timesfm
TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.
Universal persistent memory and knowledge retrieval layer for AI agents and LLMs.
Skills, die der KI diese Art Arbeit beibringen; sie funktionieren zusammen mit diesem
TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.
Open-source intelligence for the global theater. Track everything from the corporate/private jets of the wealthy, and spy satellites, to seismic events in one unified interface. Hook an AI agent up to have it parse through data and find previously unseen correlations. The knowledge is available to…
scrape data from Google Maps. Extracts data such as the name, address, phone number, website URL, rating, reviews number, latitude and longitude, reviews,email and more for each place
Listen sind nach einem Nutzungswert (von 100) aus diesen Teilen sortiert
| Beliebtheit | 16/80 | GitHub-Sterne oder wöchentliche Downloads: der größere Wert zählt 60, der kleinere 20 |
|---|---|---|
| Aktualität | 7/12 | Volle Punkte für Release oder Codeänderung in 30 Tagen |
| Antwortet noch | 0/8 | Der Cloud-Endpoint antwortete bei der letzten Prüfung |
| Nutzungswert | 24/100 |
Qualität: 3/4 Basisprüfungen bestanden (angezeigt, nicht zur Sortierung) · Schwung: Noch keine Daten (Nur im Tab Im Trend verwendet)
Wähle die KI-App, die du nutzt, und kopiere die Einstellungen.
3/4 Prüfungen bestanden · Läuft auf deinem Computer
Wir haben einen Teil der Befehle ausgeblendet
Per URL verbinden: die Server-Adresse hat bei der Prüfung nicht geantwortet
Noch kein Installationsweg hat die Prüfung bestanden. Sieh dir die Anleitung des Autors an oder wähle einen anderen Server dieser Kategorie · Anleitung des Autors · Andere in dieser Kategorie
Zuerst: Welche KI nutzt du?
Wähle deine App, dann erscheinen die Schritte unten.
Claude kann Memwyre noch nicht verbinden
Noch kein Installationsweg hat die Prüfung bestanden. Sieh dir die Anleitung des Autors an oder wähle einen anderen Server dieser Kategorie
ChatGPT kann Memwyre noch nicht verbinden
Noch kein Installationsweg hat die Prüfung bestanden. Sieh dir die Anleitung des Autors an oder wähle einen anderen Server dieser Kategorie
Claude Code kann Memwyre noch nicht verbinden
Noch kein Installationsweg hat die Prüfung bestanden. Sieh dir die Anleitung des Autors an oder wähle einen anderen Server dieser Kategorie
Cursor kann Memwyre noch nicht verbinden
Noch kein Installationsweg hat die Prüfung bestanden. Sieh dir die Anleitung des Autors an oder wähle einen anderen Server dieser Kategorie
VS Code kann Memwyre noch nicht verbinden
Noch kein Installationsweg hat die Prüfung bestanden. Sieh dir die Anleitung des Autors an oder wähle einen anderen Server dieser Kategorie
Noch kein Installationsweg hat die Prüfung bestanden. Sieh dir die Anleitung des Autors an oder wähle einen anderen Server dieser Kategorie
Beschreibungen automatisch übersetzt; Variablennamen bleiben wie im Original. Im Zweifel das Original ansehen.
Diese Einstellungen werden aus dem Registry-Eintrag des Entwicklers erzeugt. Wenn in der README etwas anderes steht, folge der README.
Basierend darauf, wie sich dieser Server verbindet, und auf der eigenen Doku jeder App, geprüft am 10. Nov. 2026.
Verbinden sich über das Internet in
GooseLM StudioMsty StudioCherry StudioVisual StudioWindsurf (Devin Desktop)ZedKiroClineContinueJetBrains AI AssistantCodex CLIGemini CLIOpenCodenodecodeWarpLibreChatOpen WebUIRaycast
Der Server hat bei unserer letzten Prüfung nicht geantwortet, deshalb konnten wir seine Tools nicht lesen.
Wir prüfen Informationen, die jeder sehen kann; den Code haben wir nicht gelesen. Checks, die nicht zutreffen, werden nicht mitgezählt. · Geprüft am 19. Nov. 2026
Der Registry-Name wurde mit dem GitHub-Konto memwyreai bestätigt, dem das Repo gehört
Code zuletzt geändert: vor 2 Monaten
Nutzt Apache-2.0
Hat bei unserer Prüfung nicht innerhalb von 6 Sekunden geantwortet
Hat bei unserer Prüfung nicht innerhalb von 6 Sekunden geantwortet
Noch nicht geprüft; wir lesen die Tool-Liste, wenn wir den Endpunkt prüfen
Die Cloud-Adresse hat bei 0 der letzten 4 Prüfungen geantwortet · zuletzt keine Antwort · geprüft 19. Nov. 2026
Wenn du das gebaut hast, füge diesen Code in dein README ein. Das Badge verlinkt auf diese Seite.
