使用说明

• 项目简介

  • 该仓库实现了一个基于 MCP 的后端服务器，核心职责是向 LLM 客户端暴露资源管理、工具调用和提示渲染等能力，支持会话管理、能力声明以及多种传输方式（如标准输入输出、HTTP 服务器等），为以记忆图谱为基础的对话系统提供可扩展的上下文服务框架。

• 主要功能点

  • MCP 服务器入口与协议处理
  • 注册并暴露工具（Tools），客户端通过 JSON-RPC 调用
  • 读取/创建/更新 Memory Notes（资源）
  • 维护 Memory Graph（图结构）的边与节点
  • 执行 Memory Enzymes 进行图结构维护（ prune、SUGGEST、digest 等）
  • 支持研究者代理（Researcher Agent）进行深 web 研究并写入 Note
  • 提供可选的 HTTP 服务器暴露图谱数据用于外部工具对接
  • 与 Ollama/OpenRouter 等 LLM 提供商对接，进行嵌入与文本提取

• 安装步骤

  • 安装依赖
    • 需要 Python 环境，并安装依赖：pip install -r requirements.txt
  • 图后端/存储
    • 支持 NetworkX（默认）、RustworkX、FalkorDB（实验性）。
    • 需要符合你环境的依赖，如 RustworkX、FalkorDB、Redis 等（若选 FalkorDB 需额外配置 Redis/数据库）。
  • 配置文件
    • 将 .env.example 复制为 .env 并按需修改环境变量（例如 GRAPH_BACKEND、LLM_PROVIDER、OPENROUTER_KEY 等）。
  • 启动服务器
    • 直接运行：python mcp_server.py

• 服务器配置（MCP 客户端使用的描述性信息，JSON 格式，含 server name、command、args 等）

  • server: "a-mem"
  • command: "python"
  • args: ["mcp_server.py"]
  • 说明：启动后服务器端通过 MCP 规范对外暴露工具与能力，MCP 客户端无需关心实现细节，只需通过工具名调用即可。

• 基本使用方法

  • 启动服务器后，MCP 客户端可以：
    • 调用 list_tools() 获取可用工具清单
    • 调用 call_tool(name, args) 执行工具
    • 调用 get_graph/get_notes/get_memories 等接口以获取内存图数据
    • 调用 run_memory_enzymes 等进行图结构维护
  • 在 Cursor、VSCode 等 IDE 集成中，可以通过 MCP 配置文件以环境覆盖的方式定制 per-instance 设置
  • 服务器也支持通过 TCP/HTTP 暴露图谱数据，方便外部工具接入（extract_graph.py 等）

• 重要注意

  • 该实现包含多种组件，开发强调了异步 I/O、后台任务、以及对图结构的维护与监控。实际运行时需确保所选图后端与 LLM 提供商的依赖可用并正确配置。