人工智能（AI）技术发展迅速，大型语言模型（LLMs）极大地简化了许多任务。然而，它们面临一个基本限制：会话之间无法保留记忆。

图片

如果能够拥有一个本地的、便携的 LLM “记忆层”，完全掌控您的数据，会怎样呢？

今天，我们将介绍 OpenMemory MCP，一个基于 Mem0（AI 代理的记忆层）构建的私有、本地优先的记忆层。它支持跨 MCP 兼容客户端（如 Cursor、Claude Desktop、Windsurf、Cline 等）实现持久化、上下文感知的 AI。

本指南将详细说明如何安装、配置和运行 OpenMemory MCP 服务器，同时涵盖其内部架构、流程、底层组件以及实际应用案例和示例。

让我们开始吧。

涵盖内容

简而言之，本文将详细探讨以下主题：

•什么是 OpenMemory MCP 服务器及其重要性？•逐步设置和运行 OpenMemory 的指南。•仪表板可用功能（及其背后的技术）。•安全性、访问控制和架构概述。•实际应用案例及示例。

1. 什么是 OpenMemory 及其重要性？

OpenMemory MCP 是一个为 MCP 客户端设计的私有、本地记忆层。它提供了存储、管理和跨平台利用 AI 记忆的基础设施，同时确保所有数据存储在本地系统上。

简单来说，它是一个基于向量的记忆层，适用于使用标准 MCP 协议的任何 LLM 客户端，并与 Mem0 等工具无缝协作。

核心功能：

•跨会话存储和调用任意文本片段（记忆），确保 AI 无需从零开始。•底层使用向量存储（Qdrant）进行基于相关性的检索，而非仅限于关键词匹配。•完全运行在您的基础设施上（Docker + Postgres + Qdrant），数据不会外传。•支持在应用或记忆级别暂停或撤销客户端访问权限，并为每次读写操作生成审计日志。•提供仪表板（基于 Next.js 和 Redux），展示谁在读写记忆以及状态变更历史。

🔁 工作原理（基本流程）

核心流程如下：

1.通过单一 docker-compose 命令启动 OpenMemory（API、Qdrant、Postgres）。2.API 进程托管一个使用 Mem0 的 MCP 服务器，通过 SSE（Server-Sent Events）支持标准 MCP 协议。3.LLM 客户端通过 SSE 流连接到 OpenMemory 的 /mcp/... 端点，调用 add_memories()、search_memory() 或 list_memories() 等方法。4.向量索引、审计日志和访问控制等其他功能由 OpenMemory 服务自动处理。

您可以观看官方演示并在 mem0.ai/openmemory-mcp[1] 上了解更多！

2. 逐步设置和运行 OpenMemory

本节将指导您如何在本地设置和运行 OpenMemory。

项目包含两个主要组件：

•api/ - 后端 API 和 MCP 服务器•ui/ - 前端 React 应用程序（仪表板）

步骤 1：系统要求

在开始之前，请确保您的系统已安装以下内容，并附上文档链接以便参考：

•Docker 和 Docker Compose•Python 3.9+ — 后端开发所需•Node.js — 前端开发所需•OpenAI API 密钥 — 用于 LLM 交互•GNU Make — 构建自动化工具，用于设置过程

