Memory MCP：让 LLM 拥有跨会话记忆的官方服务器

简介

Memory MCP 是 ModelContextProtocol 官方仓库维护的记忆集成服务器。它基于知识图谱（Knowledge Graph）存储用户信息，让 LLM 能跨会话记住用户的偏好、事实与关系。

对所有 LLM 用户而言，这意味着：AI 助理不再"金鱼记忆"——它记得你是前端开发者、你用 React、你正在做一个叫"ShopEase"的电商项目、你偏好简洁的代码风格。

为什么需要 Memory MCP

LLM 的根本局限：无状态。每次对话都是全新的，上一次说过的事这次全忘。

会话 1：
用户：我是前端开发者，用 React
AI：好的，记住了

会话 2（新开）：
用户：帮我写个组件
AI：好的，请问你用什么框架？  ← 忘了

传统解决方案：

方案	问题
每次手动粘贴背景	麻烦，重复劳动
System Prompt 写死	无法动态更新
存数据库 + RAG	过度工程，小事大做

Memory MCP 的方案：知识图谱 + 自然语言读写，轻量且结构化。

核心能力

工具名	用途	关键参数
`create_entities`	创建实体	`entities[]`（名称+类型+观察）
`create_relations`	创建关系	`relations[]`（源+目标+类型）
`add_observations`	添加观察	`entity_name`、`observations[]`
`delete_entities`	删除实体	`entity_names[]`
`delete_observations`	删除观察	`entity_name`、`observations[]`
`delete_relations`	删除关系	`relations[]`
`read_graph`	读取整个图谱	无
`search_nodes`	搜索节点	`query`
`open_nodes`	打开指定节点	`names[]`

知识图谱模型

Memory MCP 用三类元素建模记忆：

1. 实体（Entity）

{
  "name": "用户",
  "entityType": "Person",
  "observations": [
    "前端开发者",
    "用 React 和 TypeScript",
    "正在开发 ShopEase 电商项目"
  ]
}

2. 关系（Relation）

{
  "from": "用户",
  "to": "ShopEase",
  "relationType": "正在开发"
}

3. 观察（Observation）

事实性陈述，可随时添加或删除：

"用户偏好简洁代码风格"
"用户团队有 5 人"
"用户用 Vercel 部署"

图谱示例

[用户:Person] --正在开发--> [ShopEase:Project]
     |                           |
     |偏好                       |技术栈
     ↓                           ↓
[简洁代码:Preference]     [React+TS:TechStack]
     |
     |部署在
     ↓
[Vercel:Service]

各客户端配置示例

Claude Code（CLI）

编辑 ~/.claude/claude_desktop_config.json：

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-memory"]
    }
  }
}

默认将记忆存于 ~/.memory.json。

自定义存储路径

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-memory"],
      "env": {
        "MEMORY_FILE_PATH": "/Users/yourname/.config/ai-memory.json"
      }
    }
  }
}

Cursor

编辑 ~/.cursor/mcp.json，结构同 Claude Desktop。

VS Code（Continue 插件）

编辑 ~/.continue/config.json：

{
  "experimental": {
    "modelContextProtocolServers": [
      {
        "transport": {
          "type": "stdio",
          "command": "npx",
          "args": ["-y", "@modelcontextprotocol/server-memory"]
        }
      }
    ]
  }
}

实战场景

场景 1：让 Claude Code 记住你的开发偏好

记住以下信息：
- 我是前端开发者，主要用 React + TypeScript
- 我在做一个叫 ShopEase 的电商项目
- 我偏好简洁的代码，不喜欢过多注释
- 我用 Vercel 部署，用 Tailwind CSS 做样式
- 我的团队有 5 个人，用 GitHub 做版本控制

Claude Code 会调用 create_entities + create_relations 构建知识图谱。下次新会话直接可用。

场景 2：让 Cursor 记住项目上下文

项目信息：
- ShopEase 是一个电商前端项目
- 技术栈：Next.js 14 + TypeScript + Tailwind + Prisma
- 部署在 Vercel
- 数据库用 Supabase
- 正在重构购物车模块
- 上周完成了用户认证

