使用说明内容（Markdown格式）

项目简介
- MemWyre MCP 服务器端实现是一个完整的后端服务，遵循 Model Context Protocol（MCP）规范，提供资源管理、工具注册与执行、以及可渲染的提示模板，帮助 LLM 客户端以统一的上下文与能力进行交互。
- 服务器通过 FastAPI + mcp_server.py 搭建，定义了多种 MCP Tool/Prompt/Resource，使 LLM 客户端能够读取资源、调用工具、获取并渲染 Prompt。
主要功能点
- 资源管理：提供对知识库中的记忆、文档等数据的读取、检索与管理能力。
- 工具注册与执行：暴露可被 LLM 调用的工具，用于跨系统读取、写入与处理数据。
- Prompt 定义与渲染：支持 Prompt 模板的创建与渲染，帮助 LLM 以统一格式获取上下文和指引。
- 会话与授权：结合用户和权限模型，实现多用户场景的访问控制与会话管理。
- JSON-RPC 风格交互：服务器端实现 MCP 的请求-响应流程，客户端通过 MCP 客户端进行请求。
- 可能的传输扩展性：设计中具备 stdio/SSE/WebSocket 等传输通道的扩展能力。
安装步骤
- 运行前提：需要安装 Python 环境与依赖、以及 Redis 与（可选的）向量数据库/向量存储组件。
- 启动服务器（后端 MCP 服务端）：
  - 安装依赖并启动 mcp 服务器脚本（mcp_server.py），确保后端数据库与向量存储服务就绪。
- 运行环境建议：
  - Python 3.x
  - Redis（若使用 celery/后台任务）
  - 相关向量存储后端（如 Pinecone/Chroma 等）及对应配置
- 运行后端示例入口（非代码片段说明）：
  - 启动后端应用，确保 API 服务暴露在可访问的地址，MCP 服务器将对外提供 MCP 服务。
服务器配置（MCP 客户端连接信息）配置示例（JSON，客户端需提供以下信息以连接 MCP 服务器，具体路径与端点根据实现环境调整）： { "server_name": "brain-vault", "command": "python", "args": ["backend/mcp_server.py"] } 注释说明：
- server_name: MCP 服务器在客户端的标识名称，便于区分多服务器环境。
- command: 启动 MCP 服务器的命令，客户端仅需读取该信息以连接相应服务。
- args: 启动命令的参数，通常包含启动脚本路径及必要参数。注：MCP 客户端不需要在此处执行具体代码，只需了解服务器的启动命令与参数以建立连接。
基本使用方法
- 启动与连接
  - 在后端运行 MCP 服务器，确保服务器正常暴露 MCP 服务。
  - 在 MCP 客户端配置中使用上述 server_name、command、args 等信息建立连接。
- 使用流程
  - 通过 MCP 客户端向服务器请求资源、执行工具、获取并渲染 Prompts。
  - MCP 服务器返回标准的 JSON-RPC 风格响应，包括成功数据或错误信息。
- 调试与维护
  - 检查日志输出，确保 MCP 请求与响应符合协议格式。
  - 如出现认证/授权问题，检查环境变量、数据库中的用户与权限设置。

关键词

信息