Pmll Memory MCP

Name: Pmll Memory MCP
Author: drQedwards

von drQedwardsVersion 0.1.1i★ –iLäuft auf deinem Computer

Name in der Registryio.github.drQedwards/pmll-memory-mcp

Installieren

Überblick

Beschreibung vom Entwickler (englisches Original)

PMLL Memory MCP — persistent KV context memory and Q-promise deduplication.

Die drei Säulen von PopNx MCP

Diese drei werden nie zu einer Punktzahl zusammengefasst: Meinungen, Messungen und Beliebtheit sind verschiedene Dinge.

Stimmen der NutzeriNoch keine BewertungenBewertungen starten in einem späteren Schritt zusammen mit Benutzerkonten
Unsere Basischecksi1 von 1 bestandenAnhand öffentlicher Informationen geprüft; Code noch nicht gescannt
NutzungiNoch nicht gemessen★ –

Was du damit machen kannst

Für diesen Server haben wir noch keine Zusammenfassung in einfacher Sprache geschrieben. Unten stehen die Fakten, die wir aus der Registry gelesen haben.

Verbindung: Läuft auf deinem Computer
Transport: stdio
Kategorie: Suche & KI-Gedächtnis

Installation

Wähle die KI-App, die du nutzt, und kopiere die Einstellungen.

Bevor du installierst

Basischecks: 1 von 1 bestanden
Läuft auf deinem Computer mit den Rechten deines Benutzerkontos (Dateien, Netzwerk, Apps).
Die Registry nennt keinen Schlüssel zum Eintragen.

Du brauchst

npmNode.js installiert (für den Befehl npx)

Welche App nutzt du?

ClaudeClaude CodeCursorVS CodeChatGPT

Wähle oben deine App. Wir merken sie uns, damit der Button beim nächsten Mal „In … installieren“ anzeigt.

Öffne Claude Desktop → Settings → Developer → Edit Config und füge dies in claude_desktop_config.json ein

{
  "mcpServers": {
    "pmll-memory": {
      "command": "npx",
      "args": [
        "-y",
        "pmll-memory-mcp"
      ]
    }
  }
}

Führe das in deinem Terminal aus

claude mcp add pmll-memory -- npx -y pmll-memory-mcp

In Cursor öffnen

Oder kopier die Einstellungen selbst

In .cursor/mcp.json in deinem Projekt oder in ~/.cursor/mcp.json einfügen

{
  "mcpServers": {
    "pmll-memory": {
      "command": "npx",
      "args": [
        "-y",
        "pmll-memory-mcp"
      ]
    }
  }
}

Dein Browser fragt, ob er die App öffnen darf, dann zeigt die App die Einstellungen und bittet dich um Bestätigung. Schlüsselwerte bleiben leer, damit du sie selbst einträgst.

In VS Code öffnen

Oder kopier die Einstellungen selbst

In .vscode/mcp.json in deinem Projekt einfügen

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

Dein Browser fragt, ob er die App öffnen darf, dann zeigt die App die Einstellungen und bittet dich um Bestätigung. Schlüsselwerte bleiben leer, damit du sie selbst einträgst.

Dieser Server läuft auf deinem Computer, und ChatGPT kann sich nur mit Servern im Internet verbinden. Wähle eine andere App.

Deine Auswahl bleibt in einem Cookie auf diesem Gerät; kein Konto nötig.

Diese Einstellungen werden aus dem Registry-Eintrag des Entwicklers erzeugt. Wenn in der README etwas anderes steht, folge der README.

Was er kann

Läuft auf deinem Computer; die Tool-Liste erscheint nach der Installation in deiner KI-App.