请确保 Docker Desktop 已运行，然后继续下一步。

步骤 2：克隆仓库并设置 OpenAI API 密钥

通过以下命令克隆位于 github.com/mem0ai/mem0[2] 的仓库：

git clone https://github.com/mem0ai/mem0.gitcd openmemory

接下来，将您的 OpenAI API 密钥设置为环境变量：

export OPENAI_API_KEY=your_api_key_here

图片

注意：此命令仅为当前终端会话设置密钥，关闭终端窗口后失效。

图片

步骤 3：设置后端

后端运行在 Docker 容器中。在根目录运行以下命令启动后端：​​​​​​​

# 复制环境文件并编辑以更新 OPENAI_API_KEY 和其他密钥make env
# 构建所有 Docker 镜像make build
# 启动 Postgres、Qdrant 和 FastAPI/MCP 服务器make up

.env.local 文件遵循以下格式：

OPENAI_API_KEY=your_api_key

图片

图片

设置完成后，API 将在 http://localhost:8000 上运行。您可以在 Docker Desktop 中查看运行中的容器。

图片

以下是一些其他有用的后端命令：​​​​​​​

# 运行数据库迁移make migrate
# 查看日志make logs
# 进入 API 容器 shellmake shell
# 运行测试make test
# 停止服务make down

步骤 4：设置前端

前端是一个 Next.js 应用程序。启动前端只需运行：​​​​​​​

# 使用 pnpm 安装依赖并运行 Next.js 开发服务器make ui

图片

安装成功后，访问 http://localhost:3000 查看 OpenMemory 仪表板，仪表板将指导您在 MCP 客户端中安装 MCP 服务器。

仪表板界面如下所示：

图片

MCP 客户端通过 SSE 通道连接到 GET /mcp/{client_name}/sse/{user_id}，绑定两个上下文变量（user_id 和 client_name）。

在仪表板中，您将找到基于您选择的客户端（如 Cursor、Claude、Cline、Windsurf）的一行安装命令。例如，在 Cursor 中安装的命令如下：

npx install-mcp i https://mcp.openmemory.ai/xyz_id/sse --client cursor

如果尚未安装 install-mcp，系统会提示您安装，然后您只需为服务器提供一个名称。

注意：上述为示例命令，请忽略具体内容。打开 Cursor 设置，在侧边栏检查 MCP 选项以验证连接。

图片

在 Cursor 中打开新聊天，输入类似“我希望它记住我的 GitHub 简介信息”的提示。这将触发 add_memories() 调用并存储记忆。刷新仪表板，进入“Memories”选项卡查看所有记忆。

图片

记忆会自动分类（通过 GPT-4o 分类），作为可选标签。

图片

您还可以连接其他 MCP 客户端，如 Windsurf。

图片

每个 MCP 客户端可调用以下四种标准记忆操作：

•add_memories(text) → 将文本存储在 Qdrant，插入/更新 Memory 行和审计条目•search_memory(query) → 嵌入查询，运行向量搜索（带可选 ACL 过滤），记录每次访问•list_memories() → 检索用户的所有存储向量（按 ACL 过滤）并记录列表操作•delete_all_memories() → 清除所有记忆

所有响应通过同一 SSE 连接流式传输。仪表板显示所有活动连接、访问记忆的应用程序以及读写详情。

图片

3. 仪表板功能（及其背后的技术）

OpenMemory 仪表板包含三个主要路由：

•/ – 仪表板首页•/memories – 查看和管理存储的记忆•/apps – 查看连接的应用程序

以下是仪表板提供的主要功能概览：

1) 安装 OpenMemory 客户端

•获取您的唯一 SSE 端点或使用一行安装命令。•在 MCP Link 和不同客户端选项卡（Claude、Cursor、Cline 等）之间切换。

2) 查看记忆和应用统计

•查看存储的记忆数量。•查看连接的应用程序数量。•输入任意文本以实时搜索所有记忆（去抖动处理）。•相关代码位于 ui/components/dashboard/Stats.tsx，功能包括：•从 Redux 读取（profile.totalMemories、profile.totalApps、profile.apps[]）。•在挂载时调用 useStats().fetchStats() 填充存储。•渲染“总记忆数”和“连接的应用总数”，显示最多 4 个应用图标。

