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.
Texto original del autor
Skills que enseñan a la IA este tipo de trabajo; funcionan junto a este
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
Las listas se ordenan por una puntuación de uso (sobre 100) con estas partes
| Popularidad | 16/80 | Estrellas de GitHub o descargas semanales: la mayor cuenta 60, la menor 20 |
|---|---|---|
| Actualidad | 7/12 | Puntuación completa con una versión o cambio de código en 30 días |
| Sigue respondiendo | 0/8 | El endpoint en la nube respondió en la última revisión |
| Puntuación de uso | 24/100 |
Calidad: Pasó 3/4 revisiones básicas (se muestra, no ordena) · Impulso: Sin datos aún (Solo se usa en la pestaña En auge)
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
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
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.
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
El servidor no respondió la última vez que lo revisamos, así que no pudimos leer sus herramientas.
Revisamos información que cualquiera puede ver; no hemos leído el código. Las revisiones que no aplican no se cuentan. · Revisado el 20 nov 2026
El nombre en el registro se verificó con la cuenta de GitHub memwyreai, dueña del repo
Último cambio de código: hace 2 meses
Usa Apache-2.0
No respondió en 6 segundos cuando lo revisamos
No respondió en 6 segundos cuando lo revisamos
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
Si lo creaste tú, pega este código en tu README. La insignia enlaza a esta página.
[](https://mcp.popnx.com/en/servers/memwyreai-memwyre)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.
Aún no hay reseñas
Comparado con todos los servidores activos de esta categoría en el registro. Las estrellas solo cuentan cuando quien lo publica es dueño del repo.
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.
Debes completar: Authorization
Se ejecuta en la nube del creador. Te conectas por internet sin instalar nada, pero lo que envías pasa por los servidores del creador.
El repo de GitHub cambió por última vez hace 2 meses, y la última versión (1.0.0) llegó al registro hace 3 meses.
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).
En la misma categoría: OpenSEO, Exa, Microsoft Learn MCP, Docs, COTAL actions (cotal.ai)
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
Keyword research, site audits, rank tracking and AI visibility for your AI agent.
Official Exa MCP 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
| Este Memwyre | OpenSEO | Exa | Microsoft Learn MCP | Docs | COTAL actions (cotal.ai) | |
|---|---|---|---|---|---|---|
| Dónde se ejecuta | Funciona en la nube, sin instalar nada | Funciona en la nube, sin instalar nada | Funciona en la nube, sin instalar nada | Funciona en la nube, sin instalar nada | Funciona en la nube, sin instalar nada | Funciona en la nube, sin instalar nada |
| Necesita clave | Sí | No | No | No | No | No |
| Se añade con + en Claude | No | Sí | Sí | Sí | No | No |
| Revisiones básicas | 3/4 | 5/5 | 2/4 | 4/4 | 4/4 | 4/4 |
| Licencia | Apache-2.0 | MIT | MIT | CC-BY-4.0 | NOASSERTION | Apache-2.0 |
| Precio | Sin coste en el registro | Sin coste en el registro | Sin coste en el registro | Sin coste en el registro | Sin coste en el registro | Sin coste en el registro |
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.
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