Knowledge Graph Memory MCP Server 使用说明

项目简介

Knowledge Graph Memory MCP Server 是一个基于 Model Context Protocol (MCP) 构建的后端服务，它使用知识图谱来管理实体、关系和观察信息，为大型语言模型（LLM）客户端提供结构化的上下文记忆能力。该服务器旨在帮助LLM应用记住关键信息，并在对话过程中利用这些信息，从而提升LLM的对话质量和应用性能。

主要功能点

知识图谱存储与管理：支持创建、读取、更新和删除知识图谱中的实体和关系，使用 JSONL 文件作为持久化存储。
数据验证：提供严格的数据验证规则，确保知识图谱的数据一致性和准确性，例如实体名称格式、实体类型、关系类型等。
实体和关系操作：提供丰富的工具 (Tools) 用于操作知识图谱，包括：
- 'get_entity': 根据名称获取实体信息。
- 'get_graph': 获取完整的知识图谱数据。
- 'create_entities': 批量创建多个实体。
- 'add_observation': 为实体添加新的观察信息。
- 'create_relation': 在实体之间创建关系。
- 'search_memory': 根据自然语言查询搜索知识图谱。
- 'delete_entities': 批量删除多个实体及其相关关系。
- 'delete_relation': 删除实体之间的关系。
- 'flush_memory': 将内存中的更改持久化到存储。
自然语言搜索：支持基于关键词的自然语言搜索，可以根据实体名称、类型或观察信息进行模糊或精确匹配。
Prompt 模板：提供 Prompt 模板 (Prompts) 用于生成与LLM交互的提示语，例如创建实体的提示、搜索记忆的提示和创建关系的提示。
错误处理：定义了明确的错误类型和响应模型，方便客户端进行错误处理。

安装步骤

安装服务器：在支持 MCP 协议的客户端（如 Claude Desktop）中，使用 'mcp install' 命令安装该服务器。
```
mcp install main.py -v MEMORY_FILE_PATH=/path/to/memory.jsonl
```
- '-v MEMORY_FILE_PATH=/path/to/memory.jsonl'：这是一个可选参数，用于指定知识图谱数据存储的 JSONL 文件路径。如果不指定，默认会使用 '~/.claude/memory.jsonl' 文件。您可以根据需要修改 '/path/to/memory.jsonl' 为您希望存储知识图谱数据的文件路径。

服务器配置 (MCP 客户端配置)

要将 Knowledge Graph Memory MCP Server 集成到 MCP 客户端，您需要配置服务器的启动命令和参数。以下是 MCP 客户端所需的服务器配置信息（JSON 格式）：

{
  "server_name": "Memory",
  "command": "main.py",
  "args": [
    // "-v", "MEMORY_FILE_PATH=/path/to/memory.jsonl"
    // 可选参数：指定知识图谱数据存储的 JSONL 文件路径。
    // 如果需要指定文件路径，取消注释上面一行，并将 "/path/to/memory.jsonl" 替换为您希望使用的路径。
  ]
}

配置参数说明:

'server_name': 服务器名称，设置为 "Memory"。
'command': 启动服务器的命令，这里设置为 'main.py'，假设 'main.py' 文件位于 MCP 客户端可以执行的路径中。
'args': 启动参数列表，目前配置为空列表。如果需要指定 'MEMORY_FILE_PATH'，请取消注释 'args' 数组中的行，并修改为您需要的路径。

注意:

MCP 客户端需要能够找到并执行 'main.py' 文件。通常情况下，'main.py' 文件会和 'mcp install' 命令安装到一起，客户端会自动处理执行路径问题。
'args' 参数是可选的。如果您不需要自定义知识图谱数据存储路径，可以保持 'args' 为空列表。

基本使用方法

安装并配置服务器后，您可以使用 MCP 客户端通过 'session.call_tool' 方法调用服务器提供的工具 (Tools) 来管理知识图谱。

例如：

创建实体：

entities = [
    Entity(
        name="python-project",
        entityType="project",
        observations=["Started development on 2024-01-29"]
    )
]
result = await session.call_tool("create_entities", {
    "entities": entities
})

添加观察信息：

result = await session.call_tool("add_observation", {
    "entity": "python-project",
    "observation": "Completed initial prototype"
})

搜索记忆：

result = await session.call_tool("search_memory", {
    "query": "python project"
})
if result.success:
    print(result.data)

更多工具的使用方法请参考仓库 README.md 文件中的 "Usage" 部分提供的示例代码。

关键词