Serveur MCP Membase

Que fait le serveur MCP “Membase” ?

Le serveur Membase MCP (Model Context Protocol) agit comme une passerelle mémoire légère et décentralisée pour les agents IA, les connectant à Membase pour une mémoire multi-session sécurisée, persistante et vérifiable. Alimenté par Unibase, il permet aux assistants IA de charger et de récupérer l’historique des conversations, les enregistrements d’interactions et les connaissances, assurant ainsi la continuité, la personnalisation et la traçabilité des agents. En s’intégrant au protocole Membase, le serveur permet un stockage et une récupération transparents des données mémoire sur le réseau décentralisé Unibase, prenant en charge les cas d’usage où une mémoire persistante et infalsifiable est essentielle pour les workflows pilotés par l’IA.

Liste des prompts

Aucun modèle de prompt n’est mentionné dans le dépôt.

Prêt à développer votre entreprise?

Commencez votre essai gratuit aujourd'hui et voyez les résultats en quelques jours.

Demander une démo Se connecter

Liste des ressources

Aucune ressource MCP explicite n’est décrite dans le dépôt.

Liste des outils

• get_conversation_id : Récupère l’ID de conversation en cours, permettant aux agents d’identifier ou de référencer la session active.
• switch_conversation : Bascule le contexte actif vers une autre conversation, prenant en charge les workflows multi-session.
• save_message : Enregistre un message ou une mémoire dans la conversation en cours, assurant la persistance et la traçabilité.
• get_messages : Récupère les n derniers messages de la conversation en cours, permettant aux agents de rappeler le contexte ou l’historique récent.

Rejoignez notre newsletter

Recevez gratuitement les derniers conseils, tendances et offres.

Adresse e-mail

S'abonner

Cas d’usage de ce serveur MCP

• Mémoire de conversation persistante : Stockez et récupérez l’intégralité de l’historique des conversations, assurant un contexte continu pour les agents IA entre les sessions.
• Gestion multi-session : Basculez facilement entre plusieurs conversations, permettant à un agent de gérer plusieurs utilisateurs ou projets.
• Traçabilité vérifiable : Toutes les interactions sont stockées sur un réseau décentralisé, les rendant infalsifiables et auditables pour la conformité ou le débogage.
• Personnalisation : Récupérez les interactions passées d’un utilisateur pour adapter les réponses et actions selon ses préférences historiques.
• Rétention de connaissances : Enregistrez et consultez des extraits de connaissances ou des décisions, construisant une base de connaissances évolutive pour des comportements IA plus intelligents.

Comment le configurer

Windsurf

1. Vérifiez que les prérequis sont installés (ex. : Python, exécuteur uv).
2. Clonez le dépôt :
   git clone https://github.com/unibaseio/membase-mcp.git
3. Localisez votre fichier de configuration Windsurf.
4. Ajoutez la configuration du serveur Membase MCP :

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "votre compte, 0x...",
        "MEMBASE_CONVERSATION_ID": "votre id de conversation, doit être unique",
        "MEMBASE_ID": "votre sous-compte, n'importe quelle chaîne"
      }
    }
  }
}

5. Sauvegardez et redémarrez Windsurf pour appliquer les modifications.

Sécurisation des clés API :
Utilisez les variables d’environnement dans le bloc env pour garder les identifiants sécurisés.

Claude

1. Installez les dépendances (uv et Python).
2. Clonez le dépôt membase-mcp.
3. Modifiez le fichier de configuration MCP de Claude.
4. Insérez le bloc JSON suivant :

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "votre compte, 0x...",
        "MEMBASE_CONVERSATION_ID": "votre id de conversation, doit être unique",
        "MEMBASE_ID": "votre sous-compte, n'importe quelle chaîne"
      }
    }
  }
}

5. Sauvegardez et redémarrez Claude.

Remarque : Stockez les informations sensibles en tant que variables d’environnement.

Cursor

1. Installez les prérequis (Python, uv).
2. Clonez le dépôt membase-mcp.
3. Trouvez et ouvrez votre fichier de configuration Cursor.
4. Ajoutez le serveur comme ci-dessous :

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "votre compte, 0x...",
        "MEMBASE_CONVERSATION_ID": "votre id de conversation, doit être unique",
        "MEMBASE_ID": "votre sous-compte, n'importe quelle chaîne"
      }
    }
  }
}

5. Sauvegardez, puis redémarrez Cursor.

Cline

1. Installez les dépendances (uv, Python).
2. Clonez le dépôt.
3. Ouvrez le fichier de configuration de Cline.
4. Ajoutez la configuration du serveur :

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "votre compte, 0x...",
        "MEMBASE_CONVERSATION_ID": "votre id de conversation, doit être unique",
        "MEMBASE_ID": "votre sous-compte, n'importe quelle chaîne"
      }
    }
  }
}

5. Sauvegardez et redémarrez Cline.

Sécurisation des clés API :
Toutes les informations sensibles doivent être transmises dans l’objet env comme ci-dessus afin d’éviter de les coder en dur.

Comment utiliser ce MCP dans les flows

Utilisation du MCP dans FlowHunt

Pour intégrer les serveurs MCP à votre workflow FlowHunt, commencez par ajouter le composant MCP à votre flow et connectez-le à votre agent IA :

Cliquez sur le composant MCP pour ouvrir le panneau de configuration. Dans la section de configuration système MCP, insérez les détails de votre serveur MCP en utilisant ce format JSON :

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

Une fois configuré, l’agent IA pourra utiliser ce MCP comme un outil avec accès à toutes ses fonctions et capacités. N’oubliez pas de remplacer “MCP-name” par le nom réel de votre serveur MCP (par exemple, “github-mcp”, “weather-api”, etc.) et de remplacer l’URL par celle de votre propre serveur MCP.

Vue d’ensemble

D’après les informations disponibles, le serveur Membase MCP fournit des outils mémoire essentiels et des instructions de configuration claires, mais manque de modèles de prompts, de ressources MCP explicites et de mention du sampling ou du support roots. Cela le rend fonctionnel pour des workflows centrés sur la mémoire mais limité en extensibilité et en fonctionnalités MCP avancées. Globalement, il est pratique mais basique.

Score MCP