Überblick

Memory MCP ist der offizielle Model Context Protocol (MCP)-Referenzserver für persistente Speicherung. Er implementiert einen schlanken Wissensgraphen, der es KI-Agents ermöglicht, strukturierte Informationen über Konversationen und Sitzungen hinweg zu speichern und abzurufen.

Entwickelt als Teil des offiziellen MCP-Servers-Repositorys vom Model Context Protocol-Team, löst er eine der größten Einschränkungen von LLMs: Statelessness (Zustandslosigkeit). Anstatt Kontext jedes Mal neu einzugeben, können Agents Fakten, Benutzerpräferenzen, Projekt-Details, Entscheidungen und Beobachtungen speichern – und sie bei Bedarf abrufen.

Er dient als Grundlage für viele Community-Speicherimplementierungen und wird direkt in Tools wie Claude Desktop, Claude Code, Cursor und anderen MCP-Clients unterstützt.

Funktionen

-i Wissensgraphen-Speicherung: Entitäten mit Beobachtungen, Beziehungen und Attributen werden persistent gespeichert. -i Erinnerungen hinzufügen/abrufen/durchsuchen: Tools zum Erstellen von Entitäten, Hinzufügen von Beobachtungen, Durchsuchen per Schlüsselwörtern oder Semantik und Abrufen von relevantem Kontext. -i Persistent über Sitzungen hinweg: Daten überstehen Neustarts und sind in neuen Konversationen verfügbar. -i Bereichsbezogen & strukturiert: Unterstützt benutzer-, projekt- oder konversationsbezogene Speicherung mit sauberer Entitäten-Beziehungs-Modellierung. -i Schlank & Local-First: Läuft über npx, Docker oder lokale Installation mit minimalen Abhängigkeiten. -i MCP-Standardkonformität: Vollständige Tool-Entdeckung, JSON-RPC-Schnittstelle und nahtlose Integration mit jedem MCP-Client. -i Erweiterbare Grundlage: Dient als Ausgangspunkt für fortgeschrittene Implementierungen (Vektorsuche, Graphdatenbanken wie Neo4j oder hybride Systeme).

Anwendungsfälle

-i Kontinuität über Sitzungen hinweg: Claude oder Cursor merken sich Projektarchitektur, Coding-Präferenzen und vergangene Entscheidungen, ohne dass diese neu erklärt werden müssen. -i Benutzerpräferenz-Tracking: Speichern von Stilvorlieben, Tool-Auswahl oder Arbeitsablaufgewohnheiten für personalisierte Unterstützung. -i Projekt-Wissensbasis: Aufbau eines lebendigen Graphen mit Fakten zur Codebase, Bug-Lösungen und Design-Entscheidungen. -i Multi-Agent-Kollaboration: Gemeinsame Nutzung des Speichers zwischen verschiedenen KI-Agents oder Sitzungen in komplexen Workflows. -i Langfristiges Lernen: Agents akkumulieren Wissen über Wochen oder Monate, steigern die Effizienz und reduzieren die Verschwendung des Kontextfensters.

Installation & Schnellstart

Verwendung von npx (Einfachste Methode)

npx -y @modelcontextprotocol/server-memory

Konfiguration für Claude Desktop / Cursor

Hinzufügen zu Ihrer MCP-Konfigurationsdatei (z.B. claude_desktop_config.json oder .cursor/mcp.json):

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": [" -y", "@modelcontextprotocol/server-memory"]
    }
  }
}

Docker-Option

docker run -i -v claude-memory:/app/dist --rm mcp/memory

Sobald er läuft, können KI-Agents Tools wie create_entity, add_observation, search_memories und get_graph verwenden, um mit dem persistenten Speicher zu interagieren.

Warum Memory MCP?

LLMs sind leistungsstark, aber vergesslich zwischen Sitzungen. Memory MCP verwandelt sie in zustandsbehaftete Partner, indem es eine standardisierte, sichere und auffindbare Methode bereitstellt, um Langzeitkontext zu erhalten. Es reduziert den Token-Verbrauch drastisch (kein Einfügen der Historie bei jeder Anfrage mehr) und ermöglicht natürlich anmutende, kontinuierliche Arbeitsabläufe.

Die offizielle Implementierung verwendet einen einfachen lokalen Wissensgraphen, was sie schnell, privat und einfach zum Selbsthosten macht. Community-Erweiterungen fügen Vektorsuche, Neo4j-Backends oder hybride semantische + Graphen-Fähigkeiten hinzu, um noch reichhaltigere Gedächtnissysteme zu schaffen.

Fortgeschrittene Tipps & Ökosystem

Kombiniere mit Claude Thread Continuity oder anderen MCP-Servern für vollständiges Konversations- + Projektgedächtnis.
Für Produktions- oder Multi-User-Setups ziehe Community-Forks mit SQLite-, MongoDB-, Qdrant- oder Neo4j-Backends in Betracht.
Verwende es zusammen mit Tools wie uv-mcp, playwright-mcp oder postgres-mcp für vollständige agentenbasierte Workflows, die sowohl handeln als auch sich erinnern.
Überwache das Speicherwachstum und implementiere Bereinigungsrichtlinien für großflächige Nutzung.

memory mcp