Prototipo · Versión preliminar: todos los servidores del registro oficial, sincronizados cada 30 minutos. Inicia sesión con Google para escribir reseñas.Prototipo · se actualiza cada 30 min
PopNx MCPServidores MCP para quienes usan IA · en palabras sencillas Iniciar sesión

Memwyre

de memwyreaiversión 1.0.0i★ 22iSe ejecuta en la nubeSitio oficial ↗
Nombre en el registroio.github.memwyreai/memwyre

Cómo instalar

Qué hace

Universal persistent memory and knowledge retrieval layer for AI agents and LLMs.

Texto original del autor

  • Conexión Se ejecuta en la nube
  • Cuenta o clave Necesita Authorization
  • Categoría Búsqueda y memoria de IA

Úsalo junto con

Skills que enseñan a la IA este tipo de trabajo; funcionan junto a este

timesfm

TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.

de google-research★ 35.6421 skills

Skill · Guía de trabajo

Shadowbroker

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…

de BigBodyCobain★ 11.6081 skills

Skill · Guía de trabajo

google-maps-scraper

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

de gosom★ 82561 skills

Skill · Guía de trabajo

Por qué está en este puesto

Las listas se ordenan por una puntuación de uso (sobre 100) con estas partes

Popularidad16/80Estrellas de GitHub o descargas semanales: la mayor cuenta 60, la menor 20
Actualidad7/12Puntuación completa con una versión o cambio de código en 30 días
Sigue respondiendo0/8El endpoint en la nube respondió en la última revisión
Puntuación de uso24/100

Calidad: Pasó 3/4 revisiones básicas (se muestra, no ordena) · Impulso: Sin datos aún (Solo se usa en la pestaña En auge)

Instalación

Elige la app de IA que usas y copia la configuración.

Pasó 3/4 revisiones · Funciona en tu computadora

Ocultamos parte de los comandos

Conectar por URL: la dirección del servidor no respondió cuando la revisamos

Aún no hay una forma de instalar que haya pasado la revisión. Mira las instrucciones del autor o elige otro servidor de esta categoría · Instrucciones del autor · Otros de esta categoría

Primero: ¿qué IA usas?

Elige tu app y los pasos aparecen abajo.

Claude todavía no puede conectar Memwyre

Aún no hay una forma de instalar que haya pasado la revisión. Mira las instrucciones del autor o elige otro servidor de esta categoría

ChatGPT todavía no puede conectar Memwyre

Aún no hay una forma de instalar que haya pasado la revisión. Mira las instrucciones del autor o elige otro servidor de esta categoría

Lo que puedes hacer en su lugar

B · Otros en Búsqueda y memoria de IA que funcionan con ChatGPT

Elegidos entre los más usados de la misma categoría, solo los que se conectan con una dirección y sin clave

Claude Code todavía no puede conectar Memwyre

Aún no hay una forma de instalar que haya pasado la revisión. Mira las instrucciones del autor o elige otro servidor de esta categoría

Cursor todavía no puede conectar Memwyre

Aún no hay una forma de instalar que haya pasado la revisión. Mira las instrucciones del autor o elige otro servidor de esta categoría

VS Code todavía no puede conectar Memwyre

Aún no hay una forma de instalar que haya pasado la revisión. Mira las instrucciones del autor o elige otro servidor de esta categoría

Aún no hay una forma de instalar que haya pasado la revisión. Mira las instrucciones del autor o elige otro servidor de esta categoría

¿Te atascaste? Pregunta a quien usa Memwyre💬 Conversación →
Para desarrolladores: comandos de Terminal y configuración JSON

Valores que debes completar

  • Authorization secreto obligatorio HTTP header
    Token Bearer generado desde tu panel de Memwyre (p. ej., Bearer bv_sk_...)
    Ver original en inglésBearer token generated from your Memwyre dashboard (e.g. Bearer bv_sk_...)

Descripciones traducidas automáticamente; los nombres de variables quedan como en el original. Si dudas, mira el original.

Esta configuración se genera a partir de la ficha del creador en el registro. Si el README dice otra cosa, sigue el README.

De un vistazo

Descargas por semanai
No está en npm/PyPI
Licenciai
Apache-2.0
Conexión
Se ejecuta en la nube
Transporte
streamable-http
Última versióni
1.0.0
Publicado en el registroi
3 sept 2026
Último cambio de códigoi
16 sept 2026
Última revisión
20 nov 2026
Creador
memwyreai
Estado en el registro
Activo

Qué apps pueden usarlo

Según cómo se conecta este servidor y la documentación de cada app, comprobado el 10 nov 2026.

Se conectan por internet en

GooseLM StudioMsty StudioCherry StudioVisual StudioWindsurf (Devin Desktop)ZedKiroClineContinueJetBrains AI AssistantCodex CLIGemini CLIOpenCodenodecodeWarpLibreChatOpen WebUIRaycast

Todas las apps, con ventajas y desventajas →

Qué puede hacer

El servidor no respondió la última vez que lo revisamos, así que no pudimos leer sus herramientas.

