MCP 服务器

MCP Titan

这个先进的内存服务器促进了基于神经记忆的序列学习和预测，通过状态维护和流形优化来增强代码生成和理解，其灵感来源于谷歌研究的框架。

AI记忆系统

AI内容生成

访问服务器

README

Titan Memory MCP 服务器

我知道它现在坏了，我会修复它的！理想情况下，它应该在 Cursor (或 Claude desktop) 中以 yolo 模式运行，无需人工干预，并创建一个独立于 LLM 版本的“大脑”。

一个用于 LLM 的神经记忆系统，可以学习和预测序列，同时通过记忆向量保持状态。此 MCP（模型上下文协议）服务器为 Claude 3.7 Sonnet 和其他 LLM 提供工具，以在交互过程中保持记忆状态。

特性

完美适用于 Cursor: 既然 Cursor 自动以 yolo 模式运行 MCP，您就可以放手让 LLM 的新记忆发挥作用了
神经记忆架构: 基于 Transformer 的记忆系统，可以学习和预测序列
内存管理: 高效的张量运算，具有自动内存清理功能
MCP 集成: 完全兼容 Cursor 和其他 MCP 客户端
文本编码: 将文本输入转换为张量表示
记忆持久性: 在会话之间保存和加载记忆状态

安装

# 克隆仓库
git clone https://github.com/yourusername/titan-memory.git
cd titan-memory

# 安装依赖
npm install

# 构建项目
npm run build

# 启动服务器
npm start

可用工具

Titan Memory MCP 服务器提供以下工具：

`help`

获取有关可用工具的帮助。

参数：

tool (可选): 要获取帮助的特定工具名称
category (可选): 要浏览的工具类别
showExamples (可选): 包括使用示例
verbose (可选): 包括详细描述

`init_model`

使用自定义配置初始化 Titan Memory 模型。

参数：

inputDim: 输入维度大小 (默认: 768)
hiddenDim: 隐藏维度大小 (默认: 512)
memoryDim: 记忆维度大小 (默认: 1024)
transformerLayers: Transformer 层数 (默认: 6)
numHeads: 注意力头数 (默认: 8)
ffDimension: 前馈维度 (默认: 2048)
dropoutRate: Dropout 率 (默认: 0.1)
maxSequenceLength: 最大序列长度 (默认: 512)
memorySlots: 记忆槽数量 (默认: 5000)
similarityThreshold: 相似度阈值 (默认: 0.65)
surpriseDecay: 意外衰减率 (默认: 0.9)
pruningInterval: 剪枝间隔 (默认: 1000)
gradientClip: 梯度裁剪值 (默认: 1.0)

`forward_pass`

执行通过模型的前向传递以获得预测。

参数：

x: 输入向量或文本
memoryState (可选): 要使用的记忆状态

`train_step`

执行训练步骤以更新模型。

参数：

x_t: 当前输入向量或文本
x_next: 下一个输入向量或文本

`get_memory_state`

获取当前记忆状态和统计信息。

参数：

type (可选): 可选的记忆类型过滤器

`manifold_step`

沿流形方向更新记忆。

参数：

base: 基础记忆状态
velocity: 更新方向

`prune_memory`

删除不太相关的记忆以释放空间。

参数：

threshold: 剪枝阈值 (0-1)

`save_checkpoint`

将记忆状态保存到文件。

参数：

path: 检查点文件路径

`load_checkpoint`

从文件加载记忆状态。

参数：

path: 检查点文件路径

`reset_gradients`

重置累积的梯度以从训练问题中恢复。

参数： 无

在 Cursor 中与 Claude 3.7 Sonnet 一起使用

Titan Memory MCP 服务器旨在与 Cursor 中的 Claude 3.7 Sonnet 无缝协作。以下是如何使用它的示例：

// 初始化模型
const result = await callTool("init_model", {
  inputDim: 768,
  memorySlots: 10000,
  transformerLayers: 8,
});

// 执行前向传递
const { predicted, memoryUpdate } = await callTool("forward_pass", {
  x: "const x = 5;", // 或向量: [0.1, 0.2, ...]
  memoryState: currentMemory,
});

// 训练模型
const result = await callTool("train_step", {
  x_t: "function hello() {",
  x_next: "  console.log('world');",
});

// 获取记忆状态
const state = await callTool("get_memory_state", {});