Membase MCP-server

Hva gjør “Membase” MCP-serveren?

Membase MCP (Model Context Protocol)-serveren fungerer som en lettvekts, desentralisert minne-gateway for AI-agenter, og kobler dem til Membase for sikker, vedvarende og verifiserbar flerøkt-minne. Drevet av Unibase gjør den det mulig for AI-assistenter å laste opp og hente samtalehistorikk, interaksjonslogger og kunnskap, og sikrer agentkontinuitet, personalisering og sporbarhet. Ved å integrere med Membase-protokollen muliggjør serveren sømløs lagring og henting av minnedata fra Unibase-desentralisert nettverk, og støtter brukstilfeller der vedvarende, manipuleringssikkert minne er avgjørende for AI-drevne arbeidsflyter.

Liste over promptmaler

Ingen promptmaler er nevnt i depotet.

Liste over ressurser

Ingen eksplisitte MCP-ressurser er beskrevet i depotet.

Liste over verktøy

• get_conversation_id: Henter gjeldende samtale-ID, slik at agenter kan identifisere eller referere til den pågående økten.
• switch_conversation: Bytter aktiv kontekst til en annen samtale, og støtter flerøkt-arbeidsflyter.
• save_message: Lagrer en melding eller et minne i gjeldende samtale, og sikrer vedvarende lagring og sporbarhet.
• get_messages: Henter de siste n meldingene fra gjeldende samtale, slik at agenter kan huske nylig kontekst eller historie.

Bruksområder for denne MCP-serveren

• Vedvarende samtaleminne: Lagre og hent hele samtalehistorikker, og sørg for kontinuerlig kontekst for AI-agenter på tvers av økter.
• Flerøkt-håndtering: Bytt sømløst mellom ulike samtaler, slik at en agent kan håndtere flere brukere eller prosjekter.
• Verifiserbare revisjonsspor: Alle interaksjoner lagres på et desentralisert nettverk, noe som gjør dem manipuleringssikre og reviderbare for etterlevelse eller feilsøking.
• Personalisering: Hent tidligere brukerinteraksjoner for å tilpasse svar og handlinger basert på historiske preferanser.
• Kunnskapsbevaring: Lagre og hent kunnskapsbiter eller beslutninger, og bygg en kunnskapsbase over tid for smartere AI-adferd.

Slik setter du det opp

Windsurf

1. Sørg for at nødvendige forutsetninger er installert (f.eks. Python, uv-runner).
2. Klon depotet:
   git clone https://github.com/unibaseio/membase-mcp.git
3. Finn Windsurf-konfigurasjonsfilen din.
4. Legg til Membase MCP-serverkonfigurasjonen:

{
  "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": "din samtale-ID, bør være unik",
        "MEMBASE_ID": "din subkonto, en hvilken som helst streng"
      }
    }
  }
}

5. Lagre og start Windsurf på nytt for å aktivere endringene.

Sikring av API-nøkler:
Bruk miljøvariabler i env-blokken for å holde legitimasjonene sikre.

Claude

1. Installer avhengigheter (uv-runner og Python).
2. Klon membase-mcp-depotet.
3. Rediger Claudes MCP-konfigurasjonsfil.
4. Sett inn følgende JSON-snutt:

{
  "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": "din samtale-ID, bør være unik",
        "MEMBASE_ID": "din subkonto, en hvilken som helst streng"
      }
    }
  }
}

5. Lagre og start Claude på nytt.

Merk: Lagre sensitiv informasjon som miljøvariabler.

Cursor

1. Installer forutsetninger (Python, uv).
2. Klon membase-mcp-repoet.
3. Finn og åpne Cursors konfigurasjonsfil.
4. Legg til 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": "din samtale-ID, bør være unik",
        "MEMBASE_ID": "din subkonto, en hvilken som helst streng"
      }
    }
  }
}

5. Lagre, og start deretter Cursor på nytt.

Cline

1. Installer avhengigheter (uv, Python).
2. Klon depotet.
3. Åpne Clines konfigurasjonsfil.
4. Legg til serverkonfigurasjonen:

{
  "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": "din samtale-ID, bør være unik",
        "MEMBASE_ID": "din subkonto, en hvilken som helst streng"
      }
    }
  }
}

5. Lagre og start Cline på nytt.

Sikring av API-nøkler:
Alle sensitive legitimasjonsdetaljer bør legges inn i env-objektet som vist over for å unngå hardkoding.

Hvordan bruke denne MCP-en i flyter

Bruke MCP i FlowHunt

For å integrere MCP-servere i FlowHunt-arbeidsflyten din, start med å legge til MCP-komponenten i flyten og koble den til AI-agenten:

Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I seksjonen for system-MCP-konfigurasjon limer du inn detaljene for MCP-serveren din i dette JSON-formatet:

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

Når det er konfigurert, kan AI-agenten nå bruke denne MCP-en som et verktøy med tilgang til alle dens funksjoner og muligheter. Husk å endre “MCP-name” til det faktiske navnet på MCP-serveren din (f.eks. “github-mcp”, “weather-api”, osv.) og bytt ut URL-en med din egen MCP-server-URL.

Oversikt

Basert på tilgjengelig informasjon tilbyr Membase MCP-serveren kjerneverktøy for minne og tydelige oppsett-instruksjoner, men mangler promptmaler, eksplisitte MCP-ressurser og omtale av sampling- eller roots-støtte. Dette gjør den funksjonell for minnebaserte arbeidsflyter, men begrenset i utvidbarhet og avanserte MCP-funksjoner. Alt i alt er den praktisk, men grunnleggende.

MCP-score