WARM

Name: WARM
Author: writerslogic

โดย writerslogicรุ่น 0.1.7i★ 27iรันบนเครื่อง

ชื่อใน registryio.github.writerslogic/warm-mcp

วิธีติดตั้ง

ใช้ทำอะไรได้

ยังไม่มีคำอธิบายภาษาไทย ดูข้อเท็จจริงด้านล่าง หรือเปิดคำอธิบายต้นฉบับจากผู้ทำ

ต่อแบบ ติดตั้งในเครื่อง
บัญชีหรือคีย์ ไม่ต้องใส่คีย์
หมวด ค้นข้อมูลและความจำของ AI

คำอธิบายต้นฉบับจากผู้ทำ (อังกฤษ)

Local persistent memory for AI agents with recall, search, forgetting, and encrypted storage.

ติดตั้ง

เลือกโปรแกรม AI ที่คุณใช้ แล้วคัดลอกค่าตั้งไปวาง

ผลตรวจผ่าน 3/3 · ทำงานบนเครื่องคุณ · ✓ ตรวจคำสั่งแล้ว 13 พ.ย. 2569

ขั้นแรก: คุณใช้ AI ตัวไหน

Claudeเว็บ · แอป · มือถือChatGPTเว็บClaude CodeTerminalCursorโปรแกรมเขียนโค้ดVS Codeโปรแกรมเขียนโค้ดอื่น ๆโปรแกรมอื่น

เลือกแอปที่คุณใช้ ขั้นตอนจะขึ้นด้านล่าง

ต่อกับ Claude ได้ แต่ต้องเตรียมก่อน

ต้องลง Node.js ในเครื่องก่อน (ทำครั้งเดียว) · ใช้ได้เฉพาะแอป Claude บนคอม (Windows หรือ Mac) ไม่ใช่บนเว็บหรือมือถือ

ลง Node.js ในเครื่อง
ทำครั้งเดียว ใช้ได้กับทุกตัวที่ต้องใช้ Node.js
เปิดหน้าดาวน์โหลด Node.js ↗
ทำแล้ว
เปิดไฟล์ตั้งค่าของแอป Claude บนคอม
SettingsDeveloperEdit Config
ทำแล้ว

วางค่าตั้งนี้แล้วบันทึกไฟล์

{
  "mcpServers": {
    "warm": {
      "command": "npx",
      "args": [
        "-y",
        "writerslogic-warm-mcp"
      ]
    }
  }
}

ทำแล้ว

ปิดแอป Claude แล้วเปิดใหม่
ทำแล้ว
ลองเลย
ใช้ WARM บอกหน่อยว่าทำอะไรให้ฉันได้บ้าง แล้วลองทำให้ดูหนึ่งอย่าง
✓ ถ้า Claude บอกว่ากำลังใช้ WARM หรือมีชื่อเครื่องมือของ WARM ขึ้นในคำตอบ แปลว่าต่อสำเร็จ

ชื่อเมนูตรวจกับหน้าช่วยเหลือของ Anthropic เมื่อ 11 พ.ย. 2569 · หน้าจอของคุณอาจต่างเล็กน้อยตามรุ่นของแอป

ChatGPT ยังต่อ WARM ไม่ได้

WARM ต้องติดตั้งในเครื่องคุณ แต่ ChatGPT ต่อได้เฉพาะตัวที่ทำงานบนเว็บ

คุณทำแบบนี้แทนได้

ก · ใช้แอปที่ต่อ WARM ได้

ดูขั้นตอนสำหรับ Claude →ต้องลง Node.js ในเครื่องก่อน (ทำครั้งเดียว) · ใช้ได้เฉพาะแอป Claude บนคอม (Windows หรือ Mac) ไม่ใช่บนเว็บหรือมือถือ
ดูขั้นตอนสำหรับ Claude Code →ต้องลง Node.js ในเครื่องก่อน (ทำครั้งเดียว)
ดูขั้นตอนสำหรับ Cursor →ต้องลง Node.js ในเครื่องก่อน (ทำครั้งเดียว)
ดูขั้นตอนสำหรับ VS Code →ต้องลง Node.js ในเครื่องก่อน (ทำครั้งเดียว)

