RemembrallMCP

👁 License: MIT
👁 Crates.io
👁 CI
👁 Docker

Постоянная память знаний и интеллектуальный анализ кода для ИИ-агентов. Ядро на Rust, Postgres + pgvector, протокол MCP.

Проблема: ИИ-агенты для написания кода не имеют состояния. Каждый сеанс начинается с нуля — нет памяти о прошлых решениях, нет понимания того, как устроена кодовая база, нет способа узнать, что сломается при внесении изменений.

Решение: RemembrallMCP дает агентам две вещи, которых нет у большинства инструментов памяти:

1. Постоянная память — Решения, шаблоны и организационные знания, которые сохраняются между сеансами. Гибридный семантический + полнотекстовый поиск мгновенно находит релевантный контекст.

2. Граф зависимостей кода — Живая карта вашей кодовой базы, построенная с помощью tree-sitter. Функции, классы, импорты и связи вызовов для 8 языков. Спросите «что сломается, если я изменю это?» и получите ответ за миллисекунды — еще до того, как агент к чему-либо прикоснется.

remembrall_recall("authentication middleware patterns")
-> 3 relevant memories from past sessions

remembrall_index("/path/to/project", "myapp")
-> Builds dependency graph: 847 symbols, 1,203 relationships

remembrall_impact("AuthMiddleware", direction="upstream")
-> 12 files depend on AuthMiddleware (with confidence scores)

remembrall_store("Switched from JWT to session tokens because...")
-> Decision stored for future sessions

Почему граф кода важен

Без RemembrallMCP агенты каждый раз исследуют вашу кодовую базу с нуля. Claude Code запускает агентов Explore, Codex читает десятки файлов, Cursor выполняет grep по директориям — все это тратит токены и время только на то, чтобы понять, что и что вызывает. Одна задача «найти всех вызывающих эту функцию» может стоить тысячи токенов при множественных вызовах инструментов.

С RemembrallMCP тот же запрос — это один вызов remembrall_impact, который возвращает результат менее чем за 1 мс без затрат токенов на исследование. Граф зависимостей уже построен и готов к работе.

Экономия растет вместе с размером кодовой базы. В небольшом проекте агент может справиться с помощью grep и чтения. В монорепозитории из 500 файлов такое исследование становится «бутылочным горлышком» — агенты упираются в лимиты контекста, запускают множество субагентов или полностью пропускают межмодульные зависимости. Запросы к графу RemembrallMCP выполняются менее чем за 10 мс независимо от размера проекта, потому что структура заранее проиндексирована в Postgres, а не обнаруживается во время выполнения.

В этом разница между агентом, который каждый раз исследует вашу кодовую базу, и тем, который уже понимает её.

Бенчмарки

RemembrallMCP в настоящее время тестируется по двум направлениям:

• Производительность агента в задачах с кодом — Протестировано на pallets/click v8.1.7 (594 символа, 1 589 связей). Пять идентичных задач по написанию кода выполнены с RemembrallMCP и без него. Полный отчет.

• Качество воспроизведения памяти — Локальный набор тестов для проверки качества поиска, фильтрации, граничных случаев, ранжирования и задержки.

Экономия увеличивается на более крупных кодовых базах. Click — это около 90 файлов; в монорепозитории из 500+ файлов агентам без RemembrallMCP требуется пропорционально больше вызовов для исследования, в то время как запросы к графу остаются быстрее 10 мс независимо от размера.

Запустите бенчмарки самостоятельно: см. benchmarks/ для получения информации о тестовом наборе и определениях задач.

Стратегию бенчмаркинга в целом (извлечение памяти, долгосрочная память, корректность графа кода и производительность агента) см. в docs/benchmark-roadmap.md.

Требования

• Docker (для простейшей настройки) или PostgreSQL 16 с pgvector

• Для импорта из GitHub: установленный и авторизованный GitHub CLI (gh)

Related MCP server: smriti

Быстрый старт

Вариант 1: Docker Compose (самый простой)

git clone https://github.com/cdnsteve/remembrallmcp.git
cd remembrallmcp

# Start Postgres + initialize schema + download embedding model
docker compose up -d

# Verify it's running
docker compose exec remembrall remembrall status

Это всё. Postgres с pgvector, схема и модель эмбеддингов настраиваются автоматически. База данных и кэш модели сохраняются после перезагрузок.

Для запуска MCP-сервера:

docker compose run --rm remembrall

Вариант 2: Загрузка предварительно собранного бинарного файла

# macOS (Apple Silicon)
curl -fsSL https://github.com/cdnsteve/remembrallmcp/releases/latest/download/remembrall-aarch64-apple-darwin.tar.gz | tar xz
sudo mv remembrall /usr/local/bin/

# Linux (x86_64)
curl -fsSL https://github.com/cdnsteve/remembrallmcp/releases/latest/download/remembrall-x86_64-unknown-linux-gnu.tar.gz | tar xz
sudo mv remembrall /usr/local/bin/

# Initialize (sets up Postgres via Docker, creates schema, downloads model)
remembrall init

Вариант 3: Сборка из исходного кода (требуется Rust 1.94+)

cargo build -p remembrall-server --release
# Binary is at target/release/remembrall

remembrall init

Подключение к вашему MCP-клиенту

Codex

Codex использует тот же формат определения MCP-сервера. Зарегистрируйте сервер как remembrall и укажите путь либо к установленному бинарному файлу, либо к вашей локальной сборке.

