Membase MCP Server

Cosa fa il server “Membase” MCP?

Il Membase MCP (Model Context Protocol) Server agisce come un gateway di memoria leggero e decentralizzato per agenti AI, collegandoli a Membase per una memoria sicura, persistente e verificabile multi-sessione. Alimentato da Unibase, consente agli assistenti AI di caricare e recuperare la cronologia delle conversazioni, i registri delle interazioni e la conoscenza, garantendo continuità, personalizzazione e tracciabilità degli agenti. Integrandosi con il protocollo Membase, il server abilita l’archiviazione e il recupero senza soluzione di continuità dei dati di memoria dalla rete decentralizzata Unibase, supportando casi d’uso in cui la memoria persistente e a prova di manomissione è fondamentale per i workflow guidati dall’AI.

Elenco dei Prompt

Nessun template di prompt è menzionato nel repository.

Elenco delle Risorse

Nessuna risorsa MCP esplicita è descritta nel repository.

Elenco degli Strumenti

• get_conversation_id: Recupera l’ID della conversazione corrente, consentendo agli agenti di identificare o fare riferimento alla sessione in corso.
• switch_conversation: Passa il contesto attivo a una conversazione diversa, supportando workflow multi-sessione.
• save_message: Archivia un messaggio o una memoria nella conversazione corrente, garantendo persistenza e tracciabilità.
• get_messages: Recupera gli ultimi n messaggi della conversazione corrente, consentendo agli agenti di richiamare contesto o cronologia recenti.

Casi d’Uso di questo MCP Server

• Memoria persistente delle conversazioni: Archivia e recupera intere cronologie di conversazione, garantendo un contesto continuo per gli agenti AI tra le sessioni.
• Gestione multi-sessione: Passa senza soluzione di continuità tra conversazioni diverse, permettendo a un agente di gestire più utenti o progetti.
• Audit trail verificabili: Tutte le interazioni sono memorizzate su una rete decentralizzata, rendendole a prova di manomissione e verificabili per conformità o debug.
• Personalizzazione: Recupera interazioni passate dell’utente per personalizzare risposte e azioni sulla base delle preferenze storiche.
• Conservazione della conoscenza: Salva e richiama frammenti di conoscenza o decisioni, costruendo una base di conoscenza nel tempo per comportamenti AI più intelligenti.

Come configurarlo

Windsurf

1. Assicurati che i prerequisiti siano installati (es. Python, esecutore uv).
2. Clona il repository:
   git clone https://github.com/unibaseio/membase-mcp.git
3. Individua il file di configurazione di Windsurf.
4. Aggiungi la configurazione del Membase MCP Server:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "il tuo account, 0x...",
        "MEMBASE_CONVERSATION_ID": "id della conversazione, deve essere univoco",
        "MEMBASE_ID": "sotto-account, qualsiasi stringa"
      }
    }
  }
}

5. Salva e riavvia Windsurf per applicare le modifiche.

Protezione delle API Key:
Usa variabili d’ambiente nel blocco env per mantenere sicure le credenziali.

Claude

1. Installa le dipendenze (uv runner e Python).
2. Clona il repository membase-mcp.
3. Modifica il file di configurazione MCP di Claude.
4. Inserisci il seguente snippet JSON:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "il tuo account, 0x...",
        "MEMBASE_CONVERSATION_ID": "id della conversazione, deve essere univoco",
        "MEMBASE_ID": "sotto-account, qualsiasi stringa"
      }
    }
  }
}

5. Salva e riavvia Claude.

Nota: Conserva le informazioni sensibili come variabili d’ambiente.

Cursor

1. Installa i prerequisiti (Python, uv).
2. Clona il repository membase-mcp.
3. Trova e apri il file di configurazione di Cursor.
4. Aggiungi il server come mostrato:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "il tuo account, 0x...",
        "MEMBASE_CONVERSATION_ID": "id della conversazione, deve essere univoco",
        "MEMBASE_ID": "sotto-account, qualsiasi stringa"
      }
    }
  }
}

5. Salva e riavvia Cursor.

Cline

1. Installa le dipendenze (uv, Python).
2. Clona il repository.
3. Apri il file di configurazione di Cline.
4. Aggiungi la configurazione del server:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "il tuo account, 0x...",
        "MEMBASE_CONVERSATION_ID": "id della conversazione, deve essere univoco",
        "MEMBASE_ID": "sotto-account, qualsiasi stringa"
      }
    }
  }
}

5. Salva e riavvia Cline.

Protezione delle API Key:
Tutte le credenziali sensibili dovrebbero essere passate nell’oggetto env come mostrato sopra per evitare di inserirle nel codice.

Come usare questo MCP nei flow

Utilizzo di MCP in FlowHunt

Per integrare i server MCP nel tuo workflow FlowHunt, inizia aggiungendo il componente MCP al tuo flow e collegandolo al tuo agente AI:

Clicca sul componente MCP per aprire il pannello di configurazione. Nella sezione di configurazione MCP di sistema, inserisci i dettagli del tuo server MCP usando questo formato JSON:

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

Una volta configurato, l’agente AI potrà utilizzare questo MCP come tool con accesso a tutte le sue funzioni e capacità. Ricorda di cambiare “MCP-name” con il vero nome del tuo server MCP (es. “github-mcp”, “weather-api”, ecc.) e sostituisci l’URL con quello del tuo MCP server.

Panoramica

Sulla base delle informazioni disponibili, Membase MCP Server fornisce strumenti di memoria fondamentali e istruzioni di setup chiare, ma manca di template di prompt, risorse MCP esplicite e menzione del supporto sampling o roots. Questo lo rende funzionale per workflow focalizzati sulla memoria ma limitato in estensibilità e funzionalità MCP avanzate. Nel complesso, è pratico ma basilare.

MCP Score