AI Agent Memory

Name: AI Agent Memory
Author: xiangzi1126

von xiangzi1126Version 0.1.1i★ –iLäuft auf deinem Computer

Name in der Registryio.github.xiangzi1126/ai-agent-memory-mcp

Installieren

Überblick

Beschreibung vom Entwickler (englisches Original)

Agent-agnostic persistent memory MCP server. Local-first: memories travel with your project.

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
NutzungiGanz neu↓ 104/Wo. · ★ –

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

PyPIuv für Python installiert (für den Befehl uvx)

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": {
    "ai-agent-memory": {
      "command": "uvx",
      "args": [
        "ai-agent-memory-mcp"
      ]
    }
  }
}

Führe das in deinem Terminal aus

claude mcp add ai-agent-memory -- uvx ai-agent-memory-mcp

In Cursor öffnen

Oder kopier die Einstellungen selbst

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

{
  "mcpServers": {
    "ai-agent-memory": {
      "command": "uvx",
      "args": [
        "ai-agent-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": {
    "ai-agent-memory": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "ai-agent-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 8. Nov. 2026

✓ Bestanden
Entwickler passt zum Repo
Der Registry-Name wurde mit dem GitHub-Konto xiangzi1126 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 5684 Server in dieser Kategorie
Neuer in der Registry veröffentlicht als 23 % der anderen 5684 Server in dieser Kategorie
Basischecks gleich gut wie oder besser als bei 100 % der anderen 5684 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 AI Agent Memory 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 4 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 Python (uv) 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:↓ Downloads pro Wochei★ GitHub-SterneiDrei Säulen: Bewertungen · Checks · NutzungiAktualisiert = neueste Version in der Registry veröffentlichti

Context7

Up-to-date docs for AI agents

von upstashWeit verbreitet↓ 972.664/Wo.★ 64.224Aktualisiert vorgestern

Computer oder Cloud

Installieren

Codebase Memory

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

von DeusDataWeit verbreitet↓ 17.962/Wo.★ 48.148Aktualisiert vor 22 Tagen

Läuft auf deinem Computer

Installieren

Exa

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

von exa-labsWachsend★ 5213Aktualisiert vor 2 Monaten

Läuft in der Cloud✓ exa.ai

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.

AI Memory MCP Server

Agent-agnostic persistent memory as an MCP Server — local-first: memories travel with your project in .aamm/, shared across Claude Code / Qoder / Cursor.

中文 | 日本語

An agent-agnostic persistent memory layer exposed as an MCP Server. Any MCP client — Claude Code, Qoder, Cursor — can reuse it. Memories live in each project's .aamm/ directory and travel with the project; different agents working the same project share one memory store, with a source_agent stamp distinguishing writers.

Architecture

SQLite — structured source of truth (CRUD + FTS5 keyword search)
Chroma (embedded) — vector retrieval, persisted to .aamm/chroma/
Embedding — any OpenAI-compatible service (Volcengine / SiliconFlow / OpenAI / others); defaults to Volcengine doubao-embedding-vision
Markdown mirror — each memory is also written to .aamm/memories/ / .md, human-readable and editable

The three layers are joined by id.

Memory categories

category	use
`user`	user preferences (tech background / dev habits / answer style)
`project`	project knowledge (architecture / stack / layout / design decisions)
`process`	work process (solved issues / bugs / debugging / lessons)
`agent`	agent collaboration (what was done / handoff notes)

Install

From PyPI:

pip install ai-agent-memory-mcp

From source:

cd ai_agent_memory_mcp

pip install . # or: pip install -e . (editable, for development)

Requires Python 3.11+.

Configure embedding (any OpenAI-compatible service)

The embedding layer is a generic OpenAI-compatible client — Volcengine / SiliconFlow / OpenAI / any compatible service works. On first run a default config is generated at .aamm/config.yml; edit as needed.

Fields (`embedding` section of `.aamm/config.yml`)

field	meaning
`provider`	label (informational only)
`model`	embedding model name
`base_url`	OpenAI-compatible endpoint
`api_key_env`	which env var holds the key
`dim`	vector dim (must match the model)

Put the key in the project root .env, then edit the embedding section of config.yml.

