Membase MCP Server

K čemu slouží “Membase” MCP Server?

Membase MCP (Model Context Protocol) Server funguje jako lehká, decentralizovaná paměťová brána pro AI agenty, která je propojuje s Membase pro bezpečnou, persistentní a ověřitelnou multi-session paměť. Díky technologii Unibase umožňuje AI asistentům ukládat a načítat historii konverzací, záznamy interakcí a znalostí, což zajišťuje kontinuitu agenta, personalizaci a dohledatelnost. Integrací s protokolem Membase server umožňuje bezproblémové ukládání a načítání paměťových dat z decentralizované sítě Unibase a podporuje případy použití, kde je persistentní, nezměnitelná paměť klíčová pro AI workflowy.

Seznam promptů

V repozitáři nejsou uvedeny žádné šablony promptů.

Seznam zdrojů

V repozitáři nejsou explicitně popsány MCP zdroje.

Seznam nástrojů

• get_conversation_id: Získá aktuální ID konverzace, umožňuje agentům identifikovat nebo odkazovat na probíhající relaci.
• switch_conversation: Přepne aktivní kontext na jinou konverzaci, podporuje workflowy s více relacemi.
• save_message: Uloží zprávu nebo vzpomínku do aktuální konverzace, zajišťuje trvalost a dohledatelnost.
• get_messages: Načte posledních n zpráv z aktuální konverzace, umožňuje agentům připomenout si nedávný kontext nebo historii.

Příklady využití tohoto MCP Serveru

• Persistentní paměť konverzací: Ukládejte a načítejte celé historie konverzací a zajistěte tak AI agentům souvislý kontext napříč relacemi.
• Správa více relací: Plynule přepínejte mezi různými konverzacemi, což umožňuje agentovi obsluhovat více uživatelů nebo projektů.
• Ověřitelné auditní stopy: Všechny interakce jsou ukládány do decentralizované sítě, což je činí nezměnitelnými a auditovatelnými pro soulad nebo ladění.
• Personalizace: Načítejte minulé interakce uživatele a přizpůsobujte odpovědi či akce na základě historických preferencí.
• Udržení znalostí: Ukládejte a vybavujte si znalostní úryvky či rozhodnutí, budujte tak znalostní bázi v čase pro chytřejší chování AI.

Jak jej nastavit

Windsurf

1. Ověřte, že máte nainstalované požadované komponenty (např. Python, běžec uv).
2. Naklonujte repozitář:
   git clone https://github.com/unibaseio/membase-mcp.git
3. Najděte svůj konfigurační soubor Windsurf.
4. Přidejte konfiguraci Membase MCP Serveru:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "váš účet, 0x...",
        "MEMBASE_CONVERSATION_ID": "vaše id konverzace, musí být unikátní",
        "MEMBASE_ID": "váš subúčet, libovolný řetězec"
      }
    }
  }
}

5. Uložte a restartujte Windsurf, aby se změny projevily.

Zabezpečení API klíčů:
Používejte proměnné prostředí v bloku env, abyste udrželi přihlašovací údaje v bezpečí.

Claude

1. Nainstalujte závislosti (uv a Python).
2. Naklonujte repozitář membase-mcp.
3. Upravte konfigurační soubor MCP pro Claude.
4. Vložte následující JSON úryvek:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "váš účet, 0x...",
        "MEMBASE_CONVERSATION_ID": "vaše id konverzace, musí být unikátní",
        "MEMBASE_ID": "váš subúčet, libovolný řetězec"
      }
    }
  }
}

5. Uložte a restartujte Claude.

Poznámka: Citlivé informace ukládejte jako proměnné prostředí.

Cursor

1. Nainstalujte potřebné komponenty (Python, uv).
2. Naklonujte repozitář membase-mcp.
3. Najděte a otevřete svůj konfigurační soubor Cursor.
4. Přidejte server dle ukázky:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "váš účet, 0x...",
        "MEMBASE_CONVERSATION_ID": "vaše id konverzace, musí být unikátní",
        "MEMBASE_ID": "váš subúčet, libovolný řetězec"
      }
    }
  }
}

5. Uložte a poté restartujte Cursor.

Cline

1. Nainstalujte závislosti (uv, Python).
2. Naklonujte repozitář.
3. Otevřete konfigurační soubor pro Cline.
4. Přidejte konfiguraci serveru:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "váš účet, 0x...",
        "MEMBASE_CONVERSATION_ID": "vaše id konverzace, musí být unikátní",
        "MEMBASE_ID": "váš subúčet, libovolný řetězec"
      }
    }
  }
}

5. Uložte a restartujte Cline.

Zabezpečení API klíčů:
Všechny citlivé přihlašovací údaje by měly být zadány v objektu env dle výše uvedeného vzoru, abyste se vyhnuli jejich uložení přímo v kódu.

Jak tento MCP použít ve flow

Použití MCP ve FlowHunt

Chcete-li integrovat MCP servery do svého workflowu ve FlowHunt, začněte přidáním MCP komponenty do svého flow a propojením s AI agentem:

Klikněte na komponentu MCP pro otevření konfiguračního panelu. V sekci systémové konfigurace MCP vložte detaily svého MCP serveru v tomto JSON formátu:

{
  "MCP-name": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po nastavení může AI agent tento MCP používat jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit “MCP-name” na skutečný název vašeho MCP serveru (např. “github-mcp”, “weather-api” atd.) a nahradit URL adresou vašeho vlastního MCP serveru.

Přehled

Na základě dostupných informací poskytuje Membase MCP Server základní paměťové nástroje a jasné instrukce k nastavení, ale chybí mu šablony promptů, explicitní MCP zdroje a zmínka o podpoře vzorkování či root funkcionalitě. Díky tomu je vhodný pro workflowy zaměřené na paměť, ale má omezenou rozšiřitelnost a pokročilé MCP funkce. Celkově je praktický, ale základní.

MCP skóre