ข · ตัวอื่นในหมวด ค้นข้อมูลและความจำของ AI ที่ต่อกับ ChatGPT ได้

เลือกจากตัวที่ใช้มากในหมวดเดียวกัน เฉพาะตัวที่ต่อด้วยที่อยู่ได้โดยไม่ต้องใส่คีย์

Context7✓ ChatGPT
OpenSEO✓ ChatGPT
AIHOT✓ ChatGPT

ต่อกับ Claude Code ได้ แต่ต้องเตรียมก่อน

ต้องลง Node.js ในเครื่องก่อน (ทำครั้งเดียว)

ลง Node.js ในเครื่อง
ทำครั้งเดียว ใช้ได้กับทุกตัวที่ต้องใช้ Node.js
เปิดหน้าดาวน์โหลด Node.js ↗
ทำแล้ว
เปิด Terminal
Mac: กด Command+Space พิมพ์ Terminal · Windows: เปิด PowerShell
ทำแล้ว
3
วางคำสั่งนี้แล้วกด Enter
```
claude mcp add --scope user warm -- npx -y writerslogic-warm-mcp
```
ทำแล้ว
พิมพ์ /mcp ใน Claude Code
ต้องเห็น WARM ในรายการและขึ้นว่าเชื่อมต่อแล้ว
ทำแล้ว
ลองเลย
ใช้ WARM บอกหน่อยว่าทำอะไรให้ฉันได้บ้าง แล้วลองทำให้ดูหนึ่งอย่าง
✓ ถ้า Claude Code บอกว่ากำลังใช้ WARM หรือมีชื่อเครื่องมือของ WARM ขึ้นในคำตอบ แปลว่าต่อสำเร็จ

ต่อกับ Cursor ได้ แต่ต้องเตรียมก่อน

ต้องลง Node.js ในเครื่องก่อน (ทำครั้งเดียว)

ลง Node.js ในเครื่อง
ทำครั้งเดียว ใช้ได้กับทุกตัวที่ต้องใช้ Node.js
เปิดหน้าดาวน์โหลด Node.js ↗
ทำแล้ว
กดปุ่มนี้เพื่อเปิด Cursor
เปิดใน Cursor
Cursor จะถามยืนยันการติดตั้ง ให้กด Install
ทำแล้ว
เปิดแชตของ AI ใน Cursor โหมด Agent
ทำแล้ว
ลองเลย
ใช้ WARM บอกหน่อยว่าทำอะไรให้ฉันได้บ้าง แล้วลองทำให้ดูหนึ่งอย่าง
✓ ถ้า Cursor บอกว่ากำลังใช้ WARM หรือมีชื่อเครื่องมือของ WARM ขึ้นในคำตอบ แปลว่าต่อสำเร็จ

ชื่อเมนูตรวจกับหน้าช่วยเหลือของ Cursor เมื่อ 11 พ.ย. 2569 · หน้าจอของคุณอาจต่างเล็กน้อยตามรุ่นของแอป

ต่อกับ VS Code ได้ แต่ต้องเตรียมก่อน

ต้องลง Node.js ในเครื่องก่อน (ทำครั้งเดียว)

ลง Node.js ในเครื่อง
ทำครั้งเดียว ใช้ได้กับทุกตัวที่ต้องใช้ Node.js
เปิดหน้าดาวน์โหลด Node.js ↗
ทำแล้ว
กดปุ่มนี้เพื่อเปิด VS Code
เปิดใน VS Code
VS Code จะถามยืนยันการติดตั้ง ให้กด Install
ทำแล้ว
เปิดแชตของ AI ใน VS Code โหมด Agent
ทำแล้ว
ลองเลย
ใช้ WARM บอกหน่อยว่าทำอะไรให้ฉันได้บ้าง แล้วลองทำให้ดูหนึ่งอย่าง
✓ ถ้า VS Code บอกว่ากำลังใช้ WARM หรือมีชื่อเครื่องมือของ WARM ขึ้นในคำตอบ แปลว่าต่อสำเร็จ

ชื่อเมนูตรวจกับหน้าช่วยเหลือของ VS Code เมื่อ 11 พ.ย. 2569 · หน้าจอของคุณอาจต่างเล็กน้อยตามรุ่นของแอป

โปรแกรมอื่นที่ใช้ MCP ได้ เช่น Windsurf, Zed หรือ Gemini CLI มีวิธีเพิ่มต่างกัน ดูวิธีของแต่ละตัวในหน้ารวมโปรแกรม

