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。