Graph-Mem

Name: Graph-Mem
Author: Sathvik-1007

โดย Sathvik-1007รุ่น 1.0.0i★ –iรันบนเครื่อง

ชื่อใน registryio.github.Sathvik-1007/graphmem-mcp

ติดตั้ง

ภาพรวม

คำอธิบายจากผู้ทำ (ภาษาอังกฤษตามต้นฉบับ)

Persistent knowledge-graph memory for AI agents, with local semantic search. No API keys.

สามเสาของ PopNx MCP

สามเรื่องนี้ไม่รวมเป็นคะแนนเดียว เพราะความเห็น การวัด และความนิยม เป็นคนละเรื่องกัน

เสียงผู้ใช้iยังไม่มีรีวิวรีวิวเปิดพร้อมระบบบัญชีในขั้นถัดไป
ผลตรวจเบื้องต้นของเราiผ่าน 1 จาก 1 ข้อตรวจจากข้อมูลที่เปิดอยู่ ยังไม่ได้สแกนโค้ด
การใช้งานiยังไม่ได้วัด★ –

ใช้ทำอะไรได้

ตัวนี้ยังไม่ได้เรียบเรียงเป็นภาษาไทย ด้านล่างคือข้อเท็จจริงที่เราอ่านจาก registry

การเชื่อมต่อ: รันบนเครื่อง
ช่องทาง (transport): stdio
หมวด: ค้นข้อมูลและความจำของ AI

ติดตั้ง

เลือกโปรแกรม AI ที่คุณใช้ แล้วคัดลอกค่าตั้งไปวาง

ก่อนติดตั้ง

ผลตรวจเบื้องต้น: ผ่าน 1 จาก 1 ข้อ
รันในเครื่องคุณด้วยสิทธิ์ของผู้ใช้คุณ (ไฟล์ อินเทอร์เน็ต แอปต่าง ๆ)
ค่าที่คุณต้องใส่เอง: GRAPHMEM_DB_PATH, GRAPHMEM_EMBEDDING_MODEL, GRAPHMEM_TRAVERSAL_NODE_BUDGET, GRAPHMEM_LOG_LEVEL

ต้องเตรียมก่อน

PyPIติดตั้ง uv ของ Python (มีคำสั่ง uvx) ในเครื่อง

คุณใช้แอปไหน

ClaudeClaude CodeCursorVS CodeChatGPT

เลือกแอปด้านบน เราจำไว้ให้ ครั้งหน้าปุ่มจะขึ้นว่า “ติดตั้งลง …”

เปิด Claude Desktop → Settings → Developer → Edit Config แล้ววางค่านี้ในไฟล์ claude_desktop_config.json

{
  "mcpServers": {
    "graphmem": {
      "command": "uvx",
      "args": [
        "graphmem-mcp"
      ],
      "env": {
        "GRAPHMEM_DB_PATH": "ใส่ค่าของคุณ",
        "GRAPHMEM_EMBEDDING_MODEL": "ใส่ค่าของคุณ",
        "GRAPHMEM_TRAVERSAL_NODE_BUDGET": "ใส่ค่าของคุณ",
        "GRAPHMEM_LOG_LEVEL": "ใส่ค่าของคุณ"
      }
    }
  }
}

พิมพ์คำสั่งนี้ใน Terminal

claude mcp add graphmem --env GRAPHMEM_DB_PATH='ใส่ค่าของคุณ' --env GRAPHMEM_EMBEDDING_MODEL='ใส่ค่าของคุณ' --env GRAPHMEM_TRAVERSAL_NODE_BUDGET='ใส่ค่าของคุณ' --env GRAPHMEM_LOG_LEVEL='ใส่ค่าของคุณ' -- uvx graphmem-mcp

เติมค่าที่เว้นว่างไว้ก่อนรัน

เปิดใน Cursor

หรือคัดลอกค่าตั้งเอง

วางในไฟล์ .cursor/mcp.json ของโปรเจกต์ หรือ ~/.cursor/mcp.json

{
  "mcpServers": {
    "graphmem": {
      "command": "uvx",
      "args": [
        "graphmem-mcp"
      ],
      "env": {
        "GRAPHMEM_DB_PATH": "ใส่ค่าของคุณ",
        "GRAPHMEM_EMBEDDING_MODEL": "ใส่ค่าของคุณ",
        "GRAPHMEM_TRAVERSAL_NODE_BUDGET": "ใส่ค่าของคุณ",
        "GRAPHMEM_LOG_LEVEL": "ใส่ค่าของคุณ"
      }
    }
  }
}