ดูโปรแกรมที่ใช้ MCP ทั้งหมด →

ค่าตั้งแบบไฟล์ JSON อยู่ในหัวข้อ “สำหรับคนเขียนโค้ด” ด้านล่าง

ติดตรงไหน? ถามคนที่ใช้ WARM อยู่💬 พูดคุย →

สำหรับคนเขียนโค้ด: คำสั่ง Terminal และค่าตั้ง JSON

ติดตั้งในเครื่อง

Claude Code

claude mcp add --scope user warm -- npx -y writerslogic-warm-mcp

Claude Desktop (claude_desktop_config.json)

{
  "mcpServers": {
    "warm": {
      "command": "npx",
      "args": [
        "-y",
        "writerslogic-warm-mcp"
      ]
    }
  }
}

Cursor (~/.cursor/mcp.json)

{
  "mcpServers": {
    "warm": {
      "command": "npx",
      "args": [
        "-y",
        "writerslogic-warm-mcp"
      ]
    }
  }
}

VS Code (mcp.json)

{
  "servers": {
    "warm": {
      "type": "stdio",
      "command": "npx",
      "args": [
        "-y",
        "writerslogic-warm-mcp"
      ]
    }
  }
}

ค่าตั้งนี้สร้างจากข้อมูลใน registry ของผู้ทำ ถ้าไม่ตรงกับ README ให้เชื่อ README

สรุป

ดาว GitHub i: 27
ดาวน์โหลดต่อสัปดาห์i: 134/สัปดาห์
license i: Apache-2.0
การเชื่อมต่อ: รันบนเครื่อง
ช่องทาง (transport): stdio
รุ่นล่าสุดi: 0.1.7
หมวดi: ค้นข้อมูลและความจำของ AI
ส่งเข้า registryi: 11 พ.ย. 2569
แก้โค้ดล่าสุดi: 14 พ.ย. 2569
ผู้ทำ: writerslogic
แพ็กเกจ: npm: writerslogic-warm-mcp
pypi: warm-mcp
repo: writerslogic/warm
เว็บผู้ทำ: writerslogic.com
สถานะใน registry: ใช้งานอยู่

ใช้กับโปรแกรมไหนได้

ดูจากแบบการต่อของ server ตัวนี้ และเอกสารของผู้ทำโปรแกรมแต่ละตัว ตรวจเมื่อ 10 พ.ย. 2569

ติดตั้งบนเครื่องได้ใน

Claude Goose LM Studio Msty Studio Cherry Studio Cursor VS Code + GitHub Copilot Visual Studio Windsurf (Devin Desktop)Zed Kiro Cline Continue JetBrains AI Assistant Claude Code Codex CLI Gemini CLI OpenCode nodecode Warp LibreChat Raycast

ดูโปรแกรมทั้งหมดพร้อมข้อดีข้อเสีย →

คู่มือที่เกี่ยวข้อง

เรื่องที่ 8เช็ก 5 ข้อก่อนติดตั้ง MCP ไม่ให้ข้อมูลรั่วใช้เวลาราว 2 นาทีต่อตัว ดูจากหน้าของตัวนั้นบนเว็บเรา และหน้าขออนุญาตของโปรแกรม AI ก่อนกดยอมอ่าน 4 นาที

ทำอะไรได้บ้าง

รันในเครื่องคุณ รายการเครื่องมือจะขึ้นในแอป AI หลังติดตั้ง

ผลตรวจเบื้องต้นi

เราตรวจจากข้อมูลที่ใครก็เปิดดูได้ ยังไม่ได้อ่านโค้ด ข้อที่ไม่เกี่ยวกับตัวนี้ไม่นับในตัวหาร · ตรวจเมื่อ 14 พ.ย. 2569

✓ ผ่าน
ตัวตนผู้ทำตรงกับ repo
ชื่อใน registry ยืนยันด้วยบัญชี GitHub writerslogic ซึ่งเป็นเจ้าของ repo
✓ ผ่าน
ยังมีคนดูแล
มีการแก้โค้ดล่าสุด วันนี้
✓ ผ่าน
มีสัญญาอนุญาต (license)
ใช้ Apache-2.0
– ไม่เกี่ยว
endpoint ตอบ
ตัวนี้รันบนเครื่องคุณ ไม่มี endpoint บนอินเทอร์เน็ต
– ไม่เกี่ยว
ล็อกอินแบบ OAuth
ตัวนี้รันบนเครื่อง ใช้ค่าที่ตั้งในเครื่องแทน
… ยังไม่ตรวจ
คำอธิบายเครื่องมือไม่มีคำสั่งแอบแฝง
รันในเครื่องคุณ เราอ่านรายการเครื่องมือได้เฉพาะตัวที่มี endpoint บนอินเทอร์เน็ต