图片

3) 刷新或手动创建记忆

•刷新按钮：重新调用当前路由的相应获取器。•创建记忆按钮：打开 CreateMemoryDialog 模态框。

图片

4) 过滤面板

•可选择：•包含哪些应用•包含哪些类别•是否显示归档项目•按哪列排序（记忆、应用名称、创建时间）•一键清除所有过滤器。

图片

5) 检查和管理单个记忆

•点击任意记忆可：

图片

•归档、暂停、恢复或删除记忆•查看访问日志和相关记忆•支持选择多个记忆并执行批量操作。

图片

🖥️ 背后技术：关键组件

以下是涉及的主要前端组件：

•ui/app/memories/components/MemoryFilters.tsx：处理搜索输入、过滤对话框触发器、批量操作（如归档/暂停/删除），并管理行选择状态。•ui/app/memories/components/MemoriesSection.tsx：加载、分页和显示记忆列表的主容器。•ui/app/memories/components/MemoryTable.tsx：渲染记忆表格（ID、内容、客户端、标签、创建日期、状态）。每行通过 MemoryActions 提供操作（编辑、删除、复制链接）。•状态管理和 API 调用使用以下钩子：•useStats.ts：加载高级统计数据，如总记忆数和应用数。•useMemoriesApi.ts：处理记忆的获取、删除和更新。•useAppsApi.ts：检索应用信息和每个应用的记忆详情。•useFiltersApi.ts：支持获取类别和更新过滤器状态。

这些组件共同打造了一个响应式、实时的仪表板，让您完全掌控 AI 记忆层。

4. 安全性、访问控制和架构概述

在处理 MCP 协议或任何 AI 代理系统时，安全性至关重要。以下是简要讨论。

🎯 安全性

OpenMemory 遵循隐私优先原则，所有记忆数据存储在您的本地基础设施中，使用 Docker 化的组件（FastAPI、Postgres、Qdrant）。

敏感输入通过 SQLAlchemy 的参数绑定安全处理，防止注入攻击。每次记忆交互（添加、检索、状态变更）都会通过 MemoryStatusHistory 和 MemoryAccessLog 表记录以确保可追溯性。

虽然未内置认证，但所有端点需要 user_id，并可通过外部认证网关（如 OAuth 或 JWT）保护。

FastAPI 的 CORS 在本地/开发环境中为开放状态（allow_origins=["*"]），但在生产环境中，您应收紧此设置以限制仅信任客户端访问。

🎯 访问控制

OpenMemory 注重细粒度访问控制。access_controls 表定义了应用与特定记忆之间的允许/拒绝规则。

这些规则通过 check_memory_access_permissions 函数强制执行，考虑记忆状态（活动、暂停等）、应用活动状态（is_active）和 ACL 规则。

在实践中，您可以暂停整个应用（禁用写入）、归档或暂停单个记忆，或按类别或用户应用过滤器。暂停或非活动条目对工具访问和搜索不可见。这种分层访问模型确保您可以自信地控制记忆访问。

图片

🎯 架构

以下是系统架构的简要概述，更多详情可参考代码库：

1.后端（FastAPI + FastMCP over SSE）：•提供 REST 接口（/api/v1/memories、/api/v1/apps、/api/v1/stats）和 MCP “工具”接口（/mcp/messages、/mcp/sse/<client>/<user>），代理通过 SSE 调用 add_memories、search_memory、list_memories。•连接 Postgres 存储关系元数据，连接 Qdrant 进行向量搜索。2.向量存储（通过 mem0 客户端的 Qdrant）：•所有记忆在 Qdrant 中进行语义索引，查询时应用用户和应用特定过滤器。3.关系元数据（SQLAlchemy + Alembic）：•跟踪用户、应用、记忆条目、访问日志、类别和访问控制。•Alembic 管理架构迁移。•默认数据库为 SQLite（openmemory.db），但可通过 DATABASE_URL 指向 Postgres。4.前端仪表板（Next.js）：•Redux 提供实时可观察性界面。•Hooks + Redux Toolkit 管理状态，Axios 与 FastAPI 端点通信。•使用 Recharts 实现实时图表、轮播和 React Hook Form 处理表单。5.基础设施与开发工作流：•docker-compose.yml（api/docker-compose.yml）包含 Qdrant 服务和 API 服务。•Makefile 提供迁移、测试、热重载的快捷方式。•测试与后端逻辑共存（通过 pytest）。