Basischecksi

Wir prüfen Informationen, die jeder sehen kann; den Code haben wir nicht gelesen. Checks, die nicht zutreffen, werden nicht mitgezählt. · Geprüft am 7. Nov. 2026

✓ Bestanden
Entwickler passt zum Repo
Der Registry-Name wurde mit dem GitHub-Konto drQedwards bestätigt, dem das Repo gehört
… Noch nicht geprüft
Wird noch gepflegt
Dieses Repo haben wir noch nicht von GitHub gelesen
… Noch nicht geprüft
Hat eine Lizenz
Dieses Repo haben wir noch nicht von GitHub gelesen
– Nicht zutreffend
Endpunkt antwortet
Dieser Server läuft auf deinem Computer; es gibt keinen Endpunkt im Internet
– Nicht zutreffend
Anmeldung mit OAuth
Läuft auf deinem Computer und nutzt stattdessen lokale Einstellungen
… Noch nicht geprüft
Keine versteckten Anweisungen in Tool-Beschreibungen
Läuft auf deinem Computer; Tool-Listen können wir nur von Endpunkten im Internet lesen

Im Vergleich mit anderen in Suche & KI-Gedächtnisi

Mehr Sterne als 0 % der anderen 7258 Server in dieser Kategorie
Neuer in der Registry veröffentlicht als 4 % der anderen 7258 Server in dieser Kategorie
Basischecks gleich gut wie oder besser als bei 100 % der anderen 7258 Server in dieser Kategorie

Verglichen mit allen aktiven Servern dieser Kategorie in der Registry. Sterne zählen nur, wenn dem Herausgeber das Repo gehört.

Häufige Fragen

Ist Pmll Memory MCP sicher?

Er hat 1 von 1 zutreffenden Basischecks bestanden. Den Code haben wir nicht gelesen. Bevor du einen Schlüssel oder Token hinzufügst, sieh nach, welche Zugriffe der Server verlangt, und nutze einen Schlüssel, der nur die Berechtigungen hat, die du brauchst.

Welche Schlüssel oder Codes braucht er?

Die Registry nennt keinen erforderlichen Schlüssel, manche Server bitten dich aber bei der ersten Nutzung, dich anzumelden.

Läuft er auf meinem Computer oder in der Cloud?

Er läuft auf deinem Computer. Deine KI-App startet ihn bei Bedarf, und die Daten laufen nicht über die Server des Entwicklers (außer der Server ruft selbst einen Onlinedienst auf).

Wird er noch gepflegt?

Das GitHub-Repo wurde zuletzt – geändert, und die neueste Version (0.1.1) kam vor 8 Monaten in die Registry.

Welche Apps können ihn nutzen?

Apps, die MCP unterstützen, etwa Claude Desktop, Claude Code, Cursor und VS Code. Außerdem brauchst du Node.js auf deinem Computer.

Was kann ich stattdessen nutzen?

In derselben Kategorie: Context7, Codebase Memory, Exa

Alternativen

Server derselben Kategorie von anderen Entwicklern, sortiert nach Sternen.

So liest du eine Karte:★ GitHub-SterneiDrei Säulen: Bewertungen · Checks · NutzungiAktualisiert = neueste Version in der Registry veröffentlichti

Context7

von upstash

Up-to-date docs for AI agents

Computer oder Cloud★ 64.224MITAktualisiert heute

Installieren

Codebase Memory

von DeusData

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

Läuft auf deinem Computer★ 48.148MITAktualisiert vor 20 Tagen

Installieren

Exa

von exa-labs

Connect AI agents to Exa for web search, content fetching, and multi-step research.

Läuft in der Cloud★ 5.213MITAktualisiert letzten Monat

Installieren

README vom Entwickler

README öffnen

Unverändert aus dem Repo des Entwicklers übernommen. PopNx MCP hat den Inhalt weder geprüft noch empfiehlt es ihn. HTML, Bilder und Skripte wurden entfernt. Links führen von dieser Website weg.

PPM — Python Package Manager

pypm packaging CLI with shared PMLL memory + Q-promise. Sibling: drQedwards/pmll.

Live Stellar pmll-anchor IDs: docs/STELLAR.md · skills: SKILL.md · promises: Q_promise_lib/README.md.

