Lokales MCP-Speichersystem mit Konsolidierung für KI-Gespräche

Was das ist

Ein Entwickler hat ein lokales Speichersystem für KI-Gespräche geschaffen, das Informationen konsolidiert und synthetisiert, anstatt sie nur zu speichern. Als MCP-Server aufgebaut, funktioniert es mit kompatiblen Clients wie Claude Desktop und Claude Code und läuft zu 100 % lokal, ohne dass Daten Ihre Hardware verlassen.

Wie es funktioniert

Der entscheidende Unterschied zu herkömmlichen RAG-Systemen ist der Konsolidierungsprozess. Alle 6 Stunden gruppiert eine lokale LLM (Qwen 2.5-7B, die in LM Studio läuft) aktuelle Erinnerungen nach Themen und fasst sie zu strukturierten Wissensdokumenten zusammen. Sie extrahiert Fakten, Lösungen und Präferenzen, vereint sie mit bestehendem Wissen und versioniert alles.

Technischer Stack

• Embeddings: nomic-embed-text-v1.5 über LM Studio
• Vektorsuche: FAISS (semantisch + Keyword-Hybrid)
• Konsolidierungs-LLM: Qwen 2.5-7B (Q4) über LM Studio
• Speicher: SQLite für Episoden, FAISS für Vektoren
• Protokoll: MCP – funktioniert mit allem, was es unterstützt
• Konfiguration: TOML

Funktionen

• Semantische Deduplizierung mit Kosinus-Ähnlichkeitsschwelle von 0,95
• Adaptives Überraschungs-Scoring – häufig genutzte Erinnerungen werden verstärkt, veraltete verblassen
• Atomare Schreibvorgänge mit tempfile + os.replace für Absturzschutz
• Tombstone-basierte FAISS-Löschung – O(1) anstatt den gesamten Index neu aufzubauen
• Graceful Degradation – wenn LM Studio ausfällt, funktioniert die Speicherung weiter, Konsolidierung pausiert
• 88 Tests bestanden

MCP-Tools

• memory_store – speichere eine Episode mit Typ, Tags, Überraschungs-Score
• memory_recall – semantische Suche über Episoden + konsolidiertes Wissen
• memory_forget – markiere eine Episode zur Entfernung
• memory_correct – aktualisiere ein Wissensdokument
• memory_export – vollständiges JSON-Backup
• memory_status – Systemstatusprüfung

Warum MCP gewählt wurde

Modelle werden häufig ersetzt, aber angesammeltes Wissen sollte nicht mit ihnen verschwinden. MCP macht den Speicher portabel – ein Speicher, viele Schnittstellen. Die Speicherschicht wird wertvoller als jedes einzelne Modell.

Praktische Ergebnisse

Nach etwa einer Woche Nutzung hat das System Wissensdokumente über PC-Hardware, VR-Einrichtung, Programmierpräferenzen und Projektarchitekturen aufgebaut – alles aus normalen Gesprächen synthetisiert. Wenn neue Chats beginnen, kennt die KI bereits den Kontext des Nutzers, ohne dass er ihn neu erklären muss.

Anforderungen

• Python 3.11+
• LM Studio mit geladenem Qwen 2.5-7B und nomic-embed-text-v1.5
• Beliebiger MCP-Client