[](https://mcp.popnx.com/en/servers/memwyreai-memwyre)Fragen, Tipps teilen oder melden, dass etwas nicht geht. Sortiert nach „hilfreich“.
Noch keine Beiträge. Stell die erste Frage oder teile einen Tipp.
Beiträge hier stammen von Nutzern, nicht vom PopNx-Team.
Noch keine Bewertungen
Verglichen mit allen aktiven Servern dieser Kategorie in der Registry. Sterne zählen nur, wenn dem Herausgeber das Repo gehört.
Er hat 3 von 4 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.
Das musst du eintragen: Authorization
Er läuft in der Cloud des Entwicklers. Du verbindest dich übers Internet, ohne etwas zu installieren, aber was du sendest, läuft über die Server des Entwicklers.
Das GitHub-Repo wurde zuletzt vor 2 Monaten geändert, und die neueste Version (1.0.0) kam vor 3 Monaten in die Registry.
Apps, die MCP unterstützen, etwa Claude Desktop, Claude Code, Cursor und VS Code. Er verbindet sich per URL und funktioniert daher auch in Apps mit Remote-MCP, etwa ChatGPT im Web (volles MCP ab Business; Pro nur lesend).
In derselben Kategorie: OpenSEO, Exa, Microsoft Learn MCP, Docs, COTAL actions (cotal.ai)
Gleiche Kategorie, andere Entwickler, Befehle bereits geprüft. Offizielle zuerst, dann nach Sternen.
So liest du eine Karte:↓ Downloads pro Wochei★ GitHub-SterneiDrei Säulen: Bewertungen · Checks · NutzungiAktualisiert = neueste Version in der Registry veröffentlichti
Keyword research, site audits, rank tracking and AI visibility for your AI agent.
Connect AI agents to Exa for web search, content fetching, and multi-step research.
Official Microsoft Learn MCP Server – real-time, trusted docs & code samples for AI and LLMs.
Search and read Empryo's documentation. Read-only, no auth, no local access.
cotal.ai actions: product overview, site search, build log, feedback, Cloud waitlist, updates, calls
| Dieser Memwyre | OpenSEO | Exa | Microsoft Learn MCP | Docs | COTAL actions (cotal.ai) | |
|---|---|---|---|---|---|---|
| Läuft wo | Läuft in der Cloud, keine Installation | Läuft in der Cloud, keine Installation | Läuft in der Cloud, keine Installation | Läuft in der Cloud, keine Installation | Läuft in der Cloud, keine Installation | Läuft in der Cloud, keine Installation |
| Braucht Schlüssel | Ja | Nein | Nein | Nein | Nein | Nein |
| Mit + in Claude hinzufügen | Nein | Ja | Ja | Ja | Nein | Nein |
| Basisprüfungen | 3/4 | 5/5 | 2/4 | 4/4 | 4/4 | 4/4 |
| Lizenz | Apache-2.0 | MIT | MIT | CC-BY-4.0 | NOASSERTION | Apache-2.0 |
| Preis | Keine Kosten im Register | Keine Kosten im Register | Keine Kosten im Register | Keine Kosten im Register | Keine Kosten im Register | Keine Kosten im Register |
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.
Website · Documentation · Console / App · Twitter / X
Memwyre is an open-source, universal memory infrastructure and persistent knowledge retrieval layer for Large Language Models (LLMs), AI agents, and custom applications.
Rather than treating AI as stateless and losing context every time you switch between ChatGPT, Claude, Cursor, or different agent environments, Memwyre sits externally as a unified personal brain. It securely ingests, chunks, and structures your documents, web pages, conversations, and workflows—making them instantly retrievable across your entire AI toolchain.