TL;DR: PPM packages Python (C CLI). Shared PMLL owns memory/state (memory_silo_t, exact peek + semantic peek_semantic,

SAT bridge, init_pml). Q-promise owns temporal/control-flow (qpromise_*, libqpromise.so)

— it does not replace the silo. Optional Stellar commitments hash off-chain

CodeworkPayloads into 32-byte digests via pmll-anchor (ABI: init/store/get/bump).

Companion packaging CLI + MCP memory server live in-tree.

PMLL provides durable structured memory for agent workflows, alongside a PPM packaging CLI (hermetic bundles, plugins, signing) and the PMLL Memory MCP server. Long-term graph tools adapt Context+.

Layers (post-merge)
Features
Building from Source
CLI Commands
GPU & Security Features
Plugin System
Configuration
PMLL Memory MCP Server
Stellar commitments
Architecture
Release Notes
Roadmap
Contributing & Sponsors

Layers (post-merge)

Two complementary layers — not substitutes for each other:

Layer	Owns	Key surface
PMLL	Durable memory / state	`memory_silo_t`, `peek` / `peek_semantic`, `silo_set`, SAT bridge, `init_pml`
Q-promise	Temporal / control-flow	`qpromise_*` API, `libqpromise.so`, deferred `qpromise_drain()`

Q-promise does not replace the silo. A promise may *reference* a memory key (and optional SAT state id); results are committed back with silo_set / qpromise_resolve_commit.

Intended loop

retrieve (peek / peek_semantic)

→ compute / request work → promise PENDING → resolve / reject (optionally resolve_commit → silo) → continuation (then / catch / finally via qpromise_drain) → memory update → retrieve again

Thread safety: the C Q-promise drain is single-threaded. Continuations run only during qpromise_drain() on the calling thread; callers must externally serialize access. Details: Q_promise_lib/README.md.

C core (PMLL)

Headers: PMLL.h · implementation: PMLL.c

Symbol	Role
`memory_silo_t`	Associative/semantic silo: `tree`, `slots[]`, `embed_dim` (`PMLL_EMBED_DIM=32`), `slot_count`
`silo_slot_t`	`key`, `content`, `embedding`, `resolved`
`init_silo` / `free_silo` / `silo_set`	Allocate, free, write key/content + embedding
`peek`	Exact key, else index
`peek_semantic`	Cosine ≥ `min_sim` over embeddings (`silo_embed_text`, `silo_cosine_similarity`)
`init_pml`	Sets every `assignment[i] = -1` (undecided)
`check_conflict`	Treats `-1` as undecided (not sticky false from zero-fill)
`sat_bridge_*`	Map 3SAT tokens → associative string literals in the silo

Q-promise library

Build / test / API: [`Q_promise_lib/README.md`](Q_promise_lib/README.md) (authoritative). Public symbols are qpromise_*; shared object is libqpromise.so. The old prototype (QMemNode / q_mem_* / memory-chain walker) is removed; Q_promises.h is a compatibility include redirecting to qpromise.h.

✨ Features

Command	What it does
`pypm doctor`	Checks Python headers, C compiler, OpenSSL, WASI toolchain, GPU, …
`pypm sandbox [-d DIR]`	Drops you into an ephemeral temp dir (or custom DIR) with a full shell
`pypm plugin add NAME SRC`	Downloads a `.so` plugin (from URL or path) into `~/.pypm/plugins/`
`pypm plugin run NAME …`	Executes `pypm_plugin_main()` inside the named plugin
`pypm pypylock [-o FILE]`	Bundles every wheel + interpreter into `dist/venv.tar.gz` (or FILE)
`pypm version`	Prints the current CLI version
`ppm import PKG`	Import and cache a package with GPU-accelerated hash verification
`ppm add PKG --lock`	Add packages and update the lockfile
`ppm plan` / `ppm apply`	Plan dependency changes, then apply them with an audit trail
`ppm snapshot` / `ppm rollback`	Snapshot the environment; roll back to any prior state
`ppm sign` / `ppm verify`	Sign artifacts (Ed25519) and verify cryptographic receipts
`ppm sbom`	Generate a Software Bill of Materials (SBOM)

*Road-mapped:* SAT dependency solver (the standalone SAT.c CDCL solver exists but is not yet used for resolution), parallel wheel cache, workspaces with single lockfile, WASM wheel resolution, Conda & Poetry import plugins.

