Membase MCP Server

Co robi serwer “Membase” MCP?

Membase MCP (Model Context Protocol) Server działa jako lekka, zdecentralizowana brama pamięci dla agentów AI, łącząc ich z Membase w celu zapewnienia bezpiecznej, trwałej i weryfikowalnej wielosesyjnej pamięci. Napędzany przez Unibase, umożliwia asystentom AI przesyłanie i pobieranie historii rozmów, zapisów interakcji oraz wiedzy, zapewniając ciągłość działania agenta, personalizację i śledzenie. Dzięki integracji z protokołem Membase serwer umożliwia płynne przechowywanie i pobieranie danych pamięci z zdecentralizowanej sieci Unibase, wspierając przypadki użycia, w których trwała, niezmienna pamięć jest kluczowa dla przepływów pracy opartych na AI.

Lista promptów

W repozytorium nie podano szablonów promptów.

Gotowy na rozwój swojej firmy?

Rozpocznij bezpłatny okres próbny już dziś i zobacz rezultaty w ciągu kilku dni.

Poproś o demo Zaloguj się

Lista zasobów

W repozytorium nie opisano wyraźnie zasobów MCP.

Lista narzędzi

• get_conversation_id: Pobiera bieżący identyfikator rozmowy, umożliwiając agentom identyfikację lub odwołanie się do trwającej sesji.
• switch_conversation: Przełącza aktywny kontekst na inną rozmowę, wspierając wielosesyjność.
• save_message: Zapisuje wiadomość lub pamięć w bieżącej rozmowie, zapewniając trwałość i możliwość śledzenia.
• get_messages: Pobiera ostatnie n wiadomości z bieżącej rozmowy, umożliwiając agentom przypomnienie sobie aktualnego kontekstu lub historii.

Dołącz do naszego newslettera

Otrzymuj najnowsze wskazówki, trendy i oferty za darmo.

Adres e-mail

Zapisz się

Przykłady zastosowań tego serwera MCP

• Trwała pamięć rozmowy: Przechowywanie i pobieranie całych historii konwersacji, zapewniając ciągłość kontekstu dla agentów AI między sesjami.
• Zarządzanie wielosesyjne: Płynne przełączanie się między różnymi rozmowami, umożliwiając agentowi obsługę wielu użytkowników lub projektów.
• Weryfikowalne ścieżki audytu: Wszystkie interakcje są przechowywane w zdecentralizowanej sieci, co czyni je niezmiennymi i audytowalnymi na potrzeby zgodności lub debugowania.
• Personalizacja: Pobieranie wcześniejszych interakcji użytkownika w celu dopasowania odpowiedzi i działań na podstawie historii.
• Retencja wiedzy: Zapisywanie i przywoływanie fragmentów wiedzy lub decyzji, budując bazę wiedzy dla coraz inteligentniejszych zachowań AI.

Jak skonfigurować

Windsurf

1. Upewnij się, że wymagane narzędzia są zainstalowane (np. Python, uv runner).
2. Sklonuj repozytorium:
   git clone https://github.com/unibaseio/membase-mcp.git
3. Zlokalizuj plik konfiguracyjny Windsurf.
4. Dodaj konfigurację Membase MCP Server:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "twoje konto, 0x...",
        "MEMBASE_CONVERSATION_ID": "twój identyfikator rozmowy, musi być unikalny",
        "MEMBASE_ID": "twoje subkonto, dowolny ciąg znaków"
      }
    }
  }
}

5. Zapisz i zrestartuj Windsurf, aby zastosować zmiany.

Zabezpieczanie kluczy API:
Używaj zmiennych środowiskowych w bloku env, aby dane uwierzytelniające były bezpieczne.

Claude

1. Zainstaluj zależności (uv runner oraz Python).
2. Sklonuj repozytorium membase-mcp.
3. Edytuj plik konfiguracyjny MCP Claude’a.
4. Wstaw poniższy fragment JSON:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "twoje konto, 0x...",
        "MEMBASE_CONVERSATION_ID": "twój identyfikator rozmowy, musi być unikalny",
        "MEMBASE_ID": "twoje subkonto, dowolny ciąg znaków"
      }
    }
  }
}

5. Zapisz i zrestartuj Claude.

Uwaga: Wrażliwe dane przechowuj jako zmienne środowiskowe.

Cursor

1. Zainstaluj wymagane narzędzia (Python, uv).
2. Sklonuj repozytorium membase-mcp.
3. Odszukaj i otwórz plik konfiguracyjny Cursor.
4. Dodaj serwer jak poniżej:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "twoje konto, 0x...",
        "MEMBASE_CONVERSATION_ID": "twój identyfikator rozmowy, musi być unikalny",
        "MEMBASE_ID": "twoje subkonto, dowolny ciąg znaków"
      }
    }
  }
}

5. Zapisz, a następnie zrestartuj Cursor.

Cline

1. Zainstaluj zależności (uv, Python).
2. Sklonuj repozytorium.
3. Otwórz plik konfiguracyjny Cline.
4. Dodaj konfigurację serwera:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "twoje konto, 0x...",
        "MEMBASE_CONVERSATION_ID": "twój identyfikator rozmowy, musi być unikalny",
        "MEMBASE_ID": "twoje subkonto, dowolny ciąg znaków"
      }
    }
  }
}

5. Zapisz i zrestartuj Cline.

Zabezpieczanie kluczy API:
Wszystkie wrażliwe dane uwierzytelniające powinny być przekazywane w obiekcie env jak powyżej, aby uniknąć ich wpisywania na stałe w plikach.

Jak używać tego MCP w przepływach

Używanie MCP w FlowHunt

Aby zintegrować serwery MCP z przepływem w FlowHunt, zacznij od dodania komponentu MCP do swojego flow i połącz go ze swoim agentem AI:

Kliknij komponent MCP, aby otworzyć panel konfiguracji. W sekcji systemowej konfiguracji MCP wstaw dane swojego serwera MCP w tym formacie JSON:

{
  "MCP-name": {
    "transport": "streamable_http",
    "url": "https://twojmcpserver.przyklad/sciezkadomcp/url"
  }
}

Po skonfigurowaniu agent AI może korzystać z tego MCP jako narzędzia ze wszystkimi jego funkcjami i możliwościami. Pamiętaj, aby zmienić “MCP-name” na rzeczywistą nazwę swojego serwera MCP (np. “github-mcp”, “weather-api” itp.) oraz podmienić URL na swój własny adres MCP.

Podsumowanie

Na podstawie dostępnych informacji, Membase MCP Server zapewnia podstawowe narzędzia pamięci oraz jasne instrukcje konfiguracji, lecz brakuje szablonów promptów, wyraźnych zasobów MCP oraz wzmianek o wsparciu sampling czy roots. Czyni to rozwiązanie praktycznym dla przepływów pracy opartych na pamięci, lecz ograniczonym pod względem rozbudowy i zaawansowanych funkcji MCP. Ogólnie jest funkcjonalny, ale podstawowy.

Ocena MCP