Membase MCP Server

Hvad laver “Membase” MCP Server?

Membase MCP (Model Context Protocol) Server fungerer som en letvægts, decentraliseret hukommelsesgateway for AI-agenter, der forbinder dem til Membase for sikker, vedvarende og verificerbar multi-session hukommelse. Drevet af Unibase giver den AI-assistenter mulighed for at uploade og hente samtalehistorik, interaktionsposter og viden, hvilket sikrer agent-kontinuitet, personalisering og sporbarhed. Ved at integrere med Membase-protokollen muliggør serveren problemfri lagring og hentning af hukommelsesdata fra Unibase-decentraliseret netværk, hvilket understøtter anvendelser hvor vedvarende, manipulationssikker hukommelse er afgørende for AI-drevne arbejdsgange.

Liste over Prompts

Ingen prompt-skabeloner er nævnt i repositoryet.

Liste over Ressourcer

Ingen eksplicitte MCP-ressourcer er beskrevet i repositoryet.

Liste over Værktøjer

• get_conversation_id: Henter det aktuelle samtale-ID, så agenter kan identificere eller referere til den igangværende session.
• switch_conversation: Skifter den aktive kontekst til en anden samtale, hvilket understøtter multi-session arbejdsgange.
• save_message: Gemmer en besked eller hukommelse i den aktuelle samtale, hvilket sikrer vedvarende lagring og sporbarhed.
• get_messages: Henter de sidste n beskeder fra den aktuelle samtale, så agenter kan huske nylig kontekst eller historik.

Anvendelsesmuligheder for denne MCP Server

• Vedvarende Samtalehukommelse: Gem og hent hele samtalehistorikker, så AI-agenter har kontinuerlig kontekst på tværs af sessioner.
• Multi-session Håndtering: Skift problemfrit mellem forskellige samtaler, så en agent kan håndtere flere brugere eller projekter.
• Verificerbare Revisionsspor: Alle interaktioner gemmes på et decentraliseret netværk, hvilket gør dem manipulationssikre og reviderbare til overholdelse eller fejlfinding.
• Personalisering: Hent tidligere brugerinteraktioner for at tilpasse svar og handlinger baseret på historiske præferencer.
• Vidensbevarelse: Gem og genkald vidensbidder eller beslutninger, byg et vidensgrundlag over tid for klogere AI-adfærd.

Sådan sætter du det op

Windsurf

1. Sørg for at forudsætninger er installeret (f.eks. Python, uv runner).
2. Klon repositoryet:
   git clone https://github.com/unibaseio/membase-mcp.git
3. Find din Windsurf konfigurationsfil.
4. Tilføj Membase MCP Server konfigurationen:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "din konto, 0x...",
        "MEMBASE_CONVERSATION_ID": "dit samtale id, skal være unikt",
        "MEMBASE_ID": "din subkonto, vilkårlig streng"
      }
    }
  }
}

5. Gem og genstart Windsurf for at anvende ændringerne.

Sikring af API-nøgler:
Brug miljøvariabler i env-blokken for at holde legitimationsoplysninger sikre.

Claude

1. Installer afhængigheder (uv runner og Python).
2. Klon membase-mcp repoet.
3. Rediger Claudes MCP konfigurationsfil.
4. Indsæt følgende JSON-snippet:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "din konto, 0x...",
        "MEMBASE_CONVERSATION_ID": "dit samtale id, skal være unikt",
        "MEMBASE_ID": "din subkonto, vilkårlig streng"
      }
    }
  }
}

5. Gem og genstart Claude.

Bemærk: Gem følsomme oplysninger som miljøvariabler.

Cursor

1. Installer forudsætninger (Python, uv).
2. Klon membase-mcp repoet.
3. Find og åbn din Cursor konfigurationsfil.
4. Tilføj serveren som vist:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "din konto, 0x...",
        "MEMBASE_CONVERSATION_ID": "dit samtale id, skal være unikt",
        "MEMBASE_ID": "din subkonto, vilkårlig streng"
      }
    }
  }
}

5. Gem og genstart derefter Cursor.

Cline

1. Installer afhængigheder (uv, Python).
2. Klon repositoryet.
3. Åbn Clines konfigurationsfil.
4. Tilføj serverkonfigurationen:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "din konto, 0x...",
        "MEMBASE_CONVERSATION_ID": "dit samtale id, skal være unikt",
        "MEMBASE_ID": "din subkonto, vilkårlig streng"
      }
    }
  }
}

5. Gem og genstart Cline.

Sikring af API-nøgler:
Alle følsomme legitimationsoplysninger bør overføres i env-objektet som vist ovenfor for at undgå hardcoding.

Sådan bruger du denne MCP i flows

Brug af MCP i FlowHunt

For at integrere MCP-servere i dit FlowHunt workflow, start med at tilføje MCP-komponenten til dit flow og forbinde den til din AI-agent:

Klik på MCP-komponenten for at åbne konfigurationspanelet. I systemets MCP-konfigurationssektion indsætter du dine MCP-serverdetaljer med dette JSON-format:

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

Når det er konfigureret, kan AI-agenten nu bruge denne MCP som et værktøj med adgang til alle dens funktioner og kapaciteter. Husk at ændre “MCP-name” til det faktiske navn på din MCP-server (f.eks. “github-mcp”, “weather-api” osv.) og udskifte URL’en med din egen MCP-server URL.

Oversigt

Baseret på de tilgængelige oplysninger leverer Membase MCP Server kernehukommelsesværktøjer og klare opsætningsinstruktioner, men mangler prompt-skabeloner, eksplicitte MCP-ressourcer og omtale af sampling eller roots-support. Dette gør den funktionel til hukommelsescentrerede arbejdsgange men begrænset i udvidelsesmuligheder og avancerede MCP-funktioner. Overordnet er den praktisk, men basal.

MCP Score