"内存管理" 标签

基于 Model Context Protocol (MCP) 的本地 MCP 服务器实现，提供会话管理、内存/思想（memory/thought）存储、分支与决策等资源与工具接口，并通过 JSON-RPC 进行通信，支持会话持久化、内存管理与多种交互场景，供 LLM 客户端调用外部功能与获取上下文数据。

基于 Model Context Protocol (MCP) 的自托管后端服务器，提供资源读取、工具执行、提示模板渲染等功能，并通过标准的 JSON-RPC（stdio）与客户端通信，附带本地内存浏览器界面。

基于 Model Context Protocol (MCP) 的后端服务器实现，提供资源管理、工具注册与执行、以及提示模板渲染等能力，并通过 JSON-RPC/多传输协议与客户端进行上下文服务交互。适用于给大型语言模型（LLM）提供可标准化的内存与外部功能支撑。

基于 Model Context Protocol (MCP) 的后端服务，向 LLM 客户端提供资源、工具和提示模板等统一的上下文服务，支持 JSON-RPC 通信、会话管理与能力声明，并可通过多传输协议（如 Stdio/ SSE/ WebSocket）与客户端进行安全、可扩展的交互。该仓库实现了完整的 MCP 服务器端逻辑，注册工具、管理资源、定义并渲染提示模板，面向本地离线环境的上下文服务应用。

基于 MCP 协议实现的本地内存管理服务器，用于存储、检索和管理长期记忆，供 LLM 客户端通过 JSON-RPC 调用访问和扩展上下文信息。

基于 MCP（Model Context Protocol）的内存管理服务器，实现对 Falcon AI Agent 的记忆资源的持久化管理、工具注册与执行、以及简易的上下文服务能力，通过 JSON-RPC 与客户端进行通信。

基于 Model Context Protocol（MCP）的后端服务器实现，提供标准化的资源管理、工具调用和提示渲染能力，使用 JSON-RPC/SSE 或 STDIO 等传输方式与客户端通信，并与 Convex、Obsidian、Notion 等组件进行集成，面向为大型语言模型提供上下文数据与能力的后端服务。

基于 Model Context Protocol (MCP) 的自托管后端服务器实现，提供资源、工具、提示等标准化接口，并通过 JSON-RPC（stdin/stdout）与 LLM 客户端交互，支持内存存储与检索、知识图谱链接、提示渲染，以及本地内存浏览器等扩展功能。

基于 MCP 的后端服务器，实现对内存资源的管理、工具执行与提示渲染等能力，面向大语言模型客户端提供标准化的上下文服务，支持多用户隔离、混合向量与关键字检索，以及本地存储与嵌入缓存。

基于 MCP（Model Context Protocol）的服务器端实现，提供内存资源、工具、提示模板的注册与管理，并通过标准化的 JSON-RPC 交互向多代理 AI 客户端提供上下文与功能服务。

基于 Model Context Protocol (MCP) 的后端服务器，实现资源、工具和提示模板的注册、执行与渲染，并通过 JSON-RPC 风格的 MCP 端点与客户端交互，支持嵌入式与独立两种运行模式。该仓库提供完整的 MCP 服务端实现、工具/资源/提示的暴露以及相应的 REST/MCP 接口，便于与 Claude、Cursor、Windsurf 等 MCP 客户端对接。

基于 Model Context Protocol 的 MCP 服务器实现，暴露 Boucle 框架中的 Broca 存储和工具执行能力，支持标准 JSON-RPC 通信，当前实现以 stdio 传输为主，便于与 Claude/其他 MCP 客户端进行多智能体协作与上下文共享。

基于 Model Context Protocol（MCP）的服务器实现，提供统一的资源管理、工具执行与提示模板渲染能力，支持多租户、TTL、嵌入向量等特性，并通过标准化的接口（如 stdio 传输）与 LLM 客户端通信。

基于 MCP（Model Context Protocol）协议的后端服务器实现，向 Claude Code 提供内存管理、语义检索、会话工具等能力，通过 JSON-RPC 形式与客户端通信，支持多后端存储与上下文注入等扩展功能。

基于 Model Context Protocol (MCP) 的后端服务器（MeMesh，原 Claude Code Buddy），为大语言模型客户端提供记忆化上下文、资源管理、工具执行与可定制的 Prompt 模板渲染，支持 JSON-RPC 通信、会话管理以及多传输协议（如 Stdio、SSE、WebSocket）。

基于 Model Context Protocol (MCP) 的后端实现，提供内存资源管理、工具执行以及提示模板渲染等能力，通过 JSON-RPC 在标准输入输出（STDIO）与 LLM 客户端进行通信，支持多种内部传输与会话管理，用于向 LLM 客户端提供可访问的上下文信息与功能。

LightMem 的 MCP 服务端实现，使用 Model Context Protocol 提供资源、工具与提示模板的注册与执行，以 JSON-RPC 形式与 LLM 客户端交互。

基于 Model Context Protocol (MCP) 的后端服务，实现对 Obsidian 记忆库的读写、资源管理与工具执行的统一接口，提供 JSON-RPC 风格的请求/响应，包含认证、日志、路由与可扩展的插件架构，支持与多种前端/LLM 客户端协作。

基于 Model Context Protocol (MCP) 的后端服务器集合，提供内存管理、语义检索、知识扩展与技能加载等能力，面向 Claude Copilot 等 LLM 客户端，通过标准化的 JSON-RPC 交互向客户端提供资源、工具、提示等上下文与功能服务。

基于 Model Context Protocol (MCP) 的后端实现，提供资源/工具/提示模板的管理与渲染，通过 JSON-RPC 与 LLM 客户端进行交互，支持 HTTP 与 STDIO 等传输模式的多种通信方式。

基于模型上下文协议（MCP）的服务器实现，提供内存管理、工具注册/执行和提示模板的后端服务，通过 JSON-RPC 与 LLM 客户端进行通信，支持与各种后端组件协同工作，便于在代理代理的对话系统中提供上下文性与功能性支持。

Survey-ZI-UIN-New 是一个集成了文件系统和内存MCP服务器的全栈Web应用，为AI应用提供上下文服务。

Memory Usage Dashboard 是一个基于 Electron 构建的桌面应用，它实现了 MCP 服务器规范，提供本地内存数据存储、检索和管理的上下文服务。

该项目是一个实验性的MCP服务器，集成了内存和Brave搜索工具，旨在通过Model Context Protocol增强AI IDE的上下文感知能力。

基于Model Context Protocol (MCP) 构建的知识图谱内存服务器，使用SQLite数据库持久化存储实体和关系，为LLM应用提供结构化知识记忆和检索能力。

此MCP服务器为LLM应用提供访问Figma设计文件的能力，支持大文件分块和分页加载，优化内存使用。