WARM

Name: WARM
Author: writerslogic

作者：writerslogicバージョン 0.1.5i★ –iパソコンで動く

レジストリ名io.github.writerslogic/warm-mcp

インストール

概要

作者による説明（英語の原文）

Local persistent memory for AI agents with recall, search, forgetting, and encrypted storage.

PopNx MCPの3つの柱

この3つを1つのスコアにまとめることはしません。意見、測定、人気はそれぞれ別のものだからです。

利用者の声iレビューはまだありませんレビューは今後のステップで、アカウント機能と一緒に始まります
私たちの基本チェックi1項目中1項目に合格公開情報からチェック。コードはまだスキャンしていません
利用状況i未計測★ –

できること

このサーバーのやさしい解説はまだ書いていません。以下はレジストリから読み取った事実です。

接続方法: パソコンで動く
トランスポート: stdio
カテゴリ: 検索・AIの記憶

インストール

使っているAIアプリを選んで、設定をコピーしてください。

インストールの前に

基本チェック：1項目中1項目に合格
あなたのパソコンで、あなたのユーザーと同じ権限（ファイル、ネットワーク、アプリ）で動きます。
レジストリには、入力が必要なキーは載っていません。

必要なもの

npmNode.jsのインストール（npxコマンドに必要）

どのアプリを使っていますか？

ClaudeClaude CodeCursorVS CodeChatGPT

上でアプリを選んでください。選んだアプリを覚えておくので、次からはボタンに「…にインストール」と表示されます。

Claude Desktop → Settings → Developer → Edit Config を開き、claude_desktop_config.json にこれを貼り付けます

{
  "mcpServers": {
    "warm": {
      "command": "npx",
      "args": [
        "-y",
        "writerslogic-warm-mcp"
      ]
    }
  }
}

ターミナルでこれを実行します

claude mcp add warm -- npx -y writerslogic-warm-mcp

Cursorで開く

または、設定を自分でコピーする

プロジェクトの .cursor/mcp.json、または ~/.cursor/mcp.json に貼り付けます

{
  "mcpServers": {
    "warm": {
      "command": "npx",
      "args": [
        "-y",
        "writerslogic-warm-mcp"
      ]
    }
  }
}

ブラウザがアプリを開いてよいか確認し、そのあとアプリが設定を表示して確認を求めます。キーの値は空欄のままなので、自分で入力してください。

VS Codeで開く

または、設定を自分でコピーする

プロジェクトの .vscode/mcp.json に貼り付けます

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

これはパソコンで動くサーバーですが、ChatGPTがつなげるのはインターネット上のサーバーだけです。ほかのアプリを選んでください。

選んだアプリは、この端末のCookieに保存されます。アカウントは不要です。

この設定は、作者のレジストリ登録情報から作成しています。READMEと違う場合は、READMEに従ってください。

できること

パソコンで動くサーバーです。インストールすると、ツール一覧がAIアプリに表示されます。

基本チェックi

誰でも見られる情報をチェックしており、コードは読んでいません。当てはまらない項目は数に入れていません。 · 2026年11月7日にチェック

✓ 合格
作者とリポジトリが一致
レジストリ名は、リポジトリを所有するGitHubアカウント writerslogic で確認済みです
… 未チェック
今もメンテナンスされている
このリポジトリはまだGitHubから読み取っていません
… 未チェック
ライセンスがある
このリポジトリはまだGitHubから読み取っていません
– 対象外
エンドポイントが応答する
これはパソコンで動くため、インターネット上のエンドポイントはありません
– 対象外
OAuthでサインイン
パソコンで動き、代わりにローカルの設定を使います
… 未チェック
ツールの説明に隠れた指示がない
パソコンで動くサーバーです。ツール一覧を読み取れるのは、インターネット上のエンドポイントがある場合だけです

検索・AIの記憶のほかのサーバーとの比較i

このカテゴリのほかの7251件のうち0%よりスターが多い
このカテゴリのほかの7251件のうち84%より最近レジストリに公開
基本チェックの結果が、このカテゴリのほかの7251件のうち100%と同じかそれ以上

