OmniMem
官方一個自託管的 MCP 伺服器，為 AI 代理提供跨工作階段、專案與機器的持久記憶。
你可以用 OmniMem MCP 做什麼？
為您的 AI 代理提供跨工作階段、專案與機器的持久、自架記憶體——要求它「在建議一個已經失敗的函式庫之前，先檢查一下墳場」。
- 工作階段簡報 — 要求提供
briefing，即可在一次呼叫中取得專案背景、經驗統計、過時記憶、新文章與技能建議。 - 避免重蹈覆轍 — 讓代理在建議先前失敗的函式庫或模式之前，先檢查墳場。
- 回顧過往決策 — 使用
recall來呈現先前工作階段中跨專案的決策、修正與模式。 - 記錄得來不易的經驗 — 使用
record_experience記錄修正，讓那些耗費心力才獲得的教訓，下次更容易浮現。 - 去重記憶 — 執行
find_duplicates來標記並批次清理近乎重複的已儲存記憶。 - 備份您的記憶 — 使用
dump_to_file將所有內容匯出為您擁有的 JSON 檔案。
文件
Self-hosted semantic memory for AI Agents. Persistent sessions, experience scoring, and a graveyard for dead ends, backed by knowledge acquired from the RSS you read and stored in a Valkey vector search then exposed as an MCP server. https://omnimem.org
<OmniMem>omnimem.org
開發在 Codeberg 上進行 — 問題與 PR 請到那裡提出。
別再重複經歷同一個 session。
每一次 Claude Code session 都從零開始。沒有你專案的記憶。沒有上週失敗的記憶。沒有你上週二花了三個小時才發現為什麼 onnxruntime 在 Alpine 上會爆炸、最後終於找到可行方案的記憶。
所以你又要重新解釋專案。Claude 又建議同一個壞掉的 library。同樣的警報。同樣的戲碼。你是 Bill Murray，而 Claude 是 Punxsutawney。
OmniMem 解決這個問題。它是一個 self-hosted 的 MCP server，讓你的 AI agent 在 session、專案和機器之間擁有持久記憶。它跑在你自己的硬體上，而且永遠免費。
claude> use onnxruntime for the embeddings
⚠ WARNING: previously abandoned approach
onnxruntime — SIGILL crash on Alpine musl libc (effort: 4/5)
→ switched to sentence-transformers instead
那個警告來自記憶，不是運氣。你已經付出代價的錯誤，不該再向你收費第二次。
快速上手
提示
一條指令就能從預先建好的 Docker Hub images 啟動完整 stack：
curl -fsSL https://codeberg.org/ric_harvey/omnimem/raw/branch/main/install.sh | bash
它記住什麼
五種記憶，在 recall 時全部一起搜尋：
- Episodic（事件記憶） — 你做的決定、你修的 bug、你發現的模式。那些真正花費心力才學到的東西，不該每天早上重新學一遍。
- Project context（專案脈絡） — 你的 stack、目標和當前狀態。Agent 每次 session 到達時已經被 briefing 過，而不是從冷啟動開始。
- Knowledge（知識） — 你設定的 RSS feeds，按排程抓取，由 Claude Haiku 摘要、embedding 後儲存。當上週有相關文章出現時，它會浮現為值得一讀的起點。
- Preferences（偏好） — 關於你希望如何工作的規範性規則（例如「功能上線後永遠更新 README」），從你的對話中自動萃取，並在適用時浮現。
- Skills（技能） — 從你在某個領域累積的經驗編譯而成的 SKILL.md 文件，讓 agent 從第一個 prompt 就用你的方式工作。從其他 namespaces 衍生而來，絕不手動編輯，每次變更都經過你的 review。請見 skill compiler。 最頂端的召回結果可能是六個月前另一個專案的決策、昨天的解決方案，或週二晚上出現的文章。只要有用，來源並不重要。
與眾不同之處
不只是帶有 MCP 包裝的鍵值儲存。OmniMem 模擬記憶實際運作的方式：事物會隨時間淡去、有時彼此矛盾，而艱苦得來的經驗會贏得自己的位置。
- The Graveyard — 每個死胡同都會記錄你嘗試過什麼、為何失敗，以及浪費了多少時間。代理程式在建議函式庫或模式之前會先檢查它。
- Experience scoring — 花了四次嘗試和一個奇怪的平台變通方案才破解的東西是黃金。越難取得的經驗，下次越容易浮現。
- Memory lifecycle —
ACTIVE → DEPRIORITISED → ARCHIVED → DELETED。「忘記 X」通常意味著不再提起它，而不是將它從存在中抹去。被降級優先順序的記憶可以重新贏回自己的位置。 - Contradiction detection — 如果新記憶與已儲存的內容相矛盾，OmniMem 會捕捉到。每次寫入時進行快速啟發式檢查，可選透過 Claude Haiku 進行更深入的分析。
- Semantic deduplication — 幾乎相同的記憶會在寫入時被標記，並透過
find_duplicates()進行批次清理。 - One-call briefing — 單次
briefing()呼叫即可回傳專案上下文、經驗統計、過時記憶、新文章、矛盾警告和技能建議。無需三步驟暖身。 - The skill compiler — 將強化後的教訓和死胡同濃縮為可載入的技能，並設有提案與接受閘門，讓不良教訓無法默默成為政策。
- Auto-maintenance — 重複項目歸檔、矛盾標記、過期知識清理，全部在背景執行。
- Web UI — 從 htmx 儀表板瀏覽、搜尋和管理一切，並提供遙測和 Prometheus
/metrics端點。
每次召回背後的排名公式：
score = similarity x surface_score x recency x experience_weight
四個因素決定回傳什麼。僅靠語意相似度不夠——生命週期狀態、年齡，以及教訓的學習難度都扮演重要角色。
適用於任何 MCP 代理程式
適用於所有代理程式的單一記憶層：claude.ai、Claude Code、Claude Desktop、Cursor、GitHub Copilot、GitLab Duo、AWS Kiro、OpenCode、OpenAI Codex CLI 和 Open Design。
架構
四個容器。沒有任何資料離開你的機器。透過 sentence-transformers 進行本機嵌入，儲存在支援向量搜尋的 Valkey 中，兩個前端入口共享同一個記憶引擎。
flowchart TB
agent["AI agent<br/>Claude Code · claude.ai · Cursor · Copilot · ..."]