เบราว์เซอร์จะถามก่อนเปิดแอป จากนั้นแอปแสดงค่าตั้งให้ตรวจแล้วกดยืนยัน ช่อง key เว้นว่างไว้ให้คุณใส่เอง

เปิดใน VS Code

หรือคัดลอกค่าตั้งเอง

วางในไฟล์ .vscode/mcp.json ของโปรเจกต์

{
  "servers": {
    "graphmem": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "graphmem-mcp"
      ],
      "env": {
        "GRAPHMEM_DB_PATH": "ใส่ค่าของคุณ",
        "GRAPHMEM_EMBEDDING_MODEL": "ใส่ค่าของคุณ",
        "GRAPHMEM_TRAVERSAL_NODE_BUDGET": "ใส่ค่าของคุณ",
        "GRAPHMEM_LOG_LEVEL": "ใส่ค่าของคุณ"
      }
    }
  }
}

ตัวนี้รันในเครื่องคุณ แต่ ChatGPT ต่อได้เฉพาะ server บนอินเทอร์เน็ต ลองเลือกแอปอื่น

ตัวเลือกเก็บในคุกกี้บนเครื่องนี้ ไม่ต้องมีบัญชี

ค่าที่ต้องใส่เอง

GRAPHMEM_DB_PATH env
Path to the SQLite database file. Defaults to .graphmem/graph.db relative to the working directory.
GRAPHMEM_EMBEDDING_MODEL env
sentence-transformers model ID used for semantic search. Defaults to all-MiniLM-L6-v2, downloaded on first use.
GRAPHMEM_TRAVERSAL_NODE_BUDGET env
Maximum entities visited by a single graph traversal. Defaults to 5000.
GRAPHMEM_LOG_LEVEL env
Logging verbosity: DEBUG, INFO, WARNING, ERROR, or CRITICAL. Defaults to WARNING.

ค่าตั้งนี้สร้างจากข้อมูลใน registry ของผู้ทำ ถ้าไม่ตรงกับ README ให้เชื่อ README

ทำอะไรได้บ้าง

รันในเครื่องคุณ รายการเครื่องมือจะขึ้นในแอป AI หลังติดตั้ง

ผลตรวจเบื้องต้นi

เราตรวจจากข้อมูลที่ใครก็เปิดดูได้ ยังไม่ได้อ่านโค้ด ข้อที่ไม่เกี่ยวกับตัวนี้ไม่นับในตัวหาร · ตรวจเมื่อ 6 พ.ย. 2569

✓ ผ่าน
ตัวตนผู้ทำตรงกับ repo
ชื่อใน registry ยืนยันด้วยบัญชี GitHub Sathvik-1007 ซึ่งเป็นเจ้าของ repo
… ยังไม่ตรวจ
ยังมีคนดูแล
ยังไม่ได้อ่านข้อมูล repo จาก GitHub
… ยังไม่ตรวจ
มีสัญญาอนุญาต (license)
ยังไม่ได้อ่านข้อมูล repo จาก GitHub
– ไม่เกี่ยว
endpoint ตอบ
ตัวนี้รันบนเครื่องคุณ ไม่มี endpoint บนอินเทอร์เน็ต
– ไม่เกี่ยว
ล็อกอินแบบ OAuth
ตัวนี้รันบนเครื่อง ใช้ค่าที่ตั้งในเครื่องแทน
… ยังไม่ตรวจ
คำอธิบายเครื่องมือไม่มีคำสั่งแอบแฝง
รันในเครื่องคุณ เราอ่านรายการเครื่องมือได้เฉพาะตัวที่มี endpoint บนอินเทอร์เน็ต

เทียบกับตัวอื่นในหมวด ค้นข้อมูลและความจำของ AIi

ดาวมากกว่า 0% ของอีก 7247 ตัวในหมวดนี้
ส่งรุ่นใหม่เข้า registry ล่าสุดกว่า 24% ของอีก 7247 ตัวในหมวดนี้
ผลตรวจเบื้องต้นดีกว่าหรือเท่ากับ 100% ของอีก 7247 ตัวในหมวดนี้

เทียบกับทุก server ที่ยังใช้งานในหมวดนี้ทั้งทะเบียน ดาวนับเฉพาะเมื่อผู้ลงทะเบียนเป็นเจ้าของ repo

คำถามที่พบบ่อย

Graph-Mem ปลอดภัยไหม?

