MCP Memory

一句话定位

给 agent 装一块持久记忆：把要记住的东西写成符合 Google OKF 规范、带元数据的 Markdown 文件 （人能读、能 diff、能 git 管理），同时建一个 SQLite FTS5 索引（agent 能秒查）。

做这个东西的人

fellowgeek（作者 pcbmaker20）的个人项目，MIT 许可，2026-08-13 首次提交。

判断：一个人一天内搭出来的东西，能在 HN 拿到 58 分、35 条评论、repo 当天涨到 124 star， 说明他踩对了时间点——OKF 是 Google 六月中旬刚发布的规范，这是第一个把 OKF 和 MCP 记忆 结合得像样的实现。

它到底能做哪几件事

• 存 → memory_store：把一段记忆写成 OKF v0.2 文档（YAML frontmatter 带 type/key/namespace/tags/sources/verified/stale_after），落到项目目录的 memory/ 下
• 取 → memory_retrieve：按 key 精确取回
• 搜 → memory_search：SQLite FTS5 全文检索加 tag/namespace 过滤，宣称 key 查询 <20ms
• 会话续接 → memory_get_last / memory_update_last：跨会话记录"上次干到哪"，session 开始先恢复断点
• 免配置 → setup.py 一键注册到 Antigravity / Claude / Cursor / Windsurf / Codex

双层设计是关键：数据主体是纯 Markdown 文件（可读、可审查、可版本管理），SQLite 只是 加速索引。这跟"向量库存二进制"的路线相反——先保证人能看懂。

它在替代什么旧行为

现在 agent 的"记忆"有三个不成文方案，都有硬伤。

一是 CLAUDE.md / AGENTS.md 这类手工维护的项目说明文件。你得自己写、自己更新， agent 不会主动往里写东西——这是单向的，不是记忆，是便签。

二是 Claude/Cursor 各家自带的记忆功能，锁死在一家工具里。换工具、换机器，记忆就没了。

三是把整段对话历史喂回去，靠 token 堆出"记得"。贵，且上下文窗口装不下长期记忆。

mcp-memory 替代的是这三者的交集：agent 自己写、自己读、格式开放、跨工具可移植的持久记忆。 HN 上有条评论说得好：MCP server 架构的价值在于 claude.ai 这类"没有文件系统"的表面上也能用。

商业模式

无。 开源免费，无托管服务、无定价页。

判断：记忆是 agent 应用的地基，但地基本身很难收钱——所有同类项目（mem0 等） 都在赌"先占住这个位置，往后靠上层卖钱"。这个 repo 显然也是占坑逻辑。

硬数字

• 124 star / 2 fork，repo 建于 2026-08-13（当日即达）
• HN：58 分、35 条评论（2026-08-13 前后）
• 宣称 sub-20ms key 查询（自报，未复现）
• 依赖：SQLite + Python + FastMCP；无 embedding、无向量库
• 使用人数、生产部署数：未披露

四维评估

判断

这是"趁标准刚发布、把新规范落成工具"的教科书案例。 OKF 六月中旬发布，它八月中就交付了 带规范约束、有双层存储的 MCP 实现，并借 Show HN 拿到远超 repo 星数的讨论量。 速度就是它的护城河尝试——虽然谈不上护城河。

可迁移的规律：押注刚发布的开放标准，做"第一个像样的落地"。 一个新规范的窗口期只有 几个月：太早是白做，标准还会变；太晚是红海。判断标准是规范发布日加生态里还没有能打的实现。 落到产品上：给 agent 存任何结构化记忆，先保证"人是唯一权威"，再谈检索速度。

但 HN 评论区已经把它的软肋问出来了："这和 grep 一个 memory/ 目录有什么区别？" "比 Claude 自带记忆好在哪？有没有 benchmark？"作者没答出 benchmark。当"记录什么、 什么值得记住、怎么让模型真的去读"都没有答案时，124 star 是话题热度，不是产品验证。

还有一个隐藏风险：OKF 是 Google 的规范，v0.2 还很年轻，规范一改， 所有存量记忆的格式都要迁移。

下一步看什么

① 有没有可复现的 benchmark，证明比 Claude 自带记忆 / grep 方案在"任务完成率"上有提升 ② 会不会形成生态（其他项目跟进 OKF + MCP 的组合），还是孤品 ③ 仓库三个月后的活跃度：一次 Show HN 带来的 star 会快速衰减，看的是后续提交和 issue 处理

可借鉴的做法

产品逻辑：做 agent 记忆类功能时，先做"人可读、可审查"的明文存储，再用索引加速， 不要一上来就上向量库。可审计性在 agent 记忆上比检索质量更稀缺。

定价结构：无。开源免费。

结论

持续观察。 时机和完成度都漂亮，但这是"标准落地红利"型项目，不是记忆问题的答案。 产品定义（记住什么）才是记忆赛道的胜负手，它还没碰。三个月后拿上面三条验证。