พูดคุย

ถาม แชร์เคล็ดลับ หรือแจ้งว่าใช้ไม่ได้ เรียงตามที่คนกดว่ามีประโยชน์

ยังไม่มีใครโพสต์ ถามหรือแชร์เป็นคนแรกได้เลย

ข้อความในส่วนนี้เขียนโดยผู้ใช้ ไม่ใช่ทีม PopNx

เข้าสู่ระบบด้วย Google เพื่อโพสต์

รีวิวจากผู้ใช้

ยังไม่มีรีวิว

เข้าสู่ระบบด้วย Google เพื่อเขียนรีวิว

เทียบกับตัวอื่นในหมวด ค้นข้อมูลและความจำของ AIi

ดาวมากกว่า 95% ของอีก 6117 ตัวในหมวดนี้
ส่งรุ่นใหม่เข้า registry ล่าสุดกว่า 92% ของอีก 6117 ตัวในหมวดนี้
ผลตรวจเบื้องต้นดีกว่าหรือเท่ากับ 100% ของอีก 6117 ตัวในหมวดนี้

เทียบกับทุก server ที่ยังใช้งานในหมวดนี้ทั้งทะเบียน ดาวนับเฉพาะเมื่อผู้ลงทะเบียนเป็นเจ้าของ repo

คำถามที่พบบ่อย

WARM ปลอดภัยไหม?

จากการตรวจเบื้องต้นของเรา ผ่าน 3 จาก 3 ข้อที่ตรวจได้ เรายังไม่ได้อ่านโค้ด ก่อนใส่กุญแจหรือ token ให้ดูว่า server ขอสิทธิ์อะไร และเลือกกุญแจที่ทำได้เท่าที่จำเป็น

ต้องใช้กุญแจหรือรหัสอะไรบ้าง?

registry ไม่ได้ระบุว่าต้องใช้กุญแจ แต่บางตัวจะขอให้ล็อกอินตอนใช้ครั้งแรก

ตัวนี้รันบนเครื่องหรือบนคลาวด์?

รันบนเครื่องของคุณ โปรแกรม AI จะเปิด server ขึ้นมาเองเมื่อใช้ ข้อมูลไม่ต้องผ่านเซิร์ฟเวอร์ของผู้ทำ (ยกเว้นตัวที่ไปเรียกบริการออนไลน์ต่อ)

ยังมีคนดูแลอยู่ไหม?

repo บน GitHub มีการแก้โค้ดล่าสุด วันนี้ และส่งรุ่นล่าสุด (0.1.7) เข้า registry 3 วันที่ผ่านมา

ใช้กับโปรแกรมไหนได้บ้าง?

โปรแกรมที่รองรับ MCP เช่น Claude Desktop, Claude Code, Cursor และ VS Code ตัวนี้ต้องมี Node.js, Python (uv) ในเครื่องด้วย

มีตัวไหนใช้แทนได้บ้าง?

ในหมวดเดียวกันมี Context7, Codebase Memory, OpenSEO

ตัวอื่นในหมวดเดียวกัน

server หมวดเดียวกันจากผู้ทำคนอื่น เรียงตามดาว

อ่านการ์ด:↓ ดาวน์โหลดต่อสัปดาห์i★ ดาว GitHubiสามเสา: รีวิว · ผลตรวจ · การใช้งานiอัปเดต = วันที่ส่งรุ่นล่าสุดเข้า registryi

Context7

ส่งคู่มือการใช้ไลบรารีและเฟรมเวิร์กรุ่นล่าสุดให้ AI อ่านก่อนตอบ ช่วยให้โค้ดที่ AI เขียนไม่ใช้คำสั่งเก่าที่เลิกใช้แล้ว

โดย upstashใช้กันมาก↓ 1.2M/สัปดาห์★ 64.8Kอัปเดต เมื่อวานซืน

บนเครื่องหรือคลาวด์

ติดตั้ง

Codebase Memory

Codebase knowledge graph for AI agents — 162 languages, sub-ms queries, 99% fewer tokens.