レジストリでこのカテゴリにある有効なすべてのサーバーと比較しています。スターは、公開者がリポジトリの所有者である場合だけ数えます。

よくある質問

WARMは安全ですか？

当てはまる基本チェック1項目のうち1項目に合格しました。コードは読んでいません。キーやトークンを追加する前に、サーバーがどんなアクセスを求めているかを確認し、必要な権限だけを持つキーを使ってください。

どんなキーやコードが必要ですか？

レジストリには必須のキーは載っていません。ただし、最初に使うときにサインインを求めるサーバーもあります。

パソコンで動きますか、それともクラウドですか？

あなたのパソコンで動きます。必要なときにAIアプリが起動し、データは作者のサーバーを通りません（サーバー自体がオンラインサービスを呼び出す場合を除きます）。

今もメンテナンスされていますか？

GitHubリポジトリの最終更新は–、最新バージョン（0.1.5）がレジストリに届いたのは7 日前です。

どのアプリで使えますか？

Claude Desktop、Claude Code、Cursor、VS CodeなどのMCP対応アプリで使えます。パソコンにNode.js, Python (uv)も必要です。

代わりに使えるものは？

同じカテゴリには：Context7, Codebase Memory, Exa

代わりの候補

同じカテゴリで、ほかの作者が作ったサーバー。スターの多い順。

カードの見方：★ GitHubスターi3つの柱：レビュー · チェック · 利用状況i更新＝最新バージョンをレジストリに公開した日i

Context7

作者：upstash

Up-to-date docs for AI agents

パソコンでもクラウドでも★ 64,224MIT今日更新

インストール

Codebase Memory

作者：DeusData

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

パソコンで動く★ 48,148MIT20 日前更新

インストール

Exa

作者：exa-labs

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

クラウドで動く★ 5,213MIT先月更新

インストール

作者のREADME

READMEを開く

作者のリポジトリから書かれたとおりにコピーしたものです。PopNx MCPは内容を確認・推奨していません。HTML、画像、スクリプトは取り除いています。リンクはこのサイトの外へ移動します。

WARM

WritersLogic Adaptive Retention & Memory.

Hybrid search, graph indexing, and vector-symbolic memory.

Local memory for agents and apps: full-text and vector search, a memory API and a vector-symbolic fact store in one embeddable Rust engine that makes no network calls.

Website · Docs · Get started · Standards and provenance · Results · Capabilities · Limits · Contribute

What it is

WARM is a Rust library that stores text, vectors and facts in a directory on your machine and finds them again. It ships with Node.js bindings, C, WASM and UniFFI bindings, an HTTP server with a Python client, and an MCP server. There are no service calls, no telemetry and no model downloads unless you turn on a feature that asks for one.

Capability	What you get
Document search	Chunking, stemmed BM25 over blocked postings, Boolean and phrase queries, hybrid fusion with embeddings you supply, metadata filters, byte offsets
Vector index	Graph index with a memory-mapped vertex file, an updatable delta for inserts and deletes, optional query-aware routing trained on sample queries
Memory API	`remember`, `recall`, `forget` and `explain` with time validity and supersession; conversation memory with source provenance
Storage	Atomic replace and delete, crash-safe journal and checkpoints, verified compaction, one writer per store
Security	Optional AES-256-GCM storage encryption with documented coverage and limits, signed audit log, COSE/SCITT provenance
Vector-symbolic layer	Sparse hypervectors with bind, bundle and permute, triples with multi-hop queries, Hopfield cleanup

Who it's for

You are building	What you get
An agent or assistant that needs memory	A memory API with forgetting that removes facts from the store, and an MCP server for editors and agent hosts
A local-first or offline app	Embedded search and storage in one directory, with no server process and optional encryption
A service that needs vector or text search	`warm-server` over HTTP with tenants and scoped keys, or the library in-process
Research on vector-symbolic memory	The bind/bundle algebra, meaning memory and capacity experiments with their result files

Headline results

Every row links to the committed file it comes from. These are single machines and stated protocols, not a substitute for testing your own data.

