使用说明

项目简介

Knowledge Graph Memory Server 是一个基于 Model Context Protocol (MCP) 的服务器实现，它使用本地知识图谱来为大型语言模型（LLM）提供持久化的记忆功能。该服务器不仅能够存储和检索用户的对话信息，还能通过 Lesson 系统帮助 LLM 从过去的错误中学习和改进，从而提升 LLM 在跨会话场景下的用户体验和问题解决能力。

主要功能点

持久化记忆: 使用本地知识图谱存储实体、关系和观察，实现用户和信息的长期记忆。
知识图谱管理: 提供丰富的工具 (Tools) 用于创建、读取、更新和删除知识图谱中的实体和关系。
错误学习 (Lesson): 引入 Lesson 概念，允许 LLM 记录和学习错误模式、解决方案以及验证步骤，提升错误处理能力。
Lesson 推荐: 能够根据上下文推荐相关的 Lessons，帮助 LLM 快速找到并应用已学习的解决方案。
文件管理: 自动处理和分割 'memory.json' 和 'lesson.json' 数据文件，优化性能和可维护性。
事务管理: 支持事务操作，确保数据读写的一致性和可靠性。
缓存机制: 内置缓存管理，提高数据访问效率。

安装步骤

克隆仓库

git clone https://github.com/T1nker-1220/memories-with-lessons-mcp-server
cd memories-with-lessons-mcp-server

安装依赖
```
pnpm install
```
构建项目
```
pnpm build
```

启动服务器

node /path/to/仓库目录/dist/index.js

请将 '/path/to/仓库目录/dist/index.js' 替换为实际的 'index.js' 文件路径。

服务器配置

MCP客户端 (如 Cursor 或 Claude) 需要配置 MCP 服务器的启动命令才能连接。以下是一些常用的配置示例，您可以根据需要选择合适的配置添加到客户端的配置文件中（例如 Claude 桌面应用的 'claude_desktop_config.json'）：

使用 Node.js 直接启动 (需要指定 'index.js' 的绝对路径)

{
  "mcpServers": {
    "memory": {
      "command": "node",
      "args": ["/path/to/仓库目录/dist/index.js"] // 请替换为 index.js 文件的实际路径
    }
  }
}

使用 NPX 启动 (简化启动命令，但可能需要预先全局安装 '@modelcontextprotocol/server-memory')

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-memory"
      ]
    }
  }
}

使用 NPX 启动并自定义数据文件路径

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-memory"
      ],
      "env": {
        "MEMORY_FILE_PATH": "/path/to/custom/memory.json" // 可选：自定义 memory.json 文件路径
      }
    }
  }
}

配置参数说明:

'server name': "memory" (服务器名称，可以自定义)
'command': 服务器启动命令，例如 "node" 或 "npx"。
'args': 启动参数，根据 'command' 不同而变化。
- 使用 "node" 时，需要指定 'index.js' 文件的绝对路径。
- 使用 "npx" 时，通常使用 '["-y", "@modelcontextprotocol/server-memory"]'。
'env': (可选) 环境变量，用于配置服务器行为。例如，'MEMORY_FILE_PATH' 可以自定义数据文件的存储路径。

注意: 请根据您的实际环境和需求选择合适的配置，并确保路径配置正确。

基本使用方法

配置完成后，MCP客户端（如 Cursor 或 Claude）即可连接到此服务器。LLM 可以通过调用预设的工具 (Tools) 来操作知识图谱，例如：

存储用户偏好: 使用 'create_entities', 'create_relations', 'add_observations' 等工具记录用户的兴趣、习惯等信息。
查询相关信息: 使用 'search_nodes', 'open_nodes', 'read_graph' 等工具检索知识图谱中的信息，为 LLM 提供上下文。
学习错误解决方案: 使用 'create_lesson', 'find_similar_errors', 'get_lesson_recommendations' 等工具，让 LLM 学习和应用错误解决方案。

具体的工具调用和使用方式取决于客户端的功能设计以及 Prompt 的引导。您可以参考仓库 'README.md' 文件中 "API" 和 "New Tools" 部分，了解每个工具的详细功能和使用方法。

提示: 为了充分利用记忆服务器的功能，您可能需要在 Prompt 中引导 LLM 如何有效地使用这些工具进行记忆存储和检索。仓库 'README.md' 文件中 "System Prompt" 部分提供了一个用于聊天个性化的 Prompt 示例，您可以参考并根据自己的应用场景进行调整。

关键词