Memlord

適用於個人和團隊的自託管 MCP 記憶伺服器

快速入門 • 運作方式 • MCP 工具 • 設定 • 系統需求 • 授權條款

---

✨ 功能特色

• 🔍 混合搜尋 — 透過倒數排名融合 (Reciprocal Rank Fusion) 結合 BM25（全文檢索）與向量 KNN（pgvector）
• 📂 多使用者 — 每位使用者僅能看到自己的記憶；工作區則用於共享團隊知識
• 🛠️ 11 個 MCP 工具 — 儲存、擷取、回想、列出、依標籤搜尋、取得、更新、刪除、移動、列出工作區、夢境報告
• 💤 夢境 — 一個引導式的整合流程（dream MCP 提示詞與 dream_report 工具）：找出近乎重複和衝突的記憶，並在客戶端 LLM 的驅動下，以非破壞性方式將其合併為洞察
• 🌐 網頁介面 — 在瀏覽器中瀏覽、搜尋、編輯和刪除記憶；匯出/匯入 JSON
• 🔒 OAuth 2.1 — 完整的內建授權伺服器，始終啟用
• 🐘 PostgreSQL — 使用 pgvector 處理嵌入向量，使用 tsvector 進行全文檢索
• 📊 漸進式揭露 — 搜尋預設回傳精簡摘要；僅在需要時呼叫 get_memory(name)，以減少 token 用量
• 🔁 去重 — 儲存前自動偵測近乎相同的記憶，防止雜訊累積

---

🆚 Memlord 與其他方案的比較

	Memlord	OpenMemory	mcp-memory-service	basic-memory
搜尋	BM25 + 向量 + RRF	僅向量 (Qdrant)	BM25 + 向量 + RRF	BM25 + 向量
嵌入模型	本機 ONNX，無需設定	預設 OpenAI；可選用 Ollama	本機 ONNX，無需設定	本機 FastEmbed
儲存	PostgreSQL + pgvector	PostgreSQL + Qdrant	SQLite-vec / Cloudflare Vectorize	SQLite + Markdown 檔案
多使用者	✅	❌ 實務上為單一使用者	⚠️ agent-ID 範圍劃分，無隔離機制	❌
工作區	✅ 共享 + 個人，邀請連結	⚠️ "Apps" 命名空間	⚠️ 標籤 + conversation_id	✅ 每個專案旗標
身份驗證	✅ OAuth 2.1	❌ 無 (自託管)	✅ OAuth 2.0 + PKCE	❌
網頁介面	✅ 瀏覽、編輯、匯出	✅ Next.js 儀表板	✅ 豐富的 UI、圖形視覺化、品質分數	❌ 本機；僅限雲端
MCP 工具	11	5	15+	~20
自託管	✅ 單一處理程序	✅ Docker (3 個容器)	✅	✅
記憶輸入	手動 (明確儲存)	由 LLM 自動擷取	手動	手動 (Markdown 筆記)
記憶類型	事實 / 偏好 / 指示 / 回饋 / 決策 / 洞察	自動擷取的事實	—	觀察 + wiki 連結
時間感知搜尋	✅ 自然語言日期	⚠️ 僅限 REST，不在 MCP 工具中	—	✅ recent_activity
Token 效率	✅ 漸進式揭露	❌	—	✅ build_context 遍歷
匯入 / 匯出	✅ JSON	✅ ZIP (JSON + JSONL)	—	✅ Markdown (人類可讀)
授權條款	AGPL-3.0 / 商業	Apache 2.0	Apache 2.0	AGPL-3.0

競爭對手的真正優勢：

• OpenMemory — 從原始對話文字中自動擷取記憶；無需手動決定要儲存什麼；良好的匯入/匯出功能
• mcp-memory-service — 更豐富的網頁介面（圖形視覺化、品質評分、8 個分頁）；更寬鬆的授權條款 (Apache 2.0)；多種傳輸選項 (stdio、SSE、HTTP)
• basic-memory — 記憶是人類可讀的 Markdown 檔案，無需任何伺服器即可編輯、版本控制和閱讀；wiki 風格的實體連結形成本機知識圖譜；約 20 個 MCP 工具

何時選擇 Memlord：

• 您想要無需設定的本機嵌入模型 — ONNX 模型隨伺服器提供，無需 Ollama 或外部 API
• 您運行一個多使用者團隊伺服器，並具備適當的 OAuth 2.1 驗證和基於邀請的工作區
• 您想要一個生產級資料庫 (PostgreSQL)，其擴展性超越單機的 SQLite
• 您明確地管理記憶 — 精確儲存重要的內容，並加以分類和標記，而非 LLM 決定擷取的所有內容
• 您想要一個自託管的網頁介面，具備完整的 CRUD 和 JSON 匯出功能，無需雲端訂閱

---

🚀 快速入門

🐳 Docker

cp .env.example .env
docker compose up

HTTP 伺服器 (多使用者、網頁介面、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

開啟 http://localhost:8000 以使用網頁介面。MCP 端點位於 /mcp。

---

🔍 運作方式

每個搜尋請求會並行執行 BM25 和向量 KNN，然後透過倒數排名融合 (Reciprocal Rank Fusion) 合併結果：

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])

---

⚙️ 設定

所有設定均使用 MEMLORD_ 前綴。完整清單請參閱 .env.example。

變數	預設值	說明
MEMLORD_DB_URL	postgresql+asyncpg://postgres:postgres@localhost/memlord	PostgreSQL 連線 URL
MEMLORD_PORT	8000	伺服器連接埠
MEMLORD_BASE_URL	http://localhost:8000	OAuth 的公開 URL (HTTP 模式)
MEMLORD_OAUTH_JWT_SECRET	memlord-dev-secret-please-change	JWT 簽署密鑰 (HTTP 模式)

部署前，請將 MEMLORD_BASE_URL 設定為您的公開 URL，並變更 MEMLORD_OAUTH_JWT_SECRET。

---

🛠️ MCP 工具

工具	說明
store_memory	儲存記憶（基於內容的冪等操作）；若近乎重複則引發提示；可選的 expires_at
retrieve_memory	混合語義與全文搜尋；預設回傳摘要
recall_memory	依自然語言時間表達式搜尋；預設回傳摘要
list_memories	具備類型/標籤篩選的分頁清單
search_by_tag	AND/OR 標籤搜尋
get_memory	依名稱取得單一記憶的完整內容（包含已過期的）
update_memory	依名稱更新內容、類型、標籤、中繼資料或到期日（並可選擇重新命名）
delete_memory	依名稱刪除
move_memory	將記憶移動到不同的工作區
list_workspaces	列出您所屬的工作區（包含個人工作區）
dream_report	唯讀的整合候選項目：相似的記憶對、已過期和即將過期的記憶

dream MCP 提示詞會引導客戶端 LLM 對 dream_report 的輸出進行完整的整合流程：分類相似的記憶對（重複 / 互補 / 衝突），合併為 insight 記憶，並透過 expires_at 淘汰被取代的記憶 — 全程為非破壞性操作。

工作區管理（建立、邀請、加入、離開）則透過網頁介面處理。

---

💻 系統需求

• Python 3.12
• PostgreSQL ≥ 15，並安裝 pgvector 擴充功能
• uv — Python 套件管理器

---

👨‍💻 開發

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

---

📄 授權條款

Memlord 採用雙重授權：

• AGPL-3.0 — 開放原始碼使用免費。若您將修改後的版本作為網路服務運行，則必須公開您的原始碼。
• 商業授權 — 適用於專有或閉源部署。請聯繫 sergey@memlord.com 或 dmitry@memlord.com 購買。