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.txt2. 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