browser["Browser"]
agent -- "MCP · Streamable HTTP / SSE · :8765" --> mcp
browser -- "HTTP · :8080" --> webui
subgraph stack["Docker Compose stack"]
mcp["MCP server<br/>Python · FastMCP<br/><i>remember · recall · briefing<br/>compile_skill · record_experience</i>"]
webui["Web UI<br/>Starlette · htmx · Jinja2<br/><i>dashboard · search · skills<br/>projects · backups · /metrics</i>"]
rss["RSS worker<br/>feedparser · APScheduler<br/>Claude Haiku summaries"]
valkey[("Valkey + valkey-search<br/>HNSW vector indexes<br/><i>idx:episodic · idx:project · idx:knowledge<br/>idx:preference · idx:skill</i>")]
mcp <--> valkey
webui <--> valkey
rss --> valkey
end
完整藍圖——召回管線、儲存模型和設計決策——位於 docs/architecture.md。
自架、開源、屬於你
沒有 SaaS。沒有供應商鎖定。沒有將上下文傳送到他人的伺服器。
- Valkey 是開源的 Redis 分支。你所有的資料都保留在自己機器上的具名 Docker 磁碟區中。
- 支援 amd64 和 arm64 的多架構 Docker 映像。它在 Raspberry Pi、AWS Graviton 或 Apple Silicon 上與 x86 一樣運作良好。
- sentence-transformers 在本機執行嵌入，無需任何 API 呼叫。
- MIT 授權意味著你可以自由分支、擴充，並在任何地方執行。
- 單一備份指令呼叫
dump_to_file()並將所有內容匯出到你擁有的 JSON 檔案。
透過你的反向代理暴露 MCP 連接埠，你使用的每台機器都共享相同的記憶。一次部署，隨處可用——請參閱 docs/remote-access.md。
快速入門
安裝程式會檢查 Docker 是否已安裝、產生安全密碼、寫入合理的 .env，並從預先建置的 Docker Hub 映像啟動一切：
curl -fsSL https://codeberg.org/ric_harvey/omnimem/raw/branch/main/install.sh | bash
或從原始碼建置：
git clone https://codeberg.org/ric_harvey/omnimem.git && cd omnimem
cp .env.example .env
# Set VALKEY_PASSWORD and ANTHROPIC_API_KEY in .env
docker compose up -d
然後將你的代理程式指向它——Claude Code（~/.claude.json）：
{
"mcpServers": {
"omnimem": {
"type": "sse",
"url": "http://localhost:8765/sse"
}
}
}
伺服器會透過 MCP 的 instructions 欄位自動將使用指南傳遞給任何連線的代理程式——無需設定檔。網頁儀表板位於 http://localhost:8080。
完整的逐步教學，包括驗證權杖、權限設定和其他代理程式，位於 docs/quick-start.md。
文件
| 快速入門 | 安裝程式、從原始碼建置、連線你的代理程式 |
| 功能深入探討 | 生命週期、墳場、經驗評分、去重、矛盾、簡報 |
| 技能編譯器 | 將經驗編譯為可載入的技能 |
| MCP 工具參考 | 全部 30+ 個工具 |
| 設定參考 | 每個環境變數 |
| RSS 與知識 | 被動知識攝取與提升 |
| 多台機器 | 反向代理、claude.ai 的 OAuth 2.1、疑難排解 |
| 網頁介面 | 管理儀表板和 Prometheus 指標 |
| 架構 | 容器、召回管線、設計決策 |
| 記憶類型規格 | 儲存模型，逐欄位說明 |
| 連線指南 | 各代理程式的設定 |
| 部署指南 | macOS · Raspberry Pi · AWS · GCP · Linux + Tailscale Funnel |
各命名空間的儲存規格，如果你想確切知道什麼內容由誰寫入 Valkey：概覽 · 情節 · 專案 · 知識 · 偏好 · 技能
貢獻
歡迎提交 Issue 和 PR。開發在 Codeberg 上進行——請在那裡提交 Issue 和 PR。OmniMem 設計為可擴充的，評分管線的結構允許在不觸及核心的情況下新增新的乘數。新的 MCP 工具、額外的命名空間類型，以及替代的嵌入後端都是合理的發展方向。
授權
MIT。可自由使用、分支和修改。沒有企業版、沒有託管版本、沒有任何附加條件。
由 Ric Harvey @ SquareCows Ltd 打造，一家為寧願擁有自己工具的人提供服務的 AI 與自動化顧問公司。