Result	Conditions	Source file
Bemula forgetting score 0.322; best published row 0.310 (LangMem)	Full split: 50 dialogues, 135 forget requests. Agent and judge both `deepseek-v4-flash-0731` through OpenRouter pinned to DeepSeek, temperature 0; the judge snapshot is inferred from the authors' run metadata. Recall k=5 hybrid with `text-embedding-3-small`. Compared with the paper's published DeepSeek rows; a same-day rerun of the suite's naive RAG baseline scored 0.075. One run.	`bemula_v1.json`
LongMemEval dev 89.75 of 100 correct (mean of 4 runs, range 87 to 93)	Official generation and judge prompts, `gpt-4o-2024-08-06` as reader and judge, top 10 context. Retrieval is the reference turn ranking over cached Qwen3 scores, not native conversation-memory recall. k was chosen on dev; there is no held-out result.	`longmemeval_official_dev_summary.json`
VIBE llama-128-ip strict recall@100 up to 0.99687 at 1,457 QPS	Official test queries, one thread, query-aware graph (ef=512). Neither frozen RoarGraph configuration reached 0.99. Behind at 0.95 and 0.99 QPS (see below).	`query_aware_graph_v1/README.md`
VIBE yi-128-ip at recall 0.95: 3,214 QPS against 1,953 (MLANN RF80)	Same protocol; compared only with the frozen RoarGraph and MLANN configurations measured there. Recall 0.99 was not reached.	`query_aware_graph_v1/README.md`
SIFT-1M at recall@10 0.95: 23,918 QPS against hnswlib 8,125 (2.94x, interval 2.75 to 3.01); 3.09x at 0.99, 1.40x faster build, 1.83x less serving RSS, 3.74x faster cold start	Core Ultra 9 185H at `4b7a849f`, 10,000 queries issued one at a time from one client thread, index built with 8 threads; WARM through the Rust API, hnswlib through its Python binding; Bonferroni-adjusted bootstrap intervals	`heavy-ann-sift-...-185h-22c-27g.json`
BM25 search on SciFact, NFCorpus and the memory corpus: 1.66x to 2.00x the single-thread QPS of the fastest of tantivy 0.27, Lucene 10.6 and SQLite FTS5, with 1.69x to 2.91x less serving memory and 3.1x to 5.7x faster cold start, at tied nDCG@10	Two machines (Core Ultra 9 185H at `4b7a849f`, Modal 8 vCPU at `7ba2d4fe`, same engine source), 5 and 3 interleaved serve rounds, Bonferroni-adjusted bootstrap intervals exclude parity for every win. Lexical only, one chunk per document	COMPARISON.md, `standard-text-beir-scifact-...-185h-22c-27g.json`
SciFact nDCG@10 hybrid 0.729, above its own BM25 (0.688) and dense (0.645)	5,183 documents, 300 queries, MiniLM embeddings supplied by the harness. NFCorpus: 0.355 against 0.323 and 0.317.	`public_scifact.json`, `public_nfcorpus.json`

Where it's behind

Result	Conditions	Source file
ann-benchmarks at recall 0.95: sift 2,819 QPS against faiss-ivfpqfs 3,788 (0.74x); glove 1,019 against ScaNN 1,535 (0.66x)	Official ann-benchmarks runner, each run pinned to one CPU, AVX2 host	`ann_benchmarks_harness_wl02_v1.json`
VIBE llama-128-ip QPS: 24.6% behind RoarGraph at recall 0.95, 54.8% behind MLANN RF80 at 0.99	One thread, official test queries	`query_aware_graph_v1/README.md`
SIFT-1M index file 1,389 MiB against hnswlib's 752 (0.54x, no interval); peak build RSS 0.94x of hnswlib's	Same run as the SIFT-1M row above	`docs/benchmarks/GAPS.md`
BEIR FiQA (57,600 documents) single-thread BM25 QPS: 1,269 against Lucene 10.6's 1,625 (0.78x); p50 and p99 latency also behind	Core Ultra 9 185H at `4b7a849f`, 5 interleaved serve rounds; serving memory (1.26x less than SQLite FTS5) and cold start (2.37x faster than tantivy) still win	`standard-text-beir-fiqa-...-185h-22c-27g.json`
Text ingest: peak build memory 1.1x to 2.1x SQLite FTS5's on every corpus; ingest time behind SQLite FTS5 on SciFact, NFCorpus and memory (0.46x to 0.97x), tied on FiQA	Same runs, both machines	`docs/benchmarks/GAPS.md`
glove-100-angular with the sparse vector path: recall@10 0.252 at 33.7 QPS against FAISS HNSW 0.832 at 4,111 QPS	One thread, Apple M4; the sparse path is experimental	`public_glove-100-angular.json`

Method, intervals and every loss: docs/benchmarks and the benchmarks pages.

