Локальная система памяти MCP с консолидацией для AI-диалогов

Что это такое

Разработчик создал локальную систему памяти для AI-диалогов, которая консолидирует и синтезирует информацию, а не просто хранит её. Построенная как MCP-сервер, она работает с совместимыми клиентами, такими как Claude Desktop и Claude Code, функционируя на 100% локально без передачи данных за пределы вашего оборудования.

Как это работает

Ключевое отличие от стандартных RAG-систем — процесс консолидации. Каждые 6 часов локальная LLM (Qwen 2.5-7B, работающая в LM Studio) группирует недавние воспоминания по темам и объединяет их в структурированные документы знаний. Она извлекает факты, решения и предпочтения, объединяя их с существующими знаниями и версионируя всё.

Технологический стек

• Эмбеддинги: nomic-embed-text-v1.5 через LM Studio
• Векторный поиск: FAISS (семантический + ключевые слова гибрид)
• LLM для консолидации: Qwen 2.5-7B (Q4) через LM Studio
• Хранилище: SQLite для эпизодов, FAISS для векторов
• Протокол: MCP — работает со всем, что его поддерживает
• Конфигурация: TOML

Возможности

• Семантическое дедуплицирование с порогом косинусного сходства 0.95
• Адаптивная оценка удивления — часто используемые воспоминания усиливаются, устаревшие ослабевают
• Атомарная запись с tempfile + os.replace для защиты от сбоев
• Удаление в FAISS на основе tombstone — O(1) вместо перестроения всего индекса
• Плавная деградация — если LM Studio отключается, хранилище продолжает работать, консолидация приостанавливается
• 88 пройденных тестов

Инструменты MCP

• memory_store — сохранить эпизод с типом, тегами, оценкой удивления
• memory_recall — семантический поиск по эпизодам + консолидированным знаниям
• memory_forget — пометить эпизод для удаления
• memory_correct — обновить документ знаний
• memory_export — полная JSON-резервная копия
• memory_status — проверка состояния

Почему выбран MCP

Модели часто заменяются, но накопленные знания не должны исчезать вместе с ними. MCP делает память переносимой — одно хранилище, множество интерфейсов. Слой памяти становится ценнее любой отдельной модели.

Практические результаты

После примерно недели использования система создала документы знаний о компьютерном оборудовании, настройке VR, предпочтениях в программировании и архитектуре проектов — всё синтезировано из обычных диалогов. При начале новых чатов AI уже знает контекст пользователя без повторных объяснений.

Требования

• Python 3.11+
• LM Studio с загруженными Qwen 2.5-7B и nomic-embed-text-v1.5
• Любой MCP-клиент