OpenMemory MCP ：讓 AI 擁有持久記憶相互訪問 Memory

在人工智能迅猛發展的今天，大型語言模型（LLM）已經深刻改變了我們與技術交互的方式。但它們仍面臨一個關鍵短板：遺忘。每次會話結束，一切歸零——就像失憶。

想象一下，如果你的 AI 助手可以記住你曾說過的每一句話，理解你的習慣與偏好，甚至能在不同工具之間共享上下文，那將是怎樣的一次範式轉變？

這正是 OpenMemory MCP 所帶來的突破。本文將帶你深入瞭解這項創新技術，揭示如何爲 AI 工具構建本地持久的 “記憶系統”。

  1. 讓 AI 擁有記憶的革命性升級

在人工智能迅猛發展的今天，大型語言模型（LLM）已經深刻改變了我們與技術交互的方式。但它們仍面臨一個關鍵短板：遺忘。每次會話結束，一切歸零——就像失憶。

想象一下，如果你的 AI 助手可以記住你曾說過的每一句話，理解你的習慣與偏好，甚至能在不同工具之間共享上下文，那將是怎樣的一次範式轉變？

這正是 OpenMemory MCP 所帶來的突破。它由 Mem0 提供支持，是一款專爲 AI 工具打造的本地優先記憶層，能夠通過 MCP（Model Context Protocol）協議爲 AI 客戶端提供持久化、上下文感知的記憶體驗。OpenMemory 不依賴雲端，每一條記憶都存儲在你的本地系統中，確保數據主權與隱私安全。

與傳統的一問一答式 AI 使用方式不同，OpenMemory MCP 的目標是讓各種兼容工具——如 Cursor、Claude Desktop、Windsurf、Cline 等——在多個會話之間共享上下文，真正實現 “理解你” 的智能助手體驗。它不僅支持通過 SSE（Server-Sent Events）與 AI 客戶端實時通信，還內置了向量搜索、記憶審計、訪問控制等一整套完善的機制，並通過 UI 提供直觀的可視化管理界面。

  1. 安裝與配置指南

讓我們一步步設置 OpenMemory 並在本地運行它。該項目有兩個主要組件：

系統前提條件

在開始之前，確保你的系統已安裝以下軟件：

確保在繼續下一步之前 Docker Desktop 正在運行。

步驟 1：克隆倉庫並設置 OpenAI API 密鑰

# 克隆倉庫
git clone https://github.com/mem0ai/mem0.git
cd openmemory

# 設置OpenAI API密鑰作爲環境變量
export OPENAI_API_KEY=your_api_key_here
export MODEL=your_api_key_here
export OPENAI_BASE_URL =your_api_key_here

這個命令只爲當前終端會話設置密鑰，關閉終端窗口後就會失效。

步驟 2：設置後端

後端在 Docker 容器中運行。在根目錄中運行以下命令：

# 複製環境文件並編輯文件以更新OPENAI_API_KEY和其他密鑰
make env

# 構建所有Docker鏡像
make build

# 啓動Postgres、Qdrant、FastAPI/MCP服務器
make up

.env.local 文件將具有以下格式：

OPENAI_API_KEY=your_api_key

設置完成後，你的 API 將在 http://localhost:8000 上線。你還應該在 Docker Desktop 中看到正在運行的容器。

以下是一些其他有用的後端命令：

# 運行數據庫遷移
make migrate

# 查看日誌
make logs

# 在API容器中打開shell
make shell

# 運行測試
make test

# 停止服務
make down

步驟 3：設置前端

前端是一個 Next.js 應用程序。要啓動它，只需運行：

# 使用npm安裝依賴並運行Next.js開發服務器
make ui-dev

安裝成功後，你可以導航到 http://localhost:3000 查看 OpenMemory 儀表板，它將指導你在 MCP 客戶端中安裝 MCP 服務器。

http://localhost:8765/docs

步驟 4：在 MCP 客戶端中安裝

在儀表板上，你將找到基於你選擇的客戶端 (如 Cursor、Claude、Cline、Windsurf) 的一行安裝 MCP 服務器的命令。例如，在 Cursor 中安裝的命令看起來像這樣：

上圖有問題，2 個參數都沒有生效。成功時應該是

npx install-mcp i http://localhost:8765/mcp/windsurf/sse/ --client windsurf

重啓WindSurf，到WindSurf MCP 配置下面，就會新增一個 MCP。

MCP json 新增了以下內容：

"OpenMemory": {
      "command": "npx",
      "args": [
        "-y",
        "supergateway",
        "--sse",
        "http://localhost:8765/mcp/windsurf/sse/"
      ]
    }
  1. 使用 OpenMemory MCP：基礎操作

一旦你設置好 OpenMemory MCP，你就可以開始使用它的核心功能。以下是基本操作：

添加記憶

你可以通過 MCP 客戶端使用add_memories工具將信息存儲到 OpenMemory 中。這些記憶將被向量化並存儲在 Qdrant 中，以便後續檢索。

搜索記憶

使用search_memory工具，你可以基於語義相關性搜索存儲的記憶。這比簡單的關鍵詞匹配更強大，因爲它可以找到概念上相關的信息，即使沒有共享相同的詞彙。

列出記憶

list_memories工具允許你查看所有存儲的記憶，幫助你瞭解 AI 助手已經知道什麼。

刪除記憶

如果你需要清除記憶，可以使用delete_all_memories工具。這在你想要重置 AI 助手的上下文或刪除敏感信息時非常有用。

  1. 說明文檔

http://localhost:8765/docs 這個地址是 api 的說明文檔，

可以在這裏進行簡單的測試。

可以直接使用這些接口進行二次開發，同時，可以使用其官方的 python 包，直接進行 Python 二次開發。

from openai import OpenAI
from mem0 import Memory

openai_client = OpenAI()
memory = Memory()

def chat_with_memories(message: str, user_id: str = "default_user") -> str:
    # Retrieve relevant memories
    relevant_memories = memory.search(query=message, user_id=user_id, limit=3)
    memories_str = "\n".join(f"- {entry['memory']}" for entry in relevant_memories["results"])

    # Generate Assistant response
    system_prompt = f"You are a helpful AI. Answer the question based on query and memories.\nUser Memories:\n{memories_str}"
    messages = [{"role": "system", "content": system_prompt}, {"role": "user", "content": message}]
    response = openai_client.chat.completions.create(model="gpt-4o-mini", messages=messages)
    assistant_response = response.choices[0].message.content

    # Create new memories from the conversation
    messages.append({"role": "assistant", "content": assistant_response})
    memory.add(messages, user_id=user_id)

    return assistant_response

def main():
    print("Chat with AI (type 'exit' to quit)")
    while True:
        user_input = input("You: ").strip()
        if user_input.lower() == 'exit':
            print("Goodbye!")
            break
        print(f"AI: {chat_with_memories(user_input)}")

if __name__ == "__main__":
    main()
  1. 最後

現在這個東西只是個半成品，理論非常好，把支持 MCP 的客戶端的記憶上傳至同一存儲地址，讓他們共享 Memory，幾個客戶端相當於可以相互通訊，讓他們負責各種功能的開發，每個時間點用不同的開發工具。

目前來看，還需要基於 SSE 的二次開發，個人或者開發者有後續的更新。

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/-9P6YLq6W43tV2d_QfAjgw

猜你喜歡