Если remembrall установлен в PATH:

{
 "mcpServers": {
 "remembrall": {
 "command": "remembrall"
 }
 }
}

Если запуск из локальной копии исходного кода:

{
 "mcpServers": {
 "remembrall": {
 "command": "/path/to/remembrallmcp/target/release/remembrall",
 "env": {
 "DATABASE_URL": "postgres://postgres:postgres@localhost:5450/remembrall"
 }
 }
 }
}

Если используется Docker Compose из Codex:

{
 "mcpServers": {
 "remembrall": {
 "command": "docker",
 "args": ["compose", "-f", "/path/to/remembrallmcp/docker-compose.yml", "run", "--rm", "-T", "remembrall"]
 }
 }
}

Перезапустите Codex после добавления сервера, чтобы он переподключился и загрузил инструменты.

Claude Code, Cursor и другие MCP-клиенты

Добавьте в .mcp.json вашего проекта (работает с Claude Code, Cursor и любым MCP-совместимым клиентом).

Если используется предварительно собранный бинарный файл или сборка из исходников:

{
 "mcpServers": {
 "remembrall": {
 "command": "remembrall"
 }
 }
}

Если используется Docker Compose:

{
 "mcpServers": {
 "remembrall": {
 "command": "docker",
 "args": ["compose", "-f", "/path/to/remembrallmcp/docker-compose.yml", "run", "--rm", "-T", "remembrall"]
 }
 }
}

Если запуск из исходного кода (не установлен в PATH):

{
 "mcpServers": {
 "remembrall": {
 "command": "/path/to/remembrallmcp/target/release/remembrall",
 "env": {
 "DATABASE_URL": "postgres://postgres:postgres@localhost:5450/remembrall"
 }
 }
 }
}

Перезапустите ваш MCP-клиент. Все 9 инструментов станут доступны автоматически.

Попробуйте

> "Store a memory: We chose Postgres over MongoDB because our query patterns
 are relational. Type: decision, tags: database, architecture"

> "Recall what we know about database decisions"

> "Index this project and show me the impact of changing UserService"

MCP-инструменты

Память

Интеллектуальный анализ кода

Поддерживаемые языки

Оценки измерены на реальных open-source проектах (Click, Gson, Axios, bat, Cobra, Sidekiq, Hono, Exposed) с использованием автоматизированных тестов на основе эталонных данных.

Холодный старт

Новый экземпляр RemembrallMCP не обладает знаниями. Используйте инструменты импорта для начальной загрузки из истории существующего проекта.

Из истории PR GitHub:

> remembrall_ingest_github repo="myorg/myrepo" limit=100

Извлекает слитые PR через gh, обрабатывает заголовки и тела сообщений в записи памяти и помечает их по проекту. PR с телом менее 50 символов пропускаются. Дедупликация по отпечатку контента предотвращает повторный импорт при повторных запусках.

Из markdown-документации:

> remembrall_ingest_docs path="/path/to/project"

Обходит дерево каталогов, находит все файлы .md, разбивает их по заголовкам разделов H2 и сохраняет каждый раздел как запись в памяти с возможностью поиска. Пропускает node_modules, .git, target и подобные директории. Подходит для README, ARCHITECTURE, ADR и любой другой документации.

Запустите оба инструмента по одному разу для каждого проекта. После импорта remembrall_recall получит мгновенный контекст.

Архитектура

Source Code Organizational Knowledge
 | |
 v v
Tree-sitter Parsers Ingestion Pipeline
(8 languages) (GitHub PRs, Markdown docs)
 | |
 v v
+--------------------------------------------------+
| Postgres + pgvector |
| |
| memories (text + embeddings + metadata) |
| symbols (functions, classes, methods) |
| relationships (calls, imports, inherits) |
+--------------------------------------------------+
 |
 MCP Server (stdio)
 |
 Any MCP-compatible AI agent

• Парсинг: tree-sitter (Rust-биндинги, без Python в конвейере)

• Эмбеддинги: fastembed (all-MiniLM-L6-v2, 384-dim, встроенный ONNX Runtime)

• Поиск: Гибридный RRF (семантическое косинусное сходство + полнотекстовый tsvector)

• Запросы к графу: Рекурсивные CTE с обнаружением циклов и затуханием уверенности

• Транспорт: stdio через rmcp

CLI-команды

Конфигурация

Файл конфигурации: ~/.remembrall/config.toml (создается командой remembrall init)

Переменные окружения переопределяют значения из файла конфигурации:

Структура проекта

crates/
 remembrall-core/ # Library - parsers, memory store, graph store, embedder
 remembrall-server/ # MCP server + CLI binary
 remembrall-test-harness/ # Parser quality testing against ground truth
 remembrall-recall-test/ # Search quality testing
docs/ # Architecture and test plan docs
test-fixtures/ # Ground truth TOML files for 8 languages
tests/ # Recall test fixtures

Производительность

Лицензия

MIT

Maintenance

Resources

• NPM Package
• GitHub Repository
Need Help?Related Servers