A
securityF
licenseA
qualityProvides tools for managing quantitative research knowledge graphs, enabling structured representation of research projects, datasets, variables, hypotheses, statistical tests, models, and results.
Last updated -
6
8
Servidor MCP de memoria
Un servidor de Protocolo de Contexto de Modelo (MCP) que proporciona una funcionalidad de gráfico de conocimiento para administrar entidades, relaciones y observaciones en la memoria, con reglas de validación estrictas para mantener la consistencia de los datos.
Instalación
Instalar el servidor en Claude Desktop:
mcp install main.py -v MEMORY_FILE_PATH=/path/to/memory.jsonl
Reglas de validación de datos
Nombres de entidades
Debe comenzar con una letra minúscula
Puede contener letras minúsculas, números y guiones.
Longitud máxima de 100 caracteres
Debe ser único dentro del gráfico
Ejemplos de nombres válidos:
python-project,meeting-notes-2024,user-john
Tipos de entidad
Se admiten los siguientes tipos de entidades:
person: Entidades humanasconcept: Ideas o principios abstractosproject: Iniciativas o tareas de trabajodocument: Cualquier forma de documentacióntool: Herramientas o utilidades de softwareorganization: Empresas o gruposlocation: Lugares físicos o virtualesevent: Sucesos limitados en el tiempo
Observaciones
Cadenas no vacías
Longitud máxima de 500 caracteres
Debe ser único por entidad
Deben ser declaraciones fácticas y objetivas.
Incluir marca de tiempo cuando sea relevante
Relaciones
Se admiten los siguientes tipos de relación:
knows: Conexión de persona a personacontains: Relación padre/hijouses: Entidad que utiliza otra entidadcreated: Relación de autoría/creaciónbelongs-to: Membresía/propiedaddepends-on: Relación de dependenciarelated-to: Relación genérica
Reglas de relación adicionales:
Deben existir tanto las entidades de origen como las de destino
No se permiten relaciones autorreferenciales
No se permiten dependencias circulares
Debe utilizar tipos de relación predefinidos
Uso
El servidor proporciona herramientas para gestionar un gráfico de conocimiento:
Obtener entidad
result = await session.call_tool("get_entity", {
"entity_name": "example"
})
if not result.success:
if result.error_type == "NOT_FOUND":
print(f"Entity not found: {result.error}")
elif result.error_type == "VALIDATION_ERROR":
print(f"Invalid input: {result.error}")
else:
print(f"Error: {result.error}")
else:
entity = result.data
print(f"Found entity: {entity}")
Obtener gráfico
result = await session.call_tool("get_graph", {})
if result.success:
graph = result.data
print(f"Graph data: {graph}")
else:
print(f"Error retrieving graph: {result.error}")
Crear entidades
# Valid entity creation
entities = [
Entity(
name="python-project", # Lowercase with hyphens
entityType="project", # Must be a valid type
observations=["Started development on 2024-01-29"]
),
Entity(
name="john-doe",
entityType="person",
observations=["Software engineer", "Joined team in 2024"]
)
]
result = await session.call_tool("create_entities", {
"entities": entities
})
if not result.success:
if result.error_type == "VALIDATION_ERROR":
print(f"Invalid entity data: {result.error}")
else:
print(f"Error creating entities: {result.error}")
Añadir observación
# Valid observation
result = await session.call_tool("add_observation", {
"entity": "python-project",
"observation": "Completed initial prototype" # Must be unique for entity
})
if not result.success:
if result.error_type == "NOT_FOUND":
print(f"Entity not found: {result.error}")
elif result.error_type == "VALIDATION_ERROR":
print(f"Invalid observation: {result.error}")
else:
print(f"Error adding observation: {result.error}")
Crear relación
# Valid relation
result = await session.call_tool("create_relation", {
"from_entity": "john-doe",
"to_entity": "python-project",
"relation_type": "created" # Must be a valid type
})
if not result.success:
if result.error_type == "NOT_FOUND":
print(f"Entity not found: {result.error}")
elif result.error_type == "VALIDATION_ERROR":
print(f"Invalid relation data: {result.error}")
else:
print(f"Error creating relation: {result.error}")
Buscar memoria
result = await session.call_tool("search_memory", {
"query": "most recent workout" # Supports natural language queries
})
if result.success:
if result.error_type == "NO_RESULTS":
print(f"No results found: {result.error}")
else:
results = result.data
print(f"Search results: {results}")
else:
print(f"Error searching memory: {result.error}")
La función de búsqueda admite:
Consultas temporales (por ejemplo, "más reciente", "último", "más reciente")
Consultas de actividad (p. ej., "entrenamiento", "ejercicio")
Búsquedas generales de entidades
Coincidencia difusa con un umbral de similitud del 80 %
Búsqueda ponderada en:
Nombres de entidades (peso: 1.0)
Tipos de entidad (peso: 0,8)
Observaciones (peso: 0,6)
Eliminar entidades
result = await session.call_tool("delete_entities", {
"names": ["python-project", "john-doe"]
})
if not result.success:
if result.error_type == "NOT_FOUND":
print(f"Entity not found: {result.error}")
else:
print(f"Error deleting entities: {result.error}")
Eliminar relación
result = await session.call_tool("delete_relation", {
"from_entity": "john-doe",
"to_entity": "python-project"
})
if not result.success:
if result.error_type == "NOT_FOUND":
print(f"Entity not found: {result.error}")
else:
print(f"Error deleting relation: {result.error}")
Vaciar memoria
result = await session.call_tool("flush_memory", {})
if not result.success:
print(f"Error flushing memory: {result.error}")
Tipos de error
El servidor utiliza los siguientes tipos de errores:
NOT_FOUND: Entidad o recurso no encontradoVALIDATION_ERROR: Datos de entrada no válidosINTERNAL_ERROR: Error del lado del servidorALREADY_EXISTS: El recurso ya existeINVALID_RELATION: Relación no válida entre entidades
Modelos de respuesta
Todas las herramientas devuelven respuestas tipificadas utilizando estos modelos:
Respuesta de entidad
class EntityResponse(BaseModel):
success: bool
data: Optional[Dict[str, Any]] = None
error: Optional[str] = None
error_type: Optional[str] = None
Respuesta gráfica
class GraphResponse(BaseModel):
success: bool
data: Optional[Dict[str, Any]] = None
error: Optional[str] = None
error_type: Optional[str] = None
OperaciónRespuesta
class OperationResponse(BaseModel):
success: bool
error: Optional[str] = None
error_type: Optional[str] = None
Desarrollo
Ejecución de pruebas
pytest tests/
Añadiendo nuevas funciones
Actualizar las reglas de validación en
validation.pyAgregar pruebas en
tests/test_validation.pyImplementar cambios en
knowledge_graph_manager.py
This server cannot be installed
hybrid server
The server is able to function both locally and remotely, depending on the configuration or use case.
Proporciona una funcionalidad de gráfico de conocimiento para administrar entidades, relaciones y observaciones en la memoria con reglas de validación estrictas para mantener la consistencia de los datos.
Related Resources
Related MCP Servers
- AsecurityFlicenseAqualityProvides tools for managing qualitative research knowledge graphs, enabling structured representation of research projects, participants, interviews, observations, codes, themes, and findings.Last updated -66
- -securityFlicense-qualityEnables storage and retrieval of knowledge in a graph database format, allowing users to create, update, search, and delete entities and relationships in a Neo4j-powered knowledge graph through natural language.Last updated -3
- -securityFlicense-qualityProvides persistent graph memory with automatic disk storage for building knowledge graphs, storing entity relationships, and maintaining context across sessions.Last updated -