_Generated from benchmarks/results/competitive/ by warm-bench table; method and caveats in docs/benchmarks/COMPARISON.md. W = WARM ahead (95% interval excludes parity), T = tie, L = a comparator is ahead, - = no verdict (unpinned source revision, no interval, or not comparable). Rows are compared only within one machine._

Dataset	Machine	Metric	WARM	Best other	Advantage
sift-128-euclidean	`linux-x86_64-intel-ultra-9-185h-22c-27g`	QPS @ recall@10 >= 0.95 (QPS)	23,918	hnswlib 8,125	2.94x	W
sift-128-euclidean	`linux-x86_64-intel-ultra-9-185h-22c-27g`	p99 latency @ 0.95 (us)	97	hnswlib 251	2.60x	W
sift-128-euclidean	`linux-x86_64-intel-ultra-9-185h-22c-27g`	Build time (s)	121.44	hnswlib 170.02	1.40x	W
sift-128-euclidean	`linux-x86_64-intel-ultra-9-185h-22c-27g`	RSS, serving (MiB)	490	hnswlib 898	1.83x	W
sift-128-euclidean	`linux-x86_64-intel-ultra-9-185h-22c-27g`	Index size (MiB)	1,389.1	hnswlib 751.8	0.54x	-
beir:fiqa	`linux-x86_64-intel-ultra-9-185h-22c-27g`	nDCG@10	0.2654	SQLite FTS5 0.2678	0.99x	T
beir:fiqa	`linux-x86_64-intel-ultra-9-185h-22c-27g`	QPS (single thread) (QPS)	1,269	Apache Lucene 10.6.0 (JVM) 1,625	0.78x	L
beir:fiqa	`linux-x86_64-intel-ultra-9-185h-22c-27g`	p99 latency (us)	1,828	Apache Lucene 10.6.0 (JVM) 1,486	0.81x	L
beir:fiqa	`linux-x86_64-intel-ultra-9-185h-22c-27g`	Ingest/build time (s)	1.55	SQLite FTS5 1.44	0.93x	T
beir:fiqa	`linux-x86_64-intel-ultra-9-185h-22c-27g`	Peak RSS, serving (MiB)	31	SQLite FTS5 39	1.26x	W
beir:fiqa	`linux-x86_64-intel-ultra-9-185h-22c-27g`	On-disk size (MiB)	9.7	Apache Lucene 10.6.0 (JVM) 12.1	1.25x	W
memory	`modal-x86_64-8vcpu-32g`	nDCG@10	0.4561	Apache Lucene 10.6.0 (JVM) 0.4627	0.99x	T
memory	`modal-x86_64-8vcpu-32g`	QPS (single thread) (QPS)	4,138	tantivy 2,185	1.89x	W
memory	`modal-x86_64-8vcpu-32g`	p99 latency (us)	533	tantivy 798	1.50x	W
memory	`modal-x86_64-8vcpu-32g`	Ingest/build time (s)	1.91	SQLite FTS5 1.75	0.92x	L
memory	`modal-x86_64-8vcpu-32g`	Peak RSS, serving (MiB)	17	SQLite FTS5 41	2.42x	W
memory	`modal-x86_64-8vcpu-32g`	On-disk size (MiB)	3.5	Apache Lucene 10.6.0 (JVM) 10.3	2.92x	W

冒頭だけを表示しています。続きはリポジトリで読めます

WARM

概要

PopNx MCPの3つの柱

できること

インストール

インストールの前に

できること

基本チェックi

作者とリポジトリが一致

今もメンテナンスされている

ライセンスがある

エンドポイントが応答する

OAuthでサインイン

ツールの説明に隠れた指示がない

検索・AIの記憶のほかのサーバーとの比較i

よくある質問

代わりの候補

Context7

Codebase Memory

Exa

作者のREADME

WARM

What it is

Who it's for

Headline results

Where it's behind