Build your own external memory layer using our consumer-facing dashboard or browser extension, and plug it directly into Cursor, VS Code, or Claude Desktop via MCP:
npx -y install-memwyre
[→ Jump to User Setup](#installation--setup)
Interface with the unified memory vault, custom vector searches, and profile-based retrieval APIs:
[→ Jump to Developer Setup](#installation--setup)
Memwyre provides multiple ways to ingest and retrieve information:
search_memory, save_memory, get_document) directly into IDEs like Cursor and VS Code, or desktop assistants like Claude Desktop.cli/) providing terminal-level interaction, query testing, and batch document uploads.openclaw-plugin/) allowing multi-agent platforms to interface directly with the Memwyre memory vault.Memwyre connects user clients to local or cloud vector search services and AI providers:
flowchart TB
subgraph Client_Side ["Client Side"] Browser["WebApp (Vue 3 / Vite)"] Extension["Chrome Extension (MV3)"] CLI["CLI Client (Node.js)"] end
subgraph Load_Balancer ["Ingress"] Nginx["Nginx Reverse Proxy"] end
subgraph Backend_Core ["Backend API (FastAPI)"] Auth_Mod["Auth & Users Module"] Mem_Mod["Memory Management"] Ret_Mod["Retrieval Engine"] LLM_Mod["LLM Service (V1/V2)"] end
subgraph Background_Workers ["Celery Workers"] Ingest_Worker["Ingestion & Chunking Worker"] Dedupe_Worker["Deduplication Worker"] end
subgraph Data_Persistence ["Data Layer"] Postgres[("PostgreSQL / SQLite")] Pinecone[("Pinecone / ChromaDB")] Redis[("Redis Message Broker")] end
subgraph External_Services ["AI Inference"] NVIDIA["NVIDIA NIM (Kimi K2.6)"] Azure["Azure OpenAI (GPT-4o-mini)"] Gemini["Google Gemini API"] end
Browser -->|HTTPS| Nginx Extension -->|HTTPS| Nginx CLI -->|HTTPS| Nginx Nginx --> Backend_Core
Auth_Mod --> Postgres Mem_Mod --> Postgres Mem_Mod --> Ingest_Worker
Ret_Mod --> Pinecone Ret_Mod --> Postgres Ret_Mod --> External_Services
Ingest_Worker --> External_Services Ingest_Worker --> Pinecone Ingest_Worker --> Postgres
Ingesting a memory triggers background worker tasks to process, embed, and structure raw data asynchronously:
sequenceDiagram
participant User participant API as FastAPI API participant Worker as Celery Worker participant LLM as LLM/Embedding Provider participant Vector as Pinecone/ChromaDB participant DB as PostgreSQL/SQLite
User->>API: POST /memory (Raw Text Content) API->>DB: Save Memory (Status: Pending) API->>Worker: Dispatch Ingest Task API-->>User: 202 Accepted (In progress)
Note over Worker: Asynchronous Processing Worker->>LLM: Metadata Extraction (Titles, Tags) Worker->>Worker: Semantic Chunking (Overlapping Splits)
loop Parallel Enrichment Worker->>LLM: Enrich Chunk (Q&A Pairs, Summaries) Worker->>LLM: Extract SPO Facts (Subject-Predicate-Object) end
Worker->>Vector: Batch Upsert Embeddings (Chunks + Facts) Worker->>DB: Write Chunks & Facts (Linked to Memory) Worker->>DB: Update Memory Status (Approved/Active)
Retrieval queries run exact relational Fact lookups and fuzzy Semantic Search in parallel to feed LLM contexts with ultra-low latency:
sequenceDiagram
participant User participant API as FastAPI API participant RetSvc as RetrievalService participant Vector as Vector Store participant DB as Relational DB participant LLM as GenAI Model
User->>API: Chat Query / RAG Trigger API->>RetSvc: search_memories(Query, project_id)
par State Fact Lookups RetSvc->>Vector: Vector Search (Factual matches) RetSvc->>DB: SQL Filter (Valid & Non-superseded Facts) and Semantic Search RetSvc->>Vector: Vector Search (Chunk embeddings) RetSvc->>RetSvc: MMR Re-ranking (Filter redundant chunks) end
RetSvc->>RetSvc: Merge Results (State Facts + Chunk text) RetSvc-->>API: Ranked Top-K Context Items
API->>LLM: Generate Answer (Prompt + Merged Context) LLM-->>User: Streaming Response
The [LoCoMo-10](https://github.com/snap-research/locomo) (Long Conversational Memory) benchmark, introduced by Snap Research in *"Evaluating Very Long-Term Conversational Memory of LLM Agents" (2024)*, evaluates AI agent systems on long-term memory, factual consistency, temporal alignment, and multi-hop reasoning over lengthy, multi-session dialog flows (up to 32 sessions and 26,000 tokens per conversation).
| Evaluation Category | Test Description | Flat Vector RAG | Memwyre Engine |
|---|---|---|---|
| Single-Hop Recall | Direct retrieval of personal facts and values | 53.0% | 80.0% |
| Multi-Hop Reasoning | Linking facts across distant chat sessions | 24.0% | 45.0% |
| Temporal Alignment | Ordering events and identifying timeframe changes | 48.0% | 74.0% |
| Open-Domain Reasoning | Contextual inferences and complex reasoning | 50.0% | 76.0% |
| Overall Accuracy | Weighted average across all 1,540 test questions | 43.7% | 73.5% |
| Mean Token Size | Average size of retrieved context sent to LLM prompt | ~26,000 | ~3,000 |
[!TIP]
Context Compression: Memwyre achieves a 88.5% context length reduction (retrieving 3,000 tokens instead of the 26,000-token raw conversational dialog) while significantly outperforming flat vector indexing in accuracy.
Memwyre uses a hybrid storage model: metadata, relational facts, and user credentials reside in SQL tables (PostgreSQL/SQLite), while document chunks and enriched fact strings are mirrored in vector databases (Pinecone/ChromaDB).
👉 [View the Detailed Database Schema](docs/database_schema.md) for a complete breakdown of the Core Entities (users, projects, memories, documents, chunks, facts) and the Entity Relationship Diagram.
subject and