Servidor Membase MCP

¿Qué hace el Servidor “Membase” MCP?

El Servidor Membase MCP (Protocolo de Contexto de Modelo) actúa como una puerta de enlace de memoria ligera y descentralizada para agentes de IA, conectándolos a Membase para una memoria multi-sesión segura, persistente y verificable. Impulsado por Unibase, permite a los asistentes de IA subir y recuperar el historial de conversaciones, registros de interacción y conocimiento, asegurando la continuidad del agente, personalización y trazabilidad. Al integrarse con el protocolo Membase, el servidor permite el almacenamiento y recuperación fluida de datos de memoria desde la red descentralizada de Unibase, soportando casos en los que la memoria persistente y a prueba de manipulaciones es vital para los flujos de trabajo impulsados por IA.

Lista de Prompts

No se mencionan plantillas de prompts en el repositorio.

Lista de Recursos

No se describen recursos MCP explícitos en el repositorio.

Lista de Herramientas

• get_conversation_id: Recupera el ID de la conversación actual, permitiendo a los agentes identificar o referenciar la sesión en curso.
• switch_conversation: Cambia el contexto activo a otra conversación, soportando flujos multi-sesión.
• save_message: Almacena un mensaje o memoria en la conversación actual, asegurando persistencia y trazabilidad.
• get_messages: Obtiene los últimos n mensajes de la conversación actual, permitiendo a los agentes recordar el contexto o historial reciente.

Casos de Uso de este Servidor MCP

• Memoria de Conversación Persistente: Almacena y recupera historiales completos de conversación, asegurando contexto continuo para los agentes de IA entre sesiones.
• Gestión Multi-sesión: Cambia sin problemas entre diferentes conversaciones, permitiendo a un agente manejar múltiples usuarios o proyectos.
• Registros de Auditoría Verificables: Todas las interacciones se almacenan en una red descentralizada, haciéndolas a prueba de manipulaciones y auditables para cumplimiento o depuración.
• Personalización: Recupera interacciones previas del usuario para adaptar respuestas y acciones según preferencias históricas.
• Retención de Conocimiento: Guarda y recupera fragmentos de conocimiento o decisiones, construyendo una base de conocimiento con el tiempo para comportamientos de IA más inteligentes.

Cómo configurarlo

Windsurf

1. Asegúrate de tener instalados los prerrequisitos (por ejemplo, Python, ejecutor uv).
2. Clona el repositorio:
   git clone https://github.com/unibaseio/membase-mcp.git
3. Localiza tu archivo de configuración de Windsurf.
4. Añade la configuración del Servidor Membase MCP:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "tu cuenta, 0x...",
        "MEMBASE_CONVERSATION_ID": "tu id de conversación, debe ser único",
        "MEMBASE_ID": "tu subcuenta, cualquier cadena"
      }
    }
  }
}

5. Guarda y reinicia Windsurf para aplicar los cambios.

Protección de claves API:
Utiliza variables de entorno en el bloque env para mantener seguras las credenciales.

Claude

1. Instala las dependencias (ejecutor uv y Python).
2. Clona el repositorio membase-mcp.
3. Edita el archivo de configuración MCP de Claude.
4. Inserta el siguiente fragmento JSON:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "tu cuenta, 0x...",
        "MEMBASE_CONVERSATION_ID": "tu id de conversación, debe ser único",
        "MEMBASE_ID": "tu subcuenta, cualquier cadena"
      }
    }
  }
}

5. Guarda y reinicia Claude.

Nota: Almacena la información sensible como variables de entorno.

Cursor

1. Instala los prerrequisitos (Python, uv).
2. Clona el repositorio membase-mcp.
3. Encuentra y abre tu archivo de configuración de Cursor.
4. Añade el servidor como se muestra:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "tu cuenta, 0x...",
        "MEMBASE_CONVERSATION_ID": "tu id de conversación, debe ser único",
        "MEMBASE_ID": "tu subcuenta, cualquier cadena"
      }
    }
  }
}

5. Guarda y luego reinicia Cursor.

Cline

1. Instala las dependencias (uv, Python).
2. Clona el repositorio.
3. Abre el archivo de configuración de Cline.
4. Añade la configuración del servidor:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "tu cuenta, 0x...",
        "MEMBASE_CONVERSATION_ID": "tu id de conversación, debe ser único",
        "MEMBASE_ID": "tu subcuenta, cualquier cadena"
      }
    }
  }
}

5. Guarda y reinicia Cline.

Protección de claves API:
Todas las credenciales sensibles deben pasarse en el objeto env como se muestra arriba para evitar incluirlas en el código.

Cómo usar este MCP dentro de los flujos

Uso de MCP en FlowHunt

Para integrar servidores MCP en tu flujo de trabajo de FlowHunt, comienza agregando el componente MCP a tu flujo y conectándolo a tu agente de IA:

Haz clic en el componente MCP para abrir el panel de configuración. En la sección de configuración del sistema MCP, introduce los detalles de tu servidor MCP usando este formato JSON:

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

Una vez configurado, el agente de IA podrá utilizar este MCP como herramienta con acceso a todas sus funciones y capacidades. Recuerda cambiar “MCP-name” por el nombre real de tu servidor MCP (por ejemplo, “github-mcp”, “weather-api”, etc.) y reemplazar la URL por la de tu propio servidor MCP.

Resumen

Según la información disponible, Membase MCP Server proporciona herramientas de memoria esenciales e instrucciones de configuración claras, pero carece de plantillas de prompts, recursos MCP explícitos y mención de soporte de muestreo o raíces. Esto lo hace funcional para flujos de trabajo centrados en la memoria pero limitado en extensibilidad y características avanzadas de MCP. En general, es práctico pero básico.

Puntuación MCP