🔧 Building from Source

System dependencies

C11 compiler (gcc, clang, or MSVC)
libcurl (plugin downloads)
libdl (dynamic loading — standard on Linux / macOS)
tar / libarchive (optional, for pypylock bundles)

Build & first run

git clone https://github.com/drQedwards/PPM.git

cd PPM cc -Wall -Wextra -ldl -lcurl -o pypm Ppm.c ./pypm doctor # Diagnose your dev box ./pypm sandbox # Spin up a throw-away REPL playground

Q-promise shared library

cd Q_promise_lib

make clean && make test make shared # → libqpromise.so cd ..

Optional: CUDA-accelerated build

nvcc -O3 CLI/CLI.cu -lcuda -o ppm-gpu

./ppm-gpu import transformers torch --verbose

🖥 CLI Commands

Import packages

# Import a single package

ppm import transformers

Import with a specific version

ppm import transformers==4.43.3

Import multiple packages

ppm import transformers torch numpy

Scan a Python file for imports and install them

ppm import --from-file my_script.py

Verbose — watch what's happening

ppm import transformers --verbose

🔍 Resolving transformers...

⬇️ Downloading transformers-4.43.3-py3-none-any.whl

🔐 GPU integrity check: PASSED

✅ transformers==4.43.3 imported successfully

Project initialization

ppm init

Creates:

.ppm/

├── ledger.jsonl ← append-only operation log

├── state.json ← current state

├── lock.json ← dependency lockfile

└── snapshots/ ← rollback points

Dependency resolution & locking

ppm add transformers torch==2.4.0 --lock

ppm plan

{ "plan": "install", "packages": { "transformers": "4.43.3", ... } }

ppm apply --note "Added ML stack"

Snapshot & rollback

ppm snapshot --name "before-upgrade"

ppm snapshots ppm rollback before-upgrade

Environment diagnostics

ppm doctor

✅ Python dev headers found

✅ C compiler available

✅ CUDA toolkit available

🏁 Diagnostics complete (0 issues found)

Sandbox

ppm sandbox                 # ephemeral temp directory

ppm sandbox -d /tmp/mydir # custom directory

Hermetic packaging

ppm pypylock -o production-env.tar.gz

🔐 GPU & Security Features

GPU-accelerated hash verification

ppm import torch --verbose

🚀 GPU hash verification: SHA-256 computed on device

✅ Integrity verified: e3b0c44298fc1c149afbf4c8996fb924...

GPU backend selection

ppm ensure transformers --gpu auto    # auto-detect CUDA

ppm ensure transformers --gpu cu121 # force CUDA 12.1 ppm ensure transformers --gpu cpu # CPU-only

Ed25519 cryptographic signing

ppm keygen --out-priv ed25519.priv --out-pub ed25519.pub

ppm sign --sk ed25519.priv --file torch-2.4.0-*.whl --gpu ./libbreath_gpu.so ppm verify --receipt torch-2.4.0-*.whl.receipt.json --file torch-2.4.0-*.whl

Provenance & SBOM

ppm sbom        --out project-sbom.json

ppm provenance --out provenance.json ppm graph --dot | dot -Tpng -o deps.png

🔌 Plugin System

# Install a plugin

ppm plugin add auditwheel https://cdn.example.com/auditwheel.so

Run it

ppm plugin run auditwheel repair --wheel torch-2.4.0-cp310-linux_x86_64.whl

Writing a plugin (C)

// hello.c

#include int pypm_plugin_main(int argc, char **argv) { puts("Hello from a plugin 👋"); return 0; }

cc -shared -fPIC -o hello.so hello.c

mv hello.so ~/.pypm/plugins/ pypm plugin run hello

⚙️ Configuration

`pypm.toml`

[tool.ppm]

python = "^3.10" default_gpu = "auto"