จากการตรวจเบื้องต้นของเรา ผ่าน 1 จาก 1 ข้อที่ตรวจได้ เรายังไม่ได้อ่านโค้ด ก่อนใส่กุญแจหรือ token ให้ดูว่า server ขอสิทธิ์อะไร และเลือกกุญแจที่ทำได้เท่าที่จำเป็น

ต้องใช้กุญแจหรือรหัสอะไรบ้าง?

registry ไม่ได้ระบุว่าต้องใช้กุญแจ แต่บางตัวจะขอให้ล็อกอินตอนใช้ครั้งแรก

ตัวนี้รันบนเครื่องหรือบนคลาวด์?

รันบนเครื่องของคุณ โปรแกรม AI จะเปิด server ขึ้นมาเองเมื่อใช้ ข้อมูลไม่ต้องผ่านเซิร์ฟเวอร์ของผู้ทำ (ยกเว้นตัวที่ไปเรียกบริการออนไลน์ต่อ)

ยังมีคนดูแลอยู่ไหม?

repo บน GitHub มีการแก้โค้ดล่าสุด – และส่งรุ่นล่าสุด (1.0.0) เข้า registry 4 เดือนที่ผ่านมา

ใช้กับโปรแกรมไหนได้บ้าง?

โปรแกรมที่รองรับ MCP เช่น Claude Desktop, Claude Code, Cursor และ VS Code ตัวนี้ต้องมี Python (uv) ในเครื่องด้วย

มีตัวไหนใช้แทนได้บ้าง?

ในหมวดเดียวกันมี Context7, Codebase Memory, Exa

ตัวที่ใช้แทนได้

server หมวดเดียวกันจากผู้ทำคนอื่น เรียงตามดาว

อ่านการ์ด:★ ดาว GitHubiสามเสา: รีวิว · ผลตรวจ · การใช้งานiอัปเดต = วันที่ส่งรุ่นล่าสุดเข้า registryi

Context7

โดย upstash

ส่งคู่มือการใช้ไลบรารีและเฟรมเวิร์กรุ่นล่าสุดให้ AI อ่านก่อนตอบ ช่วยให้โค้ดที่ AI เขียนไม่ใช้คำสั่งเก่าที่เลิกใช้แล้ว

บนเครื่องหรือคลาวด์★ 64,224MITอัปเดต วันนี้

ติดตั้ง

Codebase Memory

โดย DeusData

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

รันบนเครื่อง★ 48,148MITอัปเดต 20 วันที่ผ่านมา

ติดตั้ง

Exa

โดย exa-labs

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

รันบนคลาวด์★ 5,213MITอัปเดต เดือนที่แล้ว

ติดตั้ง

README จากผู้ทำ

เปิดอ่าน README

ส่วนนี้คัดจาก repo ของผู้ทำตามต้นฉบับ PopNx MCP ไม่ได้ตรวจหรือรับรองเนื้อหา ตัด HTML รูปภาพ และสคริปต์ออกแล้ว ลิงก์จะพาออกนอกเว็บ

Graph-Mem MCP

Persistent knowledge graph memory for AI agents and IDEs

Graph-Mem MCP is a universal MCP server that gives any agent or IDE persistent, structured memory through a knowledge graph. It combines graph storage, semantic vector search, and multi-hop traversal in a single package — install it, add it to your MCP config, and your agent gains memory that survives across sessions. It works everywhere MCP does.

Built To Be Trusted With Your Data


1055 tests	Property-based against a brute-force reference, plus fuzzing on every parser
mypy strict	Clean, enforced in CI — not just configured
Authenticated UI	Host + Origin allow-lists and a session token; a cross-origin write is a `403`, verified against a running server
Bounded	Every traversal, search, and list response has a named, configurable cap and reports truncation
Honest docs	Performance claims come with measurements and a reproducible benchmark; known gaps are written down

Works With

graph-mem is a standard MCP server, so it works with any MCP-compatible agent, IDE, or framework. graph-mem install additionally writes the skill file straight into the right place for these 13, each at a path cited against the vendor's own documentation:

Claude Code OpenCode Cursor Windsurf Codex CLI

Gemini CLI GitHub Copilot Amp Kiro Roo Code

Continue Antigravity Droid (Factory) add yours →

Using something else? The MCP config below is all you need; the skill file is a convenience, not a requirement. Adding your agent to the installer takes a documented path and about ten lines — see Adding an Agent.

What is this?