Examples

Volcengine doubao-embedding-vision (default; Agent/Coding Plan keys must use the Plan endpoint /api/plan/v3 — standard /api/v3 returns 401)

embedding:

provider: volcengine model: doubao-embedding-vision base_url: https://ark.cn-beijing.volces.com/api/plan/v3 api_key_env: VOLCENGINE_API_KEY dim: 2048

`.env`: `VOLCENGINE_API_KEY=...`

SiliconFlow bge-large-zh (Chinese-text optimized)

embedding:

provider: siliconflow model: BAAI/bge-large-zh-v1.5 base_url: https://api.siliconflow.cn/v1 api_key_env: SILICONFLOW_API_KEY dim: 1024

`.env`: `SILICONFLOW_API_KEY=...`

OpenAI

embedding:

provider: openai model: text-embedding-3-small base_url: https://api.openai.com/v1 api_key_env: OPENAI_API_KEY dim: 1536

`.env`: `OPENAI_API_KEY=...`

Any other OpenAI-compatible service: just fill in base_url / model / api_key_env / dim.

After switching embedding model, old vectors may mismatch in dimension; clear .aamm/chroma/ and re-remember, or run python tests/rebuild_vectors.py.

Retrieval

recall uses three-way fused retrieval to maximize hit rate:

Vector (weight 0.6): Chroma cosine; embeddings are computed from title + tags + content, so title/tag signal enters the vector
Keyword (weight 0.25): SQLite FTS5 trigram
Title/tag match (weight 0.15): +0.15 if the query appears in the title, +0.075 if in a tag

Candidates are expanded to top_k*3, then fused down to top_k. If the query contains FTS5 special characters (., *, ", -, ...), the keyword branch falls back to LIKE substring matching instead of erroring.

Work journal

Besides searchable memories, aamm keeps a human-readable work journal. After completing a user request, the agent calls journal_entry() to log what was asked / what it did / any open question. Journals are for people reading a timeline; recall does not search them. Use search_journal() only as a fallback to recover "what happened in a past interaction".

Journals are written to .aamm/logs/:

journal.db — single SQLite store (the search source, spans all dates)
YYYY-MM-DD.md — one Markdown file per day, append-only timeline

.aamm/logs/

├── journal.db # search source (all dates) ├── 2026-07-14.md # per-day timeline └── 2026-07-15.md

MCP tools

Memory (8):

remember(title, content, category, tags?, scope?) — store (three-way sync, auto-embed)
recall(query, category?, top_k=5) — fused retrieval (vector + keyword + title match)
get_memory(id) — get one
search_memories(category?, tag?, agent?) — structured filter
update_memory(id, ...) — update (re-embed + refresh md)
forget(id) — delete (three-way sync)
list_memories(category?) — list
who_am_i() — current agent + project context

Journal (3):

journal_entry(question, answer_summary, key_points?, open_question?, session_id?) — log a timeline entry
search_journal(query, date_from?, date_to?, agent?, limit=10) — fallback search over journals
setup_profile(user_name) — set the user name (shown in journals)

Management CLI

python -m ai_agent_memory_mcp.cli init                  # initialize .aamm in the current project

python -m ai_agent_memory_mcp.cli status # store overview (categories / vectors / md / journal) python -m ai_agent_memory_mcp.cli export [--dir DIR] # export all memories to Markdown python -m ai_agent_memory_mcp.cli sync # rebuild SQLite + Chroma from Markdown python -m ai_agent_memory_mcp.cli check # consistency check (db / md / chroma) python -m ai_agent_memory_mcp.cli journal [--limit N] # show recent journal entries

Wire into Claude Code (user scope; shared code, per-project data)

From PyPI (no PYTHONPATH needed):

claude mcp add aamm -s user -- python -m ai_agent_memory_mcp --agent claude-code --project-from-cwd

From a source clone, add -e PYTHONPATH= \ai_agent_memory_mcp:

claude mcp add aamm -s user -e PYTHONPATH=<clone dir>\ai_agent_memory_mcp -- python -m ai_agent_memory_mcp --agent claude-code --project-from-cwd

Qoder / Cursor are the same — just change --agent.

Data layout

.aamm/

├── memory.db # SQLite: structured memories + FTS5 ├── chroma/ # Chroma vector store ├── memories/ / .md # Markdown mirror (editable) ├── logs/ │ ├── journal.db # work journal (search source) │ └── YYYY-MM-DD.md # per-day journal timeline ├── config.yml # embedding config └── profile.json # user name

License

MIT

AI Agent Memory

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

AI Memory MCP Server

Architecture

Memory categories

Install

Configure embedding (any OpenAI-compatible service)

Fields (embedding section of .aamm/config.yml)

Examples

Retrieval

Work journal

MCP tools

Management CLI

Wire into Claude Code (user scope; shared code, per-project data)

Data layout

License

Fields (`embedding` section of `.aamm/config.yml`)