[tool.ppm.backends] cpu.index = "https://download.pytorch.org/whl/cpu" cu121.index = "https://download.pytorch.org/whl/cu121" cu122.index = "https://download.pytorch.org/whl/cu122"

torch_prefer = "2.4.*" transformers_prefer = "4.43.*"

Environment variables

export PYP_WORKSPACE_ROOT=/path/to/project   # override workspace detection

export PYP_DEBUG=1 # enable debug output export CUDA_VISIBLE_DEVICES=0 # control GPU usage

🧠 PMLL Memory MCP Server

**Persistent memory logic loop with short-term KV context memory, Q-promise

deduplication, and Context+ long-term

memory graph designed to improve context retention and retrieval for coding agents.**

pmll-memory-mcp is a Model Context Protocol (MCP) server with complementary short-term KV and optional long-term graph layers. Server construction prefers MCPServer (mcp 2.x) and falls back to FastMCP (mcp 1.x) — see mcp/pmll_memory_mcp/server.py.

Ground tool names in code: TypeScript (mcp/src/index.ts) has 15 tools including graphql and names like create_relation; Python (mcp/pmll_memory_mcp/server.py) has 14 tools (no graphql) with several longer names such as create_memory_relation. A ctypes demo in Ppm-lib/pmll_mcp/ loads libqpromise.so via qpromise_*.

Memory layers:

Short-term KV cache (5 tools) — session-isolated key-value memory with Q-promise deduplication, mirroring PMLL.c::memory_silo_t.
Long-term memory graph (6 tools) — adapted from Context+ by @ForLoopCodes, providing a SQLite-backed property graph with typed nodes, weighted edges, temporal decay scoring (e^(-λt)), and semantic search via stable hashing embeddings.
Solution engine (3 tools) — bridges both layers with unified context

Nur der Anfang wird gezeigt; den Rest findest du im Repo

Pmll Memory MCP

Überblick

Die drei Säulen von PopNx MCP

Was du damit machen kannst

Installation

Bevor du installierst

Was er kann

Basischecksi

Entwickler passt zum Repo

Wird noch gepflegt

Hat eine Lizenz

Endpunkt antwortet

Anmeldung mit OAuth

Keine versteckten Anweisungen in Tool-Beschreibungen

Im Vergleich mit anderen in Suche & KI-Gedächtnisi

Häufige Fragen

Alternativen

Context7

Codebase Memory

Exa

README vom Entwickler

PPM — Python Package Manager

Table of Contents

Layers (post-merge)

Intended loop

C core (PMLL)

Q-promise library

✨ Features

🔧 Building from Source

System dependencies

Build & first run

Q-promise shared library

Optional: CUDA-accelerated build

🖥 CLI Commands

Import packages

Import with a specific version

Import multiple packages

Scan a Python file for imports and install them

Verbose — watch what's happening

🔍 Resolving transformers...

⬇️ Downloading transformers-4.43.3-py3-none-any.whl

🔐 GPU integrity check: PASSED

✅ transformers==4.43.3 imported successfully

Project initialization

Creates:

.ppm/

├── ledger.jsonl ← append-only operation log

├── state.json ← current state

├── lock.json ← dependency lockfile

└── snapshots/ ← rollback points

Dependency resolution & locking

{ "plan": "install", "packages": { "transformers": "4.43.3", ... } }

Snapshot & rollback

Environment diagnostics

✅ Python dev headers found

✅ C compiler available

✅ CUDA toolkit available

🏁 Diagnostics complete (0 issues found)

Sandbox

Hermetic packaging

🔐 GPU & Security Features

GPU-accelerated hash verification

🚀 GPU hash verification: SHA-256 computed on device

✅ Integrity verified: e3b0c44298fc1c149afbf4c8996fb924...

GPU backend selection

Ed25519 cryptographic signing

Provenance & SBOM

🔌 Plugin System

Run it

Writing a plugin (C)

⚙️ Configuration

pypm.toml

Environment variables

🧠 PMLL Memory MCP Server

`pypm.toml`