memento-mcp · 记忆与知识图谱

Memento MCP：为 LLM 打造永久记忆的知识图谱系统

一、痛点切入：AI 为何总是"失忆"？

你一定有过这样的经历：让 AI 助手分析一个复杂项目，聊到一半时它突然"失忆"了——之前提到的关键人物、技术栈、项目背景，全都不记得了。每次对话都是一次"零基础起步"。这对于需要跨会话积累知识的 AI 应用来说，简直是致命的短板。

Memento MCP 正是为解决这一痛点而生。它为任何支持 Model Context Protocol（MCP）的 AI 客户端（如 Claude Desktop、Cursor、GitHub Copilot）提供了一套持久化、可追溯的知识图谱记忆系统。让 AI 不仅能在单次对话中保持上下文，还能跨会话、跨任务地记住关键实体、关系和观察结果。

Memento MCP Logo

图1：Memento MCP 项目 Logo

二、项目背景与作者

Memento MCP 由独立开发者 Gannon Hall（GitHub @gannonh）于 2025 年 3 月创建，采用 MIT 许可证开源。项目定位为"MCP 协议的知识图谱记忆后端"，解决了 LLM 长期记忆这一行业级难题。

在 MCP 生态中，Memento 的出现填补了一个关键空白：此前 MCP 协议定义了一套工具调用标准，但没有官方的记忆存储方案。开发者要么自行实现简单的键值存储，要么干脆放弃持久化。Memento MCP 以 Neo4j 图数据库 + OpenAI 向量嵌入的组合，提供了一套生产级的知识图谱记忆解决方案，并在 GitHub 上迅速积累到 422 颗星，获得了 Smithery AI 平台的官方推荐。

三、核心原理：知识图谱如何让 AI "记住一切"

Memento MCP 的底层设计围绕两大核心概念：实体（Entity） 和 关系（Relation）。

实体是知识图谱中的节点，每个实体包含：

唯一标识符（name）：如 John_Smith
实体类型（entityType）：如 person、organization、event
观察记录（observations）：AI 观察到的该实体相关信息列表
向量嵌入（embedding）：用于语义搜索的高维向量表示
完整版本历史：每次修改都有时间戳记录

关系是有向连接边，定义两个实体之间的关联：

关系类型（如 works_at、created_by）
强度系数（strength，0.0-1.0）：衡量这条关系的可靠程度
置信度（confidence，0.0-1.0）：关系本身的可信程度
元数据：来源、时间戳、标签等附加信息
时间感知：支持基于时间的置信度衰减

这种设计比简单的键值存储强大得多。当你说"帮我记住 John 在 Anthropic 工作"，Memento 会创建一个 John_Smith 实体（类型 person）和一个 Anthropic 实体（类型 organization），再用一条 works_at 关系将它们连接起来——未来 AI 可以顺着关系图谱进行复杂推理，而不仅仅是关键词匹配。

四、技术架构：TypeScript + Neo4j + OpenAI

从代码结构来看，Memento MCP 是一个典型的 TypeScript 工程：

src/
├── KnowledgeGraphManager.ts   # 核心管理器，所有知识图谱操作入口
├── index.ts                  # CLI 入口，初始化存储和嵌入服务
├── server/
│   ├── setup.ts              # MCP Server 初始化
│   └── handlers/             # 工具调用处理器（create_entities, search_nodes等）
├── embeddings/               # 向量嵌入层
│   ├── EmbeddingService.ts   # 嵌入服务接口
│   ├── OpenAIEmbeddingService.ts  # OpenAI text-embedding-3-small 实现
│   ├── EmbeddingJobManager.ts     # 嵌入任务队列（带速率限制）
│   └── EmbeddingServiceFactory.ts # 工厂模式创建嵌入服务
├── storage/
│   ├── neo4j/               # Neo4j 存储驱动
│   └── VectorStoreFactory.ts # 向量存储工厂
├── types/                   # 类型定义（Entity, Relation, VectorStore等）
└── utils/                   # 工具函数（FS操作、日志）

核心技术栈：

运行时：Node.js >= 18，TypeScript 5.8.2（strict 模式编译）
MCP SDK：@modelcontextprotocol/sdk 1.11.0，标准化的 MCP Server 实现
图数据库：Neo4j 5.13+（使用 Cypher 查询语言，原生支持图遍历）
向量嵌入：OpenAI text-embedding-3-small（1536 维，cosine 相似度）
连接池：neo4j-driver 5.28.1，Bolt 协议连接
依赖管理：npm，pnpm workspace 友好