AI agents forget everything between sessions. They re-read files, re-discover architecture, and repeat mistakes. Graph-Mem MCP solves this by providing persistent, per-project knowledge graphs that any MCP-compatible agent can read and write to. The graph builds organically as the agent works — extracting entities, decisions, and relationships from every conversation. It runs as a standard MCP server with 28 tools that plug into any agent, IDE, or framework that supports the Model Context Protocol.

Why a graph, not just a vector store?

Vector search finds _similar_ things. Graphs find _connected_ things. When an agent asks "what depends on the auth service?", a vector store returns text that mentions auth. A knowledge graph traverses the actual dependency edges and returns every upstream consumer — even ones that never mention "auth" in their description. Graph-Mem gives you both: vector similarity for fuzzy discovery, graph traversal for structural queries.

Use Cases

Agent memory — Give any AI coding agent persistent context across sessions
IDE integration — Add knowledge graph tools to Cursor, Windsurf, Copilot, or any MCP-enabled IDE
Agent building — Use as the memory layer when building custom AI agents and workflows
Research & knowledge management — Build structured knowledge bases with semantic search
Multi-project context — Maintain separate knowledge graphs per project with multi-graph support

Quick Start

1. Install:

pip install graphmem-mcp

Or run it without installing — uvx fetches and isolates it the way npx does for Node:

uvx --from graphmem-mcp graph-mem server

Listed in the official MCP Registry as io.github.Sathvik-1007/graphmem-mcp, so MCP-aware clients can discover and install it directly.

2. Install the skill for your agent:

graph-mem install claude       # Claude Code

graph-mem install opencode # OpenCode graph-mem install codex # Codex CLI graph-mem install gemini # Gemini CLI graph-mem install cursor # Cursor graph-mem install windsurf # Windsurf graph-mem install amp # Amp graph-mem install antigravity # Antigravity graph-mem install copilot # GitHub Copilot graph-mem install kiro # Kiro graph-mem install roocode # Roo Code graph-mem install continue # Continue graph-mem install droid # Droid (Factory)

This writes a skill file that teaches your agent how to use all 28 MCP tools — when to search, when to add entities, naming conventions, and common workflows.

3. Configure MCP by adding this to your agent's MCP config:

"mcpServers": { "graph-mem": { "command": "graph-mem", "args": ["server"] } } }

With full customization:

"mcpServers": { "graph-mem": { "command": "graph-mem", "args": [ "server", "--project-dir", "/path/to/my/project", "--embedding-model", "sentence-transformers/all-mpnet-base-v2", "--use-onnx", "--cache-size", "20000", "--log-level", "INFO" ] } } }

That's it. Your agent now has persistent memory. Verify by asking it to run read_graph().

One-Prompt Setup

Paste this into your agent's chat to get started immediately:

I want you to give yourself persistent memory using graph-mem. Run the following:

pip install graphmem-mcp graph-mem install claude # or: opencode, codex, gemini, cursor, windsurf, amp,

antigravity, copilot, kiro, roocode, continue, droid

This installs a skill file that teaches you how to use all 28 MCP tools. The server should already be configured in your MCP config. If not, add it:

{ "mcpServers": { "graph-mem": { "command": "graph-mem", "args": ["server", "--project-dir", "/path/to/your/project"] } } }

Now start using the knowledge graph:

read_graph() to see current state
search_nodes("relevant topic") to find existing knowledge
add_entities, add_relationships, add_observations as you learn things
update_observation / update_relationship to fix mistakes in-place
open_dashboard() to explore the graph visually in your browser
At session end, capture anything important you discovered

Your goal: build a rich knowledge graph of this project so future sessions start with full context instead of from zero. Search before adding to avoid duplicates. Be specific with entity names and types.

Installation

Option 1: pip (Recommended)

pip install graphmem-mcp

graph-mem server

Option 2: uvx (zero pre-install)

uvx --from graphmem-mcp graph-mem server

uvx downloads the package into an isolated environment and runs it in one command. Nothing to pre-install beyond uv.

Option 3: From source

git clone https://github.com/Sathvik-1007/GraphMem-MCP

cd graph-mem pip install -e ".[full,dev]" graph-mem server

Optional extras

pip install "graphmem-mcp[embeddings]"   # sentence-transformers for local embeddings

pip install "graphmem-mcp[onnx]" # ONNX runtime for embedding inference pip install "graphmem-mcp[ui]" # aiohttp for interactive graph visualisation pip install "graphmem-mcp[full]" # all of the above

Tools

Graph-Mem exposes 28 MCP tools — ten for writing, nine for reading, four for maintenance, four for multi-graph management, and one utility. Full CRUD on every primitive: entities, relationships, and observations can all be created, read, updated, and deleted.