โดย DeusDataใช้กันมาก↓ 16.8K/สัปดาห์★ 48.6Kอัปเดต 28 วันที่ผ่านมา

รันบนเครื่อง

ติดตั้ง

OpenSEO

Keyword research, site audits, rank tracking and AI visibility for your AI agent.

โดย every-appใช้กันมาก★ 27.6Kอัปเดต วันนี้

รันบนคลาวด์✓ everyapp.com

วิธีต่อ

README จากผู้ทำ

เปิดอ่าน README

ส่วนนี้คัดจาก repo ของผู้ทำตามต้นฉบับ PopNx MCP ไม่ได้ตรวจหรือรับรองเนื้อหา ตัด HTML รูปภาพ และสคริปต์ออกแล้ว ลิงก์จะพาออกนอกเว็บ

WARM

WritersLogic Adaptive Retention & Memory.

Hybrid search, graph indexing, and vector-symbolic memory.

Local memory for agents and apps: full-text and vector search, a memory API and a vector-symbolic fact store in one embeddable Rust engine that makes no network calls.

Website · Docs · Get started · Standards and provenance · Results · Capabilities · Limits · Contribute

What it is

WARM is a Rust library that stores text, vectors and facts in a directory on your machine and finds them again. It ships with Node.js bindings, C, WASM and UniFFI bindings, an HTTP server with a Python client, and an MCP server. There are no service calls, no telemetry and no model downloads unless you turn on a feature that asks for one.

Capability	What you get
Document search	Chunking, stemmed BM25 over blocked postings, Boolean and phrase queries, hybrid fusion with embeddings you supply, metadata filters, byte offsets
Vector index	Graph index with a memory-mapped vertex file, an updatable delta for inserts and deletes, optional query-aware routing trained on sample queries
Memory API	`remember`, `recall`, `forget` and `explain` with time validity and supersession; conversation memory with source provenance
Storage	Atomic replace and delete, crash-safe journal and checkpoints, verified compaction, one writer per store
Security	Optional AES-256-GCM storage encryption with documented coverage and limits, signed audit log, COSE/SCITT provenance
Vector-symbolic layer	Sparse hypervectors with bind, bundle and permute, triples with multi-hop queries, Hopfield cleanup

Who it's for

You are building	What you get
An agent or assistant that needs memory	A memory API with forgetting that removes facts from the store, and an MCP server for editors and agent hosts
A local-first or offline app	Embedded search and storage in one directory, with no server process and optional encryption
A service that needs vector or text search	`warm-server` over HTTP with tenants and scoped keys, or the library in-process
Research on vector-symbolic memory	The bind/bundle algebra, meaning memory and capacity experiments with their result files

Headline results

Every row links to the committed file it comes from. These are single machines and stated protocols, not a substitute for testing your own data.

