需要零配置本地嵌入 — ONNX 模型随服务器提供，无需 Ollama 或外部 API
• 您运行一个多用户团队服务器，具有适当的 OAuth 2.1 身份验证和基于邀请的工作区
• 您需要一个生产级数据库（PostgreSQL），其扩展性超越单机 SQLite
• 您显式地管理记忆 — 精确存储重要内容，分类并标记，而非 LLM 决定提取的所有内容
• 您需要一个自托管 Web 界面，具有完整的增删改查和 JSON 导出功能，无需云订阅

---

🚀 快速入门

🐳 Docker

cp .env.example .env
docker compose up

HTTP 服务器 (多用户、Web 界面、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

打开 http://localhost:8000 访问 Web 界面。MCP 端点位于 /mcp。

---

🔍 工作原理

每个搜索请求并行运行 BM25 和向量 KNN，然后通过倒数排名融合合并结果：

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])

---

⚙️ 配置

所有设置均使用 MEMLORD_ 前缀。完整列表请参阅 .env.example。

变量	默认值	描述
MEMLORD_DB_URL	postgresql+asyncpg://postgres:postgres@localhost/memlord	PostgreSQL 连接 URL
MEMLORD_PORT	8000	服务器端口
MEMLORD_BASE_URL	http://localhost:8000	OAuth 的公共 URL (HTTP 模式)
MEMLORD_OAUTH_JWT_SECRET	memlord-dev-secret-please-change	JWT 签名密钥 (HTTP 模式)

部署前，请将 MEMLORD_BASE_URL 设置为您的公共 URL，并更改 MEMLORD_OAUTH_JWT_SECRET。

---

🛠️ MCP 工具

工具	描述
store_memory	保存记忆（基于内容的幂等操作）；遇到近似重复时引发提示；可选的 expires_at
retrieve_memory	混合语义 + 全文搜索；默认返回摘要
recall_memory	通过自然语言时间表达式搜索；默认返回摘要
list_memories	带类型/标签过滤的分页列表
search_by_tag	AND/OR 标签搜索
get_memory	按名称获取单个记忆的完整内容（包括已过期的）
update_memory	按名称更新内容、类型、标签、元数据或过期时间（并可选择重命名）
delete_memory	按名称删除
move_memory	将记忆移动到不同的工作区
list_workspaces	列出您所属的工作区（包括个人工作区）
dream_report	只读整合候选：相似记忆对、已过期和即将过期的记忆

dream MCP 提示词引导客户端 LLM 对 dream_report 的输出执行完整的整合过程：对相似记忆对进行分类（重复 / 互补 / 冲突），合并为 insight 记忆，通过 expires_at 淘汰被取代的记忆 — 全程非破坏性。

工作区管理（创建、邀请、加入、离开）通过 Web 界面处理。

---

💻 系统要求

• Python 3.12
• PostgreSQL ≥ 15，并安装 pgvector 扩展
• uv — Python 包管理器

---

👨‍💻 开发

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

---

📄 许可证

Memlord 采用双重许可：

• AGPL-3.0 — 开源使用免费。如果您将修改后的版本作为网络服务运行，则必须公开您的源代码。
• 商业许可证 — 用于专有或闭源部署。请联系 sergey@memlord.com 或 dmitry@memlord.com 购买。