Write Tools (10)

Tool	Description
`add_entities`	Batch-create entities with optional observations; auto-merges on name conflict; returns quality screening hints
`add_relationships`	Create typed, directed edges between entities; merges duplicates by max weight
`add_observations`	Attach factual statements to entities with optional source provenance
`update_entity`	Modify entity name, description, properties, or type in-place (rename with collision check)
`update_relationship`	Change weight, type, or properties of an existing edge without delete+re-create
`update_observation`	Edit observation text content in-place with automatic embedding recompute
`delete_entities`	Remove entities with cascade to relationships, observations, and embeddings
`delete_relationships`	Remove specific edges between entities, optionally filtered by type
`delete_observations`	Remove specific observations by ID with ownership validation
`merge_entities`	Combine duplicate entities: moves observations and relationships, deduplicates edges

Read Tools (9)

Tool	Description
`search_nodes`	Hybrid semantic + full-text search with RRF fusion ranking
`search_observations`	Semantic search directly over observation text content
`find_connections`	Multi-hop BFS graph traversal with direction and type filters
`get_entity`	Full entity details with all observations and relationships
`list_entities`	Browse/paginate all entities with optional type filter
`list_relationships`	Browse/paginate relationships with entity, type, or combined filters
`read_graph`	Graph statistics: counts, type distributions, most-connected entities
`get_subgraph`	Extract neighborhood subgraph around seed entities
`find_paths`	Find shortest paths between two entities via BFS

Maintenance Tools (4)

Tool	Description
`graph_health`	Health stats: counts, hotspots, missing descriptions, suggested actions
`compact_observations`	Atomic observation compaction — delete old and add merged summaries in one step
`suggest_connections`	Find semantically similar entities for a node to connect to
`audit_graph`	Full quality screening — disconnected nodes, missing data, weak links. Returns structured findings plus a rendered `report` field

Visualization (1)

Tool	Description
`open_dashboard`	Launch interactive graph visualisation UI and return its URL

Multi-Graph Tools (4)

Tool	Description
`list_graphs`	List all named graphs in the `.graphmem/` directory with entity/relationship/observation counts
`create_graph`	Create a new named graph (`.graphmem/ .db`)
`switch_graph`	Switch the active graph — hot-swaps storage, search, and graph engines
`delete_graph`	Delete a named graph (cannot delete the currently active graph)

Multi-graph storage: Each named graph is a separate SQLite database in .graphmem/. The default graph is graph.db. Use --graph on CLI commands to target a specific graph.

Architecture

graph TD

Agent[Any MCP-Compatible Agent or IDE] --> Transport

subgraph Transport STDIO[stdio] SSE[SSE] HTTP[streamable-http] end

Transport --> Tools

subgraph Tools[Graph-Mem MCP Server — 28 MCP Tools] Write[Write · 10 tools] Read[Read · 9 tools] Maint[Maintenance · 4 tools] Graph[Multi-Graph · 4 to

ตัดมาแค่ช่วงต้น อ่านต่อใน repo

Graph-Mem

ภาพรวม

สามเสาของ PopNx MCP

ใช้ทำอะไรได้

ติดตั้ง

ก่อนติดตั้ง

ค่าที่ต้องใส่เอง

ทำอะไรได้บ้าง

ผลตรวจเบื้องต้นi

ตัวตนผู้ทำตรงกับ repo

ยังมีคนดูแล

มีสัญญาอนุญาต (license)

endpoint ตอบ

ล็อกอินแบบ OAuth

คำอธิบายเครื่องมือไม่มีคำสั่งแอบแฝง

เทียบกับตัวอื่นในหมวด ค้นข้อมูลและความจำของ AIi

คำถามที่พบบ่อย

ตัวที่ใช้แทนได้

Context7

Codebase Memory

Exa

README จากผู้ทำ

Graph-Mem MCP

Built To Be Trusted With Your Data

Works With

What is this?

Why a graph, not just a vector store?

Use Cases

Quick Start

One-Prompt Setup

antigravity, copilot, kiro, roocode, continue, droid

Installation

Option 1: pip (Recommended)

Option 2: uvx (zero pre-install)

Option 3: From source

Optional extras

Tools

Write Tools (10)

Read Tools (9)

Maintenance Tools (4)

Visualization (1)

Multi-Graph Tools (4)

Architecture