Result	Conditions	Source file
Bemula forgetting score 0.322; best published row 0.310 (LangMem)	Full split: 50 dialogues, 135 forget requests. Agent and judge both `deepseek-v4-flash-0731` through OpenRouter pinned to DeepSeek, temperature 0; the judge snapshot is inferred from the authors' run metadata. Recall k=5 hybrid with `text-embedding-3-small`. Compared with the paper's published DeepSeek rows; a same-day rerun of the suite's naive RAG baseline scored 0.075. One run.	`bemula_v1.json`
LongMemEval dev 89.75 of 100 correct (mean of 4 runs, range 87 to 93)	Official generation and judge prompts, `gpt-4o-2024-08-06` as reader and judge, top 10 context. Retrieval is the reference turn ranking over cached Qwen3 scores, not native conversation-memory recall. k was chosen on dev; there is no held-out result.	`longmemeval_official_dev_summary.json`
VIBE llama-128-ip strict recall@100 up to 0.99687 at 1,457 QPS	Official test queries, one thread, query-aware graph (ef=512). Neither frozen RoarGraph configuration reached 0.99. Behind at 0.95 and 0.99 QPS (see below).	`query_aware_graph_v1/README.md`
VIBE yi-128-ip at recall 0.95: 3,214 QPS against 1,953 (MLANN RF80)	Same protocol; compared only with the frozen RoarGraph and MLANN configurations measured there. Recall 0.99 was not reached.	`query_aware_graph_v1/README.md`
SIFT-1M at recall@10 0.95: 23,918 QPS against hnswlib 8,125 (2.94x, interval 2.75 to 3.01); 3.09x at 0.99, 1.40x faster build, 1.83x less serving RSS, 3.74x faster cold start	Core Ultra 9 185H at `4b7a849f`, 10,000 queries issued one at a time from one client thread, index built with 8 threads; WARM through the Rust API, hnswlib through its Python binding; Bonferroni-adjusted bootstrap intervals	`heavy-ann-sift-...-185h-22c-27g.json`
BM25 search on SciFact, NFCorpus and the memory corpus: 1.66x to 2.00x the single-thread QPS of the fastest of tantivy 0.27, Lucene 10.6 and SQLite FTS5, with 1.69x to 2.91x less serving memory and 3.1x to 5.7x faster cold start, at tied nDCG@10	Two machines (Core Ultra 9 185H at `4b7a849f`, Modal 8 vCPU at `7ba2d4fe`, same engine source), 5 and 3 interleaved serve rounds, Bonferroni-adjusted bootstrap intervals exclude parity for every win. Lexical only, one chunk per document	COMPARISON.md, `standard-text-beir-scifact-...-185h-22c-27g.json`
SciFact nDCG@10 hybrid 0.729, above its own BM25 (0.688) and dense (0.645)	5,183 documents, 300 queries, MiniLM embeddings supplied by the harness. NFCorpus: 0.355 against 0.323 and 0.317.	`public_scifact.json`, `public_nfcorpus.json`

Where it's behind

Result	Conditions	Source file
ann-benchmarks at recall 0.95: sift 2,819 QPS against faiss-ivfpqfs 3,788 (0.74x); glove 1,019 against ScaNN 1,535 (0.66x)	Official ann-benchmarks runner, each run pinned to one CPU, AVX2 host	`ann_benchmarks_harness_wl02_v1.json`
VIBE llama-128-ip QPS: 24.6% behind RoarGraph at recall 0.95, 54.8% behind MLANN RF80 at 0.99	One thread, official test queries	`query_aware_graph_v1/README.md`
SIFT-1M index file 1,389 MiB against hnswlib's 752 (0.54x, no interval); peak build RSS 0.94x of hnswlib's	Same run as the SIFT-1M row above	`docs/benchmarks/GAPS.md`
BEIR FiQA (57,600 documents) single-thread BM25 QPS: 1,269 against Lucene 10.6's 1,625 (0.78x); p50 and p99 latency also behind	Core Ultra 9 185H at `4b7a849f`, 5 interleaved serve rounds; serving memory (1.26x less than SQLite FTS5) and cold start (2.37x faster than tantivy) still win	`standard-text-beir-fiqa-...-185h-22c-27g.json`
Text ingest: peak build memory 1.1x to 2.1x SQLite FTS5's on every corpus; ingest time behind SQLite FTS5 on SciFact, NFCorpus and memory (0.46x to 0.97x), tied on FiQA	Same runs, both machines	`docs/benchmarks/GAPS.md`
glove-100-angular with the sparse vector path: recall@10 0.252 at 33.7 QPS against FAISS HNSW 0.832 at 4,111 QPS	One thread, Apple M4; the sparse path is experimental	`public_glove-100-angular.json`

Method, intervals and every loss: docs/benchmarks and the benchmarks pages.

_Generated from benchmarks/results/competitive/ by warm-bench table; method and caveats in docs/benchmarks/COMPARISON.md. W = WARM ahead (95% interval excludes parity), T = tie, L = a comparator is ahead, - = no verdict (unpinned source revision, no interval, or not comparable). Rows are compared only within one machine._

