Dies ist ein Open-Source-MCP, das Gespräche mit AI oder Dokumente in Sqlite oder PostgreSQL speichert.
Der Unterschied zu LLM Wiki oder anderen Memory-Lösungen ist das Teilen und Durchsuchen von Speicher zwischen AIs.
Es ist möglich, Arbeit zu Hause und im Büro in einem gemeinsamen Memory zu teilen. Ebenso können Arbeitsergebnisse im Team in einem gemeinsamen Memory geteilt werden.
Die Daten werden in Graph+RAG umgewandelt und in der Datenbank gespeichert.
Der Graph ist ein Event-Centric Knowledge Graph (ECKG); als Besonderheit wird dabei, anders als bei anderen Graphen, kein Beziehungsschema im Voraus festgelegt. Er entwickelt sich weiter, während Daten angesammelt werden.
Für die Installation können Sie entweder das bereitgestellte Archiv entpacken und ausführen oder es als Open Source direkt selbst installieren.
Wenn Sie das Archiv entpacken und ausführen, startet der Manager.
Sie wählen die Datenbank zum Speichern aus und bestimmen, in welcher AI das MCP installiert werden soll; der Rest läuft automatisch.
Eine Sample-DB ist ebenfalls enthalten, damit Sie nach der Installation die tatsächliche Funktionsweise leicht prüfen können.
Die Sample-DB enthält urheberrechtsfreie Beatles-Wikipedia-Artikel und die Sherlock-Holmes-Originalromane. (Sie sind auf Englisch, können aber in anderen Sprachen durchsucht werden.)
Vielen Dank.
Quellcode: https://github.com/rawdev/MemoryWeft
Installation: https://github.com/rawdev/MemoryWeft/tags
7 Kommentare
Oh, gute Idee. Ich sollte mir auch überlegen, wie ich das nutzen kann.
Danke.
Worin liegen die Unterschiede zu Context Mode oder AgentMemory?
Hallo, vielen Dank für Ihr Interesse.
Dass es AgentMemory gibt, habe ich durch den Hinweis von smaker zum ersten Mal erfahren.
Wenn ich das gewusst hätte, hätte ich Mweft vielleicht gar nicht entwickelt.
Zum Glück scheint es nach meinem Blick auf AgentMemory so zu sein, dass sich Ausrichtung und zugrunde liegende Technik von Mweft unterscheiden.
Zunächst einmal habe ich mweft von Grund auf für Zusammenarbeit konzipiert. AgentMemory scheint zwar ebenfalls Funktionen für Zusammenarbeit zu haben, aber aufgrund der unterschiedlichen Zielsetzung wirkt auch die interne Struktur anders.
mweft dient als unterstützendes Hilfsmittel, damit bessere Ergebnisse herauskommen. Auch bei Graphen oder RAG liegt der Schwerpunkt eher auf dem Finden von Zusammenhängen als auf strenger Präzision. AgentMemory hat ebenfalls eine Graph-Struktur, aber mweft scheint einen anderen Ansatz zu verfolgen.
AgentMemory wirkt so, als sei es mit Coding-AI als Hauptzweck entwickelt worden. Deshalb scheint Genauigkeit dort besonders wichtig zu sein. Mweft darf auch einmal falsch liegen. Es ist eher dafür gedacht, AI oder Menschen Hinweise zu geben, damit sie selbst weiter nachschauen.
Meine Analyse kann falsch sein. Falls Sie mir einen Rat geben möchten, höre ich gern zu.
Vielen Dank.
Der Context-Modus dient reinen Speicherzwecken und unterscheidet sich daher von Mweft, das auf Zusammenarbeit ausgerichtet ist.
Reicht es nicht einfach, wenn man Codex verwendet?
Hallo, danke für Ihr Interesse.
Da ich Codex nicht sehr viel verwendet habe, antworte ich im Rahmen meines Wissens. Es kann sein, dass ich mich irre.
Zunächst einmal teilt Mweft nicht die Arbeitsergebnisse.
Geteilt werden die Inhalte, die im Verlauf der Gespräche mit der AI entstehen. Für Arbeitsergebnisse müssen andere Tools wie Git verwendet werden. Da nicht die Ergebnisse, sondern die Zwischenstände geteilt werden, kann man den Arbeitsablauf nachvollziehen.
Außerdem wird diese Funktion mit Graph + RAG unterstützt.
Mit Mweft ist auch das Teilen von Arbeit zwischen Claude, Codex und Gemini CLI möglich.
Vielen Dank.