本地RAG記憶系統：AI可直接寫入的持久化記憶層

local-memory-mcp 是一個開源專案，旨在為AI助手提供持久化的本地記憶層。它透過MCP（Model Context Protocol）介面，讓Claude、ChatGPT等支援MCP的AI助手能夠在會話結束後依然保留資訊，避免每次重新解釋上下文。該專案由開發者Patrick Tobey建立，在GitHub上以MIT許可證釋出，程式碼主要使用Python編寫。

該專案的核心基於ChromaDB向量資料庫，所有資料儲存在本地機器上，不需要任何雲服務或訂閱。使用者只需執行一個本地伺服器，即可讓AI助手在會話開始時自動檢索相關記憶。這種設計確保了使用者資料的隱私和安全，因為資料不會離開使用者的機器。

功能方面，local-memory-mcp 提供了多種MCP工具，包括儲存（store）、搜尋（search）、更新（update）、刪除（delete）、獲取記憶塊（get_chunk）和檢視演化鏈（get_evolution_chain）。它支援版本化更新，允許記憶被新版本取代，同時保留歷史記錄。軟刪除功能預設保留歷史，可選硬刪除。此外，系統包含啟發式衝突檢測和健康檢查，確保記憶質量。寫入路徑會先經過協調模組檢查重疊或衝突，返回警告和自愈提示；讀取路徑使用語義檢索，並結合相似度和輕量級詞法/時效性訊號進行排序。

設計理念上，專案遵循AIX（AI eXperience）原則，即最佳化AI模型對上下文的消費方式：優先使用清晰文本塊，保持最小但有用的後設資料（時間戳、置信度、取代連結、棄用標誌），透過版本鏈保留歷史而非覆蓋。這使得模型能夠自我修正。專案的目標是實用的檢索質量和可靠的AI行為，而非完美的人類分類法。

部署非常簡單，使用Docker只需兩分鐘：克隆倉庫並執行docker compose up --build -d，然後將MCP客戶端指向http://localhost:8000/mcp。支援Stdio和SSE兩種傳輸方式，可配置空、Bearer或OAuth認證。

local-memory-mcp 適用於任何需要AI助手長期記憶的場景，如個人助手、專案管理等。隱私方面，由於完全本地化，使用者資料不會離開自己的機器。專案鼓勵社群貢獻，並提供了詳細的文件，包括設定指南、架構說明和Docker指南。目前該專案已獲得4顆星，有17次提交，程式碼貢獻者1人。