Memento MCP 暴露的核心工具（LLM 可调用的 MCP 工具）：

工具名称	功能描述
`create_entities`	创建新实体及其向量嵌入
`read_graph`	读取图谱片段
`create_relations`	创建实体间关系
`add_observations`	为实体添加观察记录
`delete_entities`	删除实体
`delete_observations`	删除观察记录
`delete_relations`	删除关系
`search_nodes`	语义搜索实体
`open_nodes`	读取指定实体的完整信息
`get_entity_history`	获取实体版本历史
`get_relation_history`	获取关系版本历史
`get_relation`	查询特定关系详情

这套工具集覆盖了知识图谱的全生命周期操作——CRUD + 历史追踪 + 语义搜索，功能相当完整。

五、部署体验：Docker 一键启动

Memento MCP 的部署体验在开源 MCP 项目中属于中上水平：

优点：

提供完整的 docker-compose.yml，Neo4j 数据库一键启动，数据持久化到本地卷
Dockerfile 生成的镜像可直接用于 MCP 客户端（如 Claude Desktop）
Smithery AI 平台支持：一行命令安装，无需手动配置
.env.example 清晰标注了必需的环境变量

局限：

无 Web UI：Neo4j 有自己的 Browser UI（:7474），但 Memento 本身没有独立的图形界面
需要自行准备 OpenAI API Key（费用按 token 计费）
Neo4j 企业版需要许可证，但社区版足够个人使用
数据迁移（升级版本）需要手动执行 npm run neo4j:init

部署流程（简化版）：

git clone https://github.com/gannonh/memento-mcp.git
cd memento-mcp
cp example.env .env  # 填入 OPENAI_API_KEY
docker-compose up -d neo4j  # 启动 Neo4j
npm install && npm run build
npm run neo4j:init  # 初始化 Neo4j schema

接入 Claude Desktop 只需在 claude_desktop_config.json 中添加 server 配置即可。

六、适用场景与局限

最适用的场景：

多轮对话 Agent：需要在多次会话中保持用户信息、项目上下文
知识管理助手：帮助 AI 记住研究对象、人物关系、事件脉络
复杂推理场景：需要 AI 进行关系推理而非简单检索
Cursor/Copilot 增强：为 IDE 中的 AI 助手提供长期记忆能力

局限性：

依赖 OpenAI API（成本 + 隐私），不支持本地 embedding 模型
Neo4j 学习曲线较陡，非图数据库用户需要学习 Cypher 查询语言
仅支持 MCP 协议客户端，OpenAI API ChatGPT 插件暂不支持
无中文文档，对国内用户有一定门槛

七、行业意义与趋势

Memento MCP 的出现反映了 AI 应用架构的一个重要趋势：记忆层（Memory Layer）的独立化。此前，AI 的上下文全靠 prompt 拼接，记忆能力受限于 context window 大小。Memento 代表的知识图谱记忆方案，通过将"记忆"外部化到专业数据库，让 AI 可以突破 context 限制，拥有近乎无限的长期记忆。

从 GitHub 422 星的增长势头来看，社区对这类工具的需求非常旺盛。随着 MCP 协议的普及（Anthropic 主推），预计会出现更多类似的知识记忆中间件，而 Memento MCP 凭借其干净的架构设计和 Neo4j 的成熟生态，已经在这个细分领域占据了先发优势。

分析时间：2026-06-25 | 数据来源：GitHub API + 源码分析 | 部署难度：中等（需要 Docker + Neo4j + OpenAI Key）

Memento MCP：为 LLM 打造永久记忆的知识图谱系统

一、痛点切入：AI 为何总是"失忆"？

Memento MCP Logo

图1：Memento MCP 项目 Logo

二、项目背景与作者

三、核心原理：知识图谱如何让 AI "记住一切"

Memento MCP 的底层设计围绕两大核心概念：实体（Entity） 和 关系（Relation）。

实体是知识图谱中的节点，每个实体包含：

唯一标识符（name）：如 John_Smith
实体类型（entityType）：如 person、organization、event
观察记录（observations）：AI 观察到的该实体相关信息列表
向量嵌入（embedding）：用于语义搜索的高维向量表示
完整版本历史：每次修改都有时间戳记录

关系是有向连接边，定义两个实体之间的关联：

关系类型（如 works_at、created_by）
强度系数（strength，0.0-1.0）：衡量这条关系的可靠程度
置信度（confidence，0.0-1.0）：关系本身的可信程度
元数据：来源、时间戳、标签等附加信息
时间感知：支持基于时间的置信度衰减