下次开新会话问"帮我写个购物车组件"，Cursor 会记得你的技术栈，直接用 Next.js + Tailwind 写。

场景 3：让 Claude Code 记住代码规范

记住我的代码规范：
- 函数用 camelCase
- 组件用 PascalCase
- 常量用 UPPER_SNAKE_CASE
- 文件名用 kebab-case
- 用函数组件，不用 class 组件
- 用 hooks，不用 HOC
- 每个函数不超过 30 行

以后生成代码自动遵守这些规范，无需每次重复说明。

场景 4：跨项目记忆

我之前做过一个叫 TaskFlow 的项目管理工具，
用的技术栈是 Vue 3 + Pinia + Vite，
现在我想参考它的架构设计 ShopEase。

Claude Code 会建立两个项目的关联，在讨论 ShopEase 时能参考 TaskFlow 的经验。

与其他 MCP 的对比

MCP	记忆类型	存储	适合
Memory MCP	结构化知识图谱	JSON 文件	用户偏好、项目上下文
Postgres MCP	结构化数据	数据库	业务数据查询
Filesystem MCP	文件	本地文件	代码与文档
GitHub MCP	仓库	Git	代码版本管理

组合建议：Memory MCP 记"你是谁"，Filesystem MCP 管"你的代码"，GitHub MCP 管"你的协作"。

记忆管理策略

1. 主动记忆

用户明确说"记住这个"：

用户：记住我用 React 18
→ AI 调用 create_entities

2. 被动记忆

AI 从对话中推断值得记住的信息：

用户：帮我用 Vue 写个组件（第 5 次了）
→ AI 推断"用户用 Vue"，存入记忆

3. 记忆更新

旧记忆：用户用 React 17
新信息：我升级到 React 18 了
→ AI 调用 add_observations + delete_observations

4. 记忆遗忘

用户：我不用 Vue 了，现在用 React
→ AI 删除"用 Vue"的观察，添加"用 React"

注意事项

存储是本地文件：记忆存在本地 JSON，不同设备不同步，需手动复制 memory.json。
无加密：记忆文件是明文 JSON，敏感信息（密码、密钥）不要存。
记忆膨胀：长期使用后记忆文件会变大，定期清理过时信息。
冲突处理：多个 AI 客户端同时写入可能冲突，建议一个主客户端管理记忆。
隐私边界：AI 可能记住不该记的信息（如临时讨论），需定期审查 read_graph。
记忆不是数据库：Memory MCP 适合存"偏好与事实"，不适合存大量结构化数据（用 Postgres）。
跨用户隔离：多人共用设备时，每人应有独立的 memory.json 文件。
备份：memory.json 是 AI 的"长期记忆"，定期备份。

安全建议

不存敏感信息：密码、API Key、个人身份信息不要存入记忆
定期审查：用 read_graph 检查 AI 记住了什么，删除不当内容
分人隔离：不同用户用不同 MEMORY_FILE_PATH
文件权限：memory.json 设置 chmod 600
版本控制：把 memory.json 纳入 Git（注意脱敏）

与 RAG 的区别

维度	Memory MCP	RAG
数据类型	用户偏好、事实、关系	文档知识
存储	JSON 知识图谱	向量数据库
查询	精确匹配	语义相似度
更新	实时增删	批量重建索引
适合	"你是谁"	"你知道什么"
规模	小（百条）	大（万条）

互补关系：Memory MCP 记用户画像，RAG 检索知识库。Agent 两者都需要——既要知道"用户是谁"，又要知道"答案在哪"。

小结

Memory MCP 是 AI 应用的个性化基石：让 LLM 从"千人一面"进化到"千人千面"。一个 JSON 文件、一条 npx 命令，就能让任意 MCP 客户端记住用户的偏好、项目与关系。

MCP 进阶系列下一篇将讲 Brave Search MCP 进阶：让 LLM 实时联网搜索的深度用法。