Membase MCP Server

Ce face serverul “Membase” MCP?

Serverul Membase MCP (Model Context Protocol) acționează ca o poartă de memorie ușoară și descentralizată pentru agenții AI, conectându-i la Membase pentru o memorie multi-sesiune securizată, persistentă și verificabilă. Alimentat de Unibase, permite asistenților AI să urce și să recupereze istoricul conversațiilor, înregistrările de interacțiune și cunoștințele, asigurând continuitatea agentului, personalizarea și trasabilitatea. Prin integrarea cu protocolul Membase, serverul permite stocarea și recuperarea fără întreruperi a datelor de memorie din rețeaua descentralizată Unibase, susținând scenarii unde memoria persistentă și imuabilă este esențială pentru fluxuri de lucru AI.

Listă de Prompts

Niciun șablon de prompt nu este menționat în depozit.

Listă de Resurse

Nu sunt descrise explicit resurse MCP în depozit.

Listă de Unelte

• get_conversation_id: Recuperează ID-ul conversației curente, permițând agenților să identifice sau să facă referire la sesiunea în desfășurare.
• switch_conversation: Comută contextul activ la o altă conversație, susținând fluxuri multi-sesiune.
• save_message: Stochează un mesaj sau o memorie în conversația curentă, asigurând persistența și trasabilitatea.
• get_messages: Obține ultimele n mesaje din conversația curentă, permițând agenților să reamintească contextul sau istoricul recent.

Exemple de utilizare pentru acest server MCP

• Memorie persistentă a conversațiilor: Stochează și recuperează întreg istoricul conversațiilor, asigurând context continuu pentru agenții AI între sesiuni.
• Management multi-sesiune: Comută fără întreruperi între diferite conversații, permițând unui agent să gestioneze mai mulți utilizatori sau proiecte.
• Auditabilitate verificabilă: Toate interacțiunile sunt stocate într-o rețea descentralizată, făcându-le imuabile și auditabile pentru conformitate sau depanare.
• Personalizare: Recuperează interacțiuni anterioare cu utilizatorul pentru a adapta răspunsurile și acțiunile pe baza preferințelor istorice.
• Reținere cunoștințe: Salvează și reamintește fragmente de cunoștințe sau decizii, construind o bază de cunoștințe în timp pentru comportamente AI mai inteligente.

Cum se instalează

Windsurf

1. Asigură-te că sunt instalate cerințele preliminare (ex: Python, runner uv).
2. Clonează depozitul:
   git clone https://github.com/unibaseio/membase-mcp.git
3. Găsește fișierul de configurare Windsurf.
4. Adaugă configurația pentru Membase MCP Server:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "contul tău, 0x...",
        "MEMBASE_CONVERSATION_ID": "id conversație, trebuie să fie unic",
        "MEMBASE_ID": "subcontul tău, orice șir de caractere"
      }
    }
  }
}

5. Salvează și repornește Windsurf pentru a aplica modificările.

Securizarea cheilor API:
Folosește variabile de mediu în blocul env pentru a păstra credențialele în siguranță.

Claude

1. Instalează dependențele (runner uv și Python).
2. Clonează depozitul membase-mcp.
3. Editează fișierul de configurare MCP al lui Claude.
4. Inserează următorul fragment JSON:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "contul tău, 0x...",
        "MEMBASE_CONVERSATION_ID": "id conversație, trebuie să fie unic",
        "MEMBASE_ID": "subcontul tău, orice șir de caractere"
      }
    }
  }
}

5. Salvează și repornește Claude.

Notă: Stochează informațiile sensibile ca variabile de mediu.

Cursor

1. Instalează cerințele (Python, uv).
2. Clonează repo-ul membase-mcp.
3. Găsește și deschide fișierul de configurare Cursor.
4. Adaugă serverul astfel:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "contul tău, 0x...",
        "MEMBASE_CONVERSATION_ID": "id conversație, trebuie să fie unic",
        "MEMBASE_ID": "subcontul tău, orice șir de caractere"
      }
    }
  }
}

5. Salvează și repornește Cursor.

Cline

1. Instalează dependențele (uv, Python).
2. Clonează depozitul.
3. Deschide fișierul de configurare Cline.
4. Adaugă configurația serverului:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "contul tău, 0x...",
        "MEMBASE_CONVERSATION_ID": "id conversație, trebuie să fie unic",
        "MEMBASE_ID": "subcontul tău, orice șir de caractere"
      }
    }
  }
}

5. Salvează și repornește Cline.

Securizarea cheilor API:
Toate credențialele sensibile trebuie transmise în obiectul env ca mai sus, pentru a evita stocarea lor direct în cod.

Cum utilizezi acest MCP în fluxuri

Utilizarea MCP în FlowHunt

Pentru a integra serverele MCP în fluxul tău FlowHunt, începe prin a adăuga componenta MCP în flux și conecteaz-o la agentul tău AI:

Dă clic pe componenta MCP pentru a deschide panoul de configurare. În secțiunea de configurare MCP a sistemului, inserează detaliile serverului MCP folosind acest format JSON:

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

După configurare, agentul AI va putea folosi acest MCP ca unealtă cu acces la toate funcțiile și capabilitățile sale. Nu uita să schimbi “MCP-name” cu numele real al serverului tău MCP (ex: “github-mcp”, “weather-api”, etc.) și să înlocuiești URL-ul cu adresa MCP-ului tău propriu.

Prezentare generală

Pe baza informațiilor disponibile, Membase MCP Server oferă unelte de bază pentru memorie și instrucțiuni de setare clare, dar nu conține șabloane de prompt, resurse MCP explicite sau mențiuni despre sampling sau suport roots. Astfel, este funcțional pentru fluxuri de lucru centrate pe memorie, dar limitat în extensibilitate și funcționalități MCP avansate. Per ansamblu, este practic dar de bază.

Scor MCP