这些组件共同打造了一个自托管的 LLM 记忆平台：

•⚡ 在关系数据库和向量索引中存储和版本化聊天记忆•⚡ 通过每个应用的 ACL 和状态转换（活动/暂停/归档）保护数据•⚡ 通过 Qdrant 进行语义搜索•⚡ 通过丰富的 Next.js UI 观察和控制

5. 实际应用案例及示例

熟悉 OpenMemory 后，您会发现它可用于任何需要 AI 跨交互记忆的场景，从而实现高度个性化。

以下是一些高级和创造性的使用方式：

✅ 多代理研究助手与记忆层

想象构建一个工具，其中不同 LLM 代理专注于不同研究领域（例如，一个处理学术论文，一个处理 GitHub 仓库，另一个处理新闻）。每个代理通过 add_memories(text) 存储其发现，主代理随后通过 search_memory(query) 检索所有先前结果。

技术流程：

•每个子代理为 MCP 客户端：•将检索数据的摘要添加到 OpenMemory。•使用 GPT 自动分类为记忆添加标签。•主代理打开 SSE 通道，使用 search_memory("最新扩散模型论文") 提取相关上下文。•仪表板显示每个代理存储的内容，您可通过 ACL 限制代理间的记忆访问。

提示：可添加 LangGraph 编排层，每个代理作为一个节点，跟踪记忆的写入/读取，可视化每个研究线程的知识流和来源。

✅ 具有跨会话持久记忆的智能会议助手

可构建一个会议记录工具（支持 Zoom、Google Meet 等），功能包括：

•通过 LLM 提取摘要。•跨会议记忆行动项。•在未来会议中自动检索相关上下文。

技术流程：

•每次会议后通过 add_memories(text) 存储会议记录和行动项。•下次会议前运行 search_memory("Project X 的未完成项")。•相关记忆（按适当类别标记）显示在 UI 中，审计日志跟踪记忆的读取时间和内容。

提示：与 Google Drive、Notion、GitHub 等工具集成，存储的行动项可链接到实时文档和任务。

✅ 随使用进化的代理编码助手

您的 CLI 编码助手可通过存储使用模式、常见问题、编码偏好和项目特定提示来学习您的工作方式。

技术流程：

•当您询问“为什么我的 SQLAlchemy 查询失败？”，助手通过 add_memories 存储错误和修复。•下次您输入“再次遇到 SQLAlchemy 连接问题”，助手自动运行 search_memory("sqlalchemy join issue") 检索先前修复。•通过 /memories 仪表板检查所有存储记忆，暂停过时或错误的记忆。

提示：可连接到 codemod 工具（如 jscodeshift），根据存储的偏好自动重构代码，随代码库发展而演进。

在上述案例中，OpenMemory 的向量搜索（用于语义召回）、关系元数据（用于审计/日志记录）和实时仪表板（用于可观察性和即时访问控制）让您能够构建上下文感知的应用程序，感觉就像它们拥有记忆。

现在，您的 MCP 客户端拥有真正的记忆能力。

您可以跟踪每次访问、暂停所需内容并在一个仪表板中审计所有操作。最棒的是，所有内容都存储在您的本地系统上。

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。

  • 内容：

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

  • 内容：

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

  • 内容：

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

# 人工智能
Logo
MCP技术社区

欢迎加入 MCP 技术社区！与志同道合者携手前行，一同解锁 MCP 技术的无限可能！

更多推荐

cover

MCP 系列六：FastMCP，构建 MCP 的 python 框架，比官方 SDK 更好用！

avatar MCP技术社区
cover

华为云云应用引擎CAE，重塑企业AI Agent最佳运行态

avatar MCP技术社区
cover

AI 零成本搭建个人网站，小白 3 步搞定！通义灵码智能体+MCP 新玩法

avatar MCP技术社区