Membase MCPサーバー

「Membase」MCPサーバーの役割は？

Membase MCP（Model Context Protocol）サーバーは、AIエージェントのための軽量で分散型のメモリゲートウェイとして機能し、Membaseに接続することで安全・永続・検証可能なマルチセッションメモリを提供します。Unibaseによって強化されており、AIアシスタントが会話履歴やインタラクション記録、ナレッジをアップロード・取得できるため、エージェントの継続性やパーソナライズ、追跡性を担保します。Membaseプロトコルと統合することで、Unibase分散ネットワークからシームレスにメモリデータを保存・取得でき、AI駆動ワークフローにおいて永続的かつ改ざん不可能なメモリが必要なユースケースをサポートします。

プロンプト一覧

リポジトリ内にプロンプトテンプレートは記載されていません。

リソース一覧

リポジトリ内に明示的なMCPリソースは記載されていません。

ツール一覧

• get_conversation_id: 現在の会話IDを取得し、エージェントが進行中のセッションを識別・参照できます。
• switch_conversation: アクティブなコンテキストを別の会話に切り替え、マルチセッションワークフローをサポートします。
• save_message: 現在の会話にメッセージやメモリを保存し、永続性と追跡性を確保します。
• get_messages: 現在の会話から最新n件のメッセージを取得し、エージェントが直近のコンテキストや履歴を参照できます。

このMCPサーバーのユースケース

• 永続的な会話メモリ: 全会話履歴を保存・取得し、セッションをまたいでAIエージェントのコンテキストを継続できます。
• マルチセッション管理: 複数の会話をシームレスに切り替え、エージェントが複数ユーザーやプロジェクトを同時に扱えます。
• 検証可能な監査証跡: すべてのやりとりが分散ネットワークに保存され、改ざん不可能かつ監査可能な記録となります（コンプライアンス・デバッグ用途）。
• パーソナライズ: 過去のユーザーインタラクションを取得し、履歴に基づいて応答・行動を最適化します。
• ナレッジ保持: ナレッジスニペットや意思決定を保存・呼び出し、時間をかけてスマートなAI行動のためのナレッジベースを構築できます。

セットアップ方法

Windsurf

1. 必要な前提条件をインストール（Python、uvランナー等）。
2. リポジトリをクローン：
   git clone https://github.com/unibaseio/membase-mcp.git
3. Windsurfの設定ファイルを探します。
4. Membase MCPサーバーの設定を追加します：

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "your account, 0x...",
        "MEMBASE_CONVERSATION_ID": "your conversation id, should be unique",
        "MEMBASE_ID": "your sub account, any string"
      }
    }
  }
}

5. 保存してWindsurfを再起動し、変更を反映させます。

APIキーのセキュリティについて:
認証情報はenvブロックの環境変数として指定し、セキュリティを保ってください。

Claude

1. 依存関係（uvランナーとPython）をインストール。
2. membase-mcpリポジトリをクローン。
3. ClaudeのMCP設定ファイルを編集。
4. 以下のJSONスニペットを挿入：

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "your account, 0x...",
        "MEMBASE_CONVERSATION_ID": "your conversation id, should be unique",
        "MEMBASE_ID": "your sub account, any string"
      }
    }
  }
}

5. 保存してClaudeを再起動します。

補足: 機密情報は環境変数として保管してください。

Cursor

1. 必要なものをインストール（Python, uv）。
2. membase-mcpリポジトリをクローン。
3. Cursorの設定ファイルを開きます。
4. 以下のサーバー設定を追加：

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "your account, 0x...",
        "MEMBASE_CONVERSATION_ID": "your conversation id, should be unique",
        "MEMBASE_ID": "your sub account, any string"
      }
    }
  }
}

5. 保存してCursorを再起動します。

Cline

1. 依存関係（uv、Python）をインストール。
2. リポジトリをクローン。
3. Clineの設定ファイルを開きます。
4. サーバー設定を追加：

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "your account, 0x...",
        "MEMBASE_CONVERSATION_ID": "your conversation id, should be unique",
        "MEMBASE_ID": "your sub account, any string"
      }
    }
  }
}

5. 保存してClineを再起動します。

APIキーのセキュリティについて:
すべての機密認証情報は、上記のenvオブジェクトで環境変数として渡し、ハードコーディングを避けてください。

フロー内でこのMCPを使う方法

FlowHuntでMCPを活用する

MCPサーバーをFlowHuntワークフローに組み込むには、まずフロー内にMCPコンポーネントを追加し、AIエージェントに接続します：

MCPコンポーネントをクリックして設定パネルを開きます。system MCP構成セクションに、以下のJSON形式でMCPサーバーの詳細を入力してください：

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

設定が完了すると、AIエージェントはこのMCPをツールとして利用でき、すべての機能にアクセスできます。“MCP-name"は実際のMCPサーバー名（例: “github-mcp”、“weather-api"など）に、URLはご自身のMCPサーバーのURLに置き換えてください。

概要

公開情報に基づき、Membase MCPサーバーは基本的なメモリ管理ツールと明確なセットアップ手順を備えていますが、プロンプトテンプレートや明示的なMCPリソース、サンプリングやrootsサポートの記載はありません。メモリ中心ワークフローには実用的ですが、拡張性や高度なMCP機能には限定的です。全体的に実用的ですが基本的な構成です。

MCPスコア