Dataset	Machine	Metric	WARM	Best other	Advantage
sift-128-euclidean	`linux-x86_64-intel-ultra-9-185h-22c-27g`	QPS @ recall@10 >= 0.95 (QPS)	23,918	hnswlib 8,125	2.94x	W
sift-128-euclidean	`linux-x86_64-intel-ultra-9-185h-22c-27g`	p99 latency @ 0.95 (us)	97	hnswlib 251	2.60x	W
sift-128-euclidean	`linux-x86_64-intel-ultra-9-185h-22c-27g`	Build time (s)	121.44	hnswlib 170.02	1.40x	W
sift-128-euclidean	`linux-x86_64-intel-ultra-9-185h-22c-27g`	RSS, serving (MiB)	490	hnswlib 898	1.83x	W
sift-128-euclidean	`linux-x86_64-intel-ultra-9-185h-22c-27g`	Index size (MiB)	1,389.1	hnswlib 751.8	0.54x	-
beir:fiqa	`linux-x86_64-intel-ultra-9-185h-22c-27g`	nDCG@10	0.2654	SQLite FTS5 0.2678	0.99x	T
beir:fiqa	`linux-x86_64-intel-ultra-9-185h-22c-27g`	QPS (single thread) (QPS)	1,269	Apache Lucene 10.6.0 (JVM) 1,625	0.78x	L
beir:fiqa	`linux-x86_64-intel-ultra-9-185h-22c-27g`	p99 latency (us)	1,828	Apache Lucene 10.6.0 (JVM) 1,486	0.81x	L
beir:fiqa	`linux-x86_64-intel-ultra-9-185h-22c-27g`	Ingest/build time (s)	1.55	SQLite FTS5 1.44	0.93x	T
beir:fiqa	`linux-x86_64-intel-ultra-9-185h-22c-27g`	Peak RSS, serving (MiB)	31	SQLite FTS5 39	1.26x	W
beir:fiqa	`linux-x86_64-intel-ultra-9-185h-22c-27g`	On-disk size (MiB)	9.7	Apache Lucene 10.6.0 (JVM) 12.1	1.25x	W
memory	`modal-x86_64-8vcpu-32g`	nDCG@10	0.4561	Apache Lucene 10.6.0 (JVM) 0.4627	0.99x	T
memory	`modal-x86_64-8vcpu-32g`	QPS (single thread) (QPS)	4,138	tantivy 2,185	1.89x	W
memory	`modal-x86_64-8vcpu-32g`	p99 latency (us)	533	tantivy 798	1.50x	W
memory	`modal-x86_64-8vcpu-32g`	Ingest/build time (s)	1.91	SQLite FTS5 1.75	0.92x	L
memory	`modal-x86_64-8vcpu-32g`	Peak RSS, serving (MiB)	17	SQLite FTS5 41	2.42x	W
memory	`modal-x86_64-8vcpu-32g`	On-disk size (MiB)	3.5	Apache Lucene 10.6.0 (JVM) 10.3	2.92x	W

ตัดมาแค่ช่วงต้น อ่านต่อใน repo

WARM

ใช้ทำอะไรได้

ติดตั้ง

ลง Node.js ในเครื่อง

เปิดไฟล์ตั้งค่าของแอป Claude บนคอม

วางค่าตั้งนี้แล้วบันทึกไฟล์

ปิดแอป Claude แล้วเปิดใหม่

ลองเลย

คุณทำแบบนี้แทนได้

ลง Node.js ในเครื่อง

เปิด Terminal

วางคำสั่งนี้แล้วกด Enter

พิมพ์ /mcp ใน Claude Code

ลองเลย

ลง Node.js ในเครื่อง

กดปุ่มนี้เพื่อเปิด Cursor

เปิดแชตของ AI ใน Cursor โหมด Agent

ลองเลย

ลง Node.js ในเครื่อง

กดปุ่มนี้เพื่อเปิด VS Code

เปิดแชตของ AI ใน VS Code โหมด Agent

ลองเลย

ติดตั้งในเครื่อง

สรุป

ใช้กับโปรแกรมไหนได้

คู่มือที่เกี่ยวข้อง

ทำอะไรได้บ้าง

ผลตรวจเบื้องต้นi

ตัวตนผู้ทำตรงกับ repo

ยังมีคนดูแล

มีสัญญาอนุญาต (license)

endpoint ตอบ

ล็อกอินแบบ OAuth

คำอธิบายเครื่องมือไม่มีคำสั่งแอบแฝง

พูดคุย

รีวิวจากผู้ใช้

เทียบกับตัวอื่นในหมวด ค้นข้อมูลและความจำของ AIi

คำถามที่พบบ่อย

ตัวอื่นในหมวดเดียวกัน

Context7

Codebase Memory

OpenSEO

README จากผู้ทำ

WARM

What it is

Who it's for

Headline results

Where it's behind