Revisiones básicasi

Revisamos información que cualquiera puede ver; no hemos leído el código. Las revisiones que no aplican no se cuentan. · Revisado el 20 nov 2026

  • ✓ Superada

    El creador coincide con el repo

    El nombre en el registro se verificó con la cuenta de GitHub memwyreai, dueña del repo

  • ✓ Superada

    Sigue en mantenimiento

    Último cambio de código: hace 2 meses

  • ✓ Superada

    Tiene licencia

    Usa Apache-2.0

  • ✕ No superada

    El endpoint responde

    No respondió en 6 segundos cuando lo revisamos

  • – No aplica

    Inicio de sesión con OAuth

    No respondió en 6 segundos cuando lo revisamos

  • … Aún sin revisar

    Sin instrucciones ocultas en las descripciones de herramientas

    Aún sin revisar; leemos la lista de herramientas cuando revisamos el endpoint

La dirección en la nube respondió 0 de las últimas 5 comprobaciones · la última no respondió · revisado 20 nov 2026

Qué revisamos → · JSON

Creadores: pedir otra revisión o avisar de un dato erróneo
Para autores: añade una insignia a tu README

Si lo creaste tú, pega este código en tu README. La insignia enlaza a esta página.

[![Featured on PopNx MCP](https://mcp.popnx.com/badge/memwyreai-memwyre.svg)](https://mcp.popnx.com/en/servers/memwyreai-memwyre)

Conversación

Pregunta, comparte un consejo o avisa de que no funciona. Ordenado por lo que la gente marcó como útil.

Aún no hay publicaciones. Sé la primera persona en preguntar o compartir.

Lo publicado aquí lo escriben usuarios, no el equipo de PopNx.

Inicia sesión para publicar

Reseñas de usuarios

Aún no hay reseñas

Inicia sesión para escribir una reseña

Comparado con otros en Búsqueda y memoria de IAi

  • Más estrellas que el 95% de los otros 6485 servidores de esta categoría
  • Publicado en el registro más recientemente que el 31% de los otros 6485 servidores de esta categoría
  • Revisiones básicas iguales o mejores que el 52% de los otros 6485 servidores de esta categoría

Comparado con todos los servidores activos de esta categoría en el registro. Las estrellas solo cuentan cuando quien lo publica es dueño del repo.

Preguntas frecuentes

¿Es seguro Memwyre?

Superó 3 de 4 revisiones básicas aplicables. No hemos leído el código. Antes de agregar una clave o un token, revisa qué acceso pide el servidor y usa una clave que tenga solo los permisos que necesitas.

¿Qué claves o códigos necesita?

Debes completar: Authorization

¿Se ejecuta en mi computadora o en la nube?

Se ejecuta en la nube del creador. Te conectas por internet sin instalar nada, pero lo que envías pasa por los servidores del creador.

¿Sigue en mantenimiento?

El repo de GitHub cambió por última vez hace 2 meses, y la última versión (1.0.0) llegó al registro hace 3 meses.

¿Qué apps pueden usarlo?

Las apps compatibles con MCP, como Claude Desktop, Claude Code, Cursor y VS Code. Se conecta por URL, así que también sirve en apps que aceptan MCP remoto, como ChatGPT en la web (MCP completo en Business y superiores; Pro solo lectura).

¿Qué puedo usar en su lugar?

En la misma categoría: OpenSEO, Exa, Microsoft Learn MCP, Docs, COTAL actions (cotal.ai)

Alternativas parecidas

Misma categoría, otros creadores, comandos ya revisados. Primero los oficiales, luego por estrellas.

Cómo leer una tarjeta:↓ Descargas por semanai★ Estrellas de GitHubiTres pilares: reseñas · revisiones · usoiActualizado = fecha en que se publicó la última versión en el registroi

OpenSEO

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

de every-appMuy usado★ 28,4 milActualizado hace 6 días

Se ejecuta en la nube✓ everyapp.com

Exa

Official Exa MCP for web search, content fetching, and multi-step research.

de exa-labsMuy usado★ 5,2 milActualizado hoy

Se ejecuta en la nube✓ del servicio · exa.aiProbado por el equipo de PopNx

Microsoft Learn MCP

Official Microsoft Learn MCP Server – real-time, trusted docs & code samples for AI and LLMs.

de MicrosoftDocsMuy usado★ 2 milActualizado hace 12 meses

Se ejecuta en la nube✓ del servicio · microsoft.comProbado por el equipo de PopNx

Docs

Search and read Empryo's documentation. Read-only, no auth, no local access.

de proxysoulEn crecimiento★ 1,6 milActualizado hace 2 meses

Se ejecuta en la nube✓ empryo.com

COTAL actions (cotal.ai)

cotal.ai actions: product overview, site search, build log, feedback, Cloud waitlist, updates, calls

de Cotal-AIEn crecimiento★ 403Actualizado hace 2 meses

Se ejecuta en la nube✓ del servicio · cotal.ai
Comparado con otros parecidos
Este
Memwyre
OpenSEOExaMicrosoft Learn MCPDocsCOTAL actions (cotal.ai)
Dónde se ejecutaFunciona en la nube, sin instalar nadaFunciona en la nube, sin instalar nadaFunciona en la nube, sin instalar nadaFunciona en la nube, sin instalar nadaFunciona en la nube, sin instalar nadaFunciona en la nube, sin instalar nada
Necesita claveSíNoNoNoNoNo
Se añade con + en ClaudeNoSíSíSíNoNo
Revisiones básicas3/45/52/44/44/44/4
LicenciaApache-2.0MITMITCC-BY-4.0NOASSERTIONApache-2.0
PrecioSin coste en el registroSin coste en el registroSin coste en el registroSin coste en el registroSin coste en el registroSin coste en el registro

