tech-memory-mcp

不只是记住"说了什么"，而是记住"学到了什么"。

让 Claude Code 等 AI 编程助手具备长期记忆能力，从每次技术对话中自动提取知识点，下次对话时自动检索相关经验。

核心特性

• 🧠 自动提取：从对话中识别 decision/lesson/preference/fact/pattern 五类知识
• 🔍 混合检索：向量语义搜索 + FTS5 全文搜索，中英文混合查询
• 🇨🇳 中文优先：基于 jina-embeddings-v2-base-zh（768 维）嵌入模型
• 📦 完全本地：SQLite + Transformers.js，无需外部服务
• 🔄 跨项目累积：所有项目知识存入同一数据库，形成终身技术积累

系统要求

• Node.js >= 18.0.0
• 首次启动下载嵌入模型约 154MB
• Windows 用户：如安装失败，请先运行 npm install --global windows-build-tools

快速开始

第一步：安装

方式一：npx 安装（推荐）

npx -y tech-memory-mcp@latest

首次运行会自动下载嵌入模型（约 154MB，30-60 秒）。模型仅需下载一次，后续启动直接使用缓存。

方式二：从源码安装

git clone https://github.com/myx0423/tech-memory-mcp.git
cd tech-memory-mcp
npm install
npm run build

然后将 .mcp.json 配置改为：

{
  "mcpServers": {
    "tech-memory": {
      "command": "node",
      "args": ["/你的路径/tech-memory-mcp/dist/index.js"]
    }
  }
}

第二步：配置 Claude Code

在项目根目录或 ~/.claude/ 创建 .mcp.json：

{
  "mcpServers": {
    "tech-memory": {
      "command": "npx",
      "args": ["-y", "tech-memory-mcp"]
    }
  }
}

第三步：验证安装

启动 Claude Code，输入：

请调用 tech_stats 查看知识库统计

如果返回知识库统计信息（即使为空），说明安装成功。首次启动会自动下载模型，约 30-60 秒。

国内网络加速

如果网络环境不佳，可以提前手动下载模型：

1. 下载模型文件

从 HuggingFace 镜像站下载模型到本地目录：

mkdir -p ~/models/jina-embeddings-v2-base-zh
cd ~/models/jina-embeddings-v2-base-zh

# 使用 wget 下载（或使用浏览器手动下载）
wget https://hf-mirror.com/Xenova/jina-embeddings-v2-base-zh/resolve/main/config.json
wget https://hf-mirror.com/Xenova/jina-embeddings-v2-base-zh/resolve/main/model.onnx
wget https://hf-mirror.com/Xenova/jina-embeddings-v2-base-zh/resolve/main/tokenizer.json
wget https://hf-mirror.com/Xenova/jina-embeddings-v2-base-zh/resolve/main/vocab.txt

2. 配置环境变量

修改 .mcp.json，添加 TECH_MEMORY_MODEL_PATH：

{
  "mcpServers": {
    "tech-memory": {
      "command": "npx",
      "args": ["-y", "tech-memory-mcp"],
      "env": {
        "TECH_MEMORY_MODEL_PATH": "/Users/yourname/models/jina-embeddings-v2-base-zh"
      }
    }
  }
}

Windows 用户示例：

{
  "mcpServers": {
    "tech-memory": {
      "command": "npx",
      "args": ["-y", "tech-memory-mcp"],
      "env": {
        "TECH_MEMORY_MODEL_PATH": "C:\\Users\\yourname\\models\\jina-embeddings-v2-base-zh"
      }
    }
  }
}

可选：自定义模型缓存目录（用于自动下载的模型）：

{
  "mcpServers": {
    "tech-memory": {
      "command": "npx",
      "args": ["-y", "tech-memory-mcp"],
      "env": {
        "TECH_MEMORY_CACHE_DIR": "/path/to/cache"
      }
    }
  }
}

MCP 工具

工具	作用
tech_search	混合搜索（语义 + 全文），支持置信度过滤和过期知识过滤，自动记录曝光事件
tech_store	存储知识点，自动去重，支持置信度和过期时间
tech_extract_template	返回中文知识提取 Prompt + JSON Schema
tech_auto_extract	自动从对话中提取并存储技术知识（支持两阶段调用）
tech_confirm	确认知识点是否有用，调整置信度，记录采用/拒绝事件
tech_decay	执行知识老化衰减，批量更新置信度，清理过期使用事件
tech_outdated	查询过期或低置信度的知识点
tech_conflict_scan	扫描知识库中的冲突和重复条目
tech_resolve	处理冲突条目（保留、合并或标记矛盾）
tech_link	创建知识点之间有向关系
tech_get	查询知识点 + 关联条目
tech_stats	数据库统计
tech_usage_stats	知识库使用统计（曝光、采用、采用率、热门查询）
tech_export	导出知识库为 Markdown 或 JSON 格式
tech_import	从 JSON/Markdown/纯文本批量导入知识
tech_backup	创建 SQLite 数据库完整备份

知识分类

类型	说明	示例
decision	技术决策	"选了 Calico 而非 Flannel，因为需要 NetworkPolicy"
lesson	经验教训	"kubeadm init 失败记得先 kubeadm reset -f"
preference	个人偏好	"更喜欢用 Containerd 而非 Docker 作为运行时"
fact	技术事实	"K8s v1.34 对应 Containerd 沙箱镜像 pause:3.10"
pattern	通用模式	"三 Master + Nginx + KeepAlived 是生产标配"

工作原理

对话结束 → tech_auto_extract 提取知识点
         → tech_store 存储（自动嵌入 + 语义去重）
         → 下次对话时 tech_search 自动检索相关记忆
         → tech_confirm 反馈知识价值，优化搜索排序

数据存储

• 数据库：~/.tech-memory/memory.db（SQLite + 内置向量搜索）
• 嵌入模型：Xenova/jina-embeddings-v2-base-zh（q8 量化，154 MB）
• 完全本地，无需任何外部服务

开发

git clone https://github.com/myx0423/tech-memory-mcp.git
cd tech-memory-mcp
npm install
npm run build
node dist/index.js  # 启动 MCP Server

运行测试：

npm test

姊妹项目

项目	说明
remote-ops-mcp	SSH 远程服务器管理：执行命令、部署服务、排查故障。操作失败时自动缓存踩坑上下文，配合 tech_memory.tech_store 形成运维知识闭环。

License

MIT