四、技术架构：TypeScript + Neo4j + OpenAI

从代码结构来看，Memento MCP 是一个典型的 TypeScript 工程：

src/
├── KnowledgeGraphManager.ts   # 核心管理器，所有知识图谱操作入口
├── index.ts                  # CLI 入口，初始化存储和嵌入服务
├── server/
│   ├── setup.ts              # MCP Server 初始化
│   └── handlers/             # 工具调用处理器（create_entities, search_nodes等）
├── embeddings/               # 向量嵌入层
│   ├── EmbeddingService.ts   # 嵌入服务接口
│   ├── OpenAIEmbeddingService.ts  # OpenAI text-embedding-3-small 实现
│   ├── EmbeddingJobManager.ts     # 嵌入任务队列（带速率限制）
│   └── EmbeddingServiceFactory.ts # 工厂模式创建嵌入服务
├── storage/
│   ├── neo4j/               # Neo4j 存储驱动
│   └── VectorStoreFactory.ts # 向量存储工厂
├── types/                   # 类型定义（Entity, Relation, VectorStore等）
└── utils/                   # 工具函数（FS操作、日志）

核心技术栈：

运行时：Node.js >= 18，TypeScript 5.8.2（strict 模式编译）
MCP SDK：@modelcontextprotocol/sdk 1.11.0，标准化的 MCP Server 实现
图数据库：Neo4j 5.13+（使用 Cypher 查询语言，原生支持图遍历）
向量嵌入：OpenAI text-embedding-3-small（1536 维，cosine 相似度）
连接池：neo4j-driver 5.28.1，Bolt 协议连接
依赖管理：npm，pnpm workspace 友好

Memento MCP 暴露的核心工具（LLM 可调用的 MCP 工具）：

工具名称	功能描述
`create_entities`	创建新实体及其向量嵌入
`read_graph`	读取图谱片段
`create_relations`	创建实体间关系
`add_observations`	为实体添加观察记录
`delete_entities`	删除实体
`delete_observations`	删除观察记录
`delete_relations`	删除关系
`search_nodes`	语义搜索实体
`open_nodes`	读取指定实体的完整信息
`get_entity_history`	获取实体版本历史
`get_relation_history`	获取关系版本历史
`get_relation`	查询特定关系详情

这套工具集覆盖了知识图谱的全生命周期操作——CRUD + 历史追踪 + 语义搜索，功能相当完整。

五、部署体验：Docker 一键启动

Memento MCP 的部署体验在开源 MCP 项目中属于中上水平：

优点：

提供完整的 docker-compose.yml，Neo4j 数据库一键启动，数据持久化到本地卷
Dockerfile 生成的镜像可直接用于 MCP 客户端（如 Claude Desktop）
Smithery AI 平台支持：一行命令安装，无需手动配置
.env.example 清晰标注了必需的环境变量

局限：

无 Web UI：Neo4j 有自己的 Browser UI（:7474），但 Memento 本身没有独立的图形界面
需要自行准备 OpenAI API Key（费用按 token 计费）
Neo4j 企业版需要许可证，但社区版足够个人使用
数据迁移（升级版本）需要手动执行 npm run neo4j:init

部署流程（简化版）：

git clone https://github.com/gannonh/memento-mcp.git
cd memento-mcp
cp example.env .env  # 填入 OPENAI_API_KEY
docker-compose up -d neo4j  # 启动 Neo4j
npm install && npm run build
npm run neo4j:init  # 初始化 Neo4j schema

接入 Claude Desktop 只需在 claude_desktop_config.json 中添加 server 配置即可。

六、适用场景与局限

最适用的场景：

多轮对话 Agent：需要在多次会话中保持用户信息、项目上下文
知识管理助手：帮助 AI 记住研究对象、人物关系、事件脉络
复杂推理场景：需要 AI 进行关系推理而非简单检索
Cursor/Copilot 增强：为 IDE 中的 AI 助手提供长期记忆能力

局限性：

依赖 OpenAI API（成本 + 隐私），不支持本地 embedding 模型
Neo4j 学习曲线较陡，非图数据库用户需要学习 Cypher 查询语言
仅支持 MCP 协议客户端，OpenAI API ChatGPT 插件暂不支持
无中文文档，对国内用户有一定门槛

七、行业意义与趋势

分析时间：2026-06-25 | 数据来源：GitHub API + 源码分析 | 部署难度：中等（需要 Docker + Neo4j + OpenAI Key）