README del creador

Abrir el README

Copiado tal cual del repo del creador. PopNx MCP no lo ha revisado ni lo respalda. Se quitaron HTML, imágenes y scripts. Los enlaces llevan fuera de este sitio.

Memwyre

Persistent Shared Memory for Every AI.

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.


Quickstart

🧑💻 I want to connect my AI tools

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)

🔧 I'm building AI agents & products

Interface with the unified memory vault, custom vector searches, and profile-based retrieval APIs:

  • Integration guides for custom AI agents and apps
  • Plug-and-play OpenClaw & Claude plugins
  • Direct vector storage without configuration

[→ Jump to Developer Setup](#installation--setup)


Table of Contents

  1. Quickstart
  2. Core Features
  3. Ecosystem Tiers
  4. System Architecture & Core Workflows
  5. The LoCoMo Benchmark Evaluation
  6. Database Schema & Multi-Tenancy
  7. Installation & Setup
  8. Environment Configuration
  9. License

Core Features

  • Decoupled Persistent Memory: Acts as an external, LLM-agnostic memory layer. Your knowledge base follows you whether you are using OpenAI, Google Gemini, Anthropic Claude, or local model configurations.
  • Asynchronous Enrichment: Automatically refines memories, stripping filler text, generating summaries, extracting key entities, and producing atomic factual associations.
  • Dynamic Context Pruning & Recency Decay: Utilizes an Ebbinghaus-inspired logarithmic decay to deprecate outdated or contradictory user preferences chronologically, keeping context sizes optimized.
  • Approval-Based Inbox Flow: Introduces a memory dashboard inbox, allowing you to review, edit, approve, or reject auto-captured memories before committing them to long-term vector indexes.
  • Project-Scoped Containerization: Restricts vector searches and factual associations to specific workspaces or project scopes, providing robust multi-tenant containerization.

Ecosystem Tiers

Memwyre provides multiple ways to ingest and retrieve information:

  • 1. Web Application & Dashboard (Deployed on memwyre.tech): The main web app written in Vue 3 (Vite + Tailwind CSS), incorporating an onboarding tour, Monaco Editor for document management, billing integration, and a visual retrieval simulator to debug and verify vector rankings.
  • 2. Chrome Extension (Manifest V3) (Available on Chrome Web Store): Auto-injects context into web chat clients, maps authentication tokens, and allows users to save articles, code snippets, or conversational logs directly to their vault with a single click.
  • 3. Model Context Protocol (MCP) Server: A Python server mapping memory tools (search_memory, save_memory, get_document) directly into IDEs like Cursor and VS Code, or desktop assistants like Claude Desktop.
  • 4. CLI Tool: A Node-based Command Line Interface (cli/) providing terminal-level interaction, query testing, and batch document uploads.
  • 5. OpenClaw Plugin: A dedicated integration module (openclaw-plugin/) allowing multi-agent platforms to interface directly with the Memwyre memory vault.

System Architecture & Core Workflows

High-Level Components

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

Ingestion Pipeline

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)

Parallelized Retrieval (RAG)

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 Benchmark Evaluation

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).

Performance Metrics (Memwyre vs. Flat Vector Systems)
Evaluation CategoryTest DescriptionFlat Vector RAGMemwyre Engine
Single-Hop RecallDirect retrieval of personal facts and values53.0%80.0%
Multi-Hop ReasoningLinking facts across distant chat sessions24.0%45.0%
Temporal AlignmentOrdering events and identifying timeframe changes48.0%74.0%
Open-Domain ReasoningContextual inferences and complex reasoning50.0%76.0%
Overall AccuracyWeighted average across all 1,540 test questions43.7%73.5%
Mean Token SizeAverage 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.

Architectural Enablers of LoCoMo Performance
  1. Dynamic Context Pruning: Strips out conversational noise (filler words, greetings, and distractors) during chunk enrichment.
  2. Two-Stage Re-ranking: Employs a broad, high-recall vector fetch stage followed by a Cross-Encoder re-ranker to pick only the most contextually relevant memory items.
  3. Ebbinghaus Logarithmic Recency Decay: Automatically deprecates older user preferences or conflicting facts chronologically when newer entries override them.
  4. Adversarial Immunity: Utilizes strict semantic containment, causing the retriever to fail cleanly and refuse hallucinations when queried on non-existent information.

Database Schema & Multi-Tenancy

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.

Fact Supersession & Project Containerization
  • Supersession: When a new fact matching the same subject and

Solo se muestra el principio; lee el resto en el repo