你有没有想过，如果AI能够记住每次对话中的细节和偏好，会带来怎样的全新体验？听起来很酷，对吧？但在实际与AI交流时，我们往往需要重复自我介绍，仿佛初次见面。这个问题的根源在于AI缺乏长期记忆能力。今天要介绍的解决方案，是一个基于MCP的知识图谱记忆系统——它能帮助AI实现真正的跨应用长时记忆。

在深入了解具体工具之前，让我们先厘清一个核心概念：知识图谱。

知识图谱本质上是一种更智能的数据库。与传统数据库将信息存放在行列表格中不同，它采用图结构来组织数据——节点与节点之间通过连线表示彼此的关系。

例如，在知识图谱中：

"马云"（一个节点）→ "创立"（一条线）→ "阿里巴巴"（另一个节点）
"阿里巴巴"（节点）→ "总部位于"（线）→ "杭州"（节点）

可以看出，这种结构天然适合描述复杂的关系网络。AI可以沿着这些连线，理解不同信息之间的逻辑关联。搜索引擎、推荐系统、智能问答等应用，都离不开这一技术。

而现在，我们可以更进一步：将知识图谱直接作为AI的“长期记忆库”。这正是Memory MCP Server所实现的功能。

它的设计思路非常清晰：采用图结构存储知识，包含三个核心元素：实体（Entities）——图中的节点，每个节点拥有名称、类型和观察列表；关系（Relations）——实体之间的联系，用主动语态表述；观察（Observations）——与实体相关的具体事实或细节。

系统提供了丰富的API，支持以下操作：创建和删除实体、建立和管理实体间的关系、添加或移除实体的观察记录、利用强大的搜索功能快速定位信息。

所有数据以JSON格式持久化存储。这意味着AI能够在不同会话之间、跨应用地保留记忆。今天讨论的话题明天继续，AI不会遗忘。

如何快速上手？

首先，从GitHub Releases页面下载预编译的二进制文件，或者从源代码自行构建：

git clone https://github.com/okooo5km/memory-mcp-server-go.git
cd memory-mcp-server-go
make

接下来进行配置：

"mcpServers": {
  "memory": {
    "command": "memory-mcp-server-go",
    "env": {
      "MEMORY_FILE_PATH": "/Path/Of/Your/memory.json"
    }
  }
}

配置完成后，你就可以用它来存储和检索跨对话的信息。记录用户的重要细节和偏好，这些功能尽在掌握。

实际使用测试

（注意：请勿使用Trae，该MCP在Trae上无法正常运行。）

保存图数据、提取信息、整理成可读内容，这些操作都非常直观。本地保存的数据格式如下：

{
  "type": "entity",
  "name": "北京之旅",
  "entityType": "行程",
  "observations": [
    "用户计划于2025年4月25日前往北京"
  ]
}

下面解释这些字段的含义：

"type": "entity"——表示这是一个实体对象，在知识图谱中将被创建为一个节点。

"name": "北京之旅"——实体的名称，唯一标识符，用于在知识图谱中引用该实体。

"entityType": "行程"——实体的类型，指明该实体属于“行程”类别，便于分类管理。

"observations"——与该实体相关的观察记录或事实，例如：用户计划在2025年4月25日前往北京。

这正是关键所在——它使AI的“记忆”不再是临时缓存，而是一个真正可检索的长期知识库。