工具資訊
| 項目 | 值 |
|---|---|
| 名稱 | localmem-mcp |
| 類型 | MCP server（agent 記憶體） |
| GitHub | OpenAgentHQ/localmem-mcp |
| Stars | 6 |
| 語言 | Python |
| 授權 | MIT |
| 安裝 | uvx localmem-mcp（免安裝直接跑）或 pip install localmem-mcp |
解決什麼問題
你是否遇過這個狀況：昨天在 Claude Code 裡跟 agent 討論完架構決策，今天開新 session，agent 完全不記得「我們為什麼選 SQLite 而不是 Postgres」，只能重新解釋一次。市面上的記憶體 MCP（Mem0 的 OpenMemory、Zep/Graphiti）確實解決了跨 session 記憶的問題，但代價是每次存取都要多繞一圈：存記憶要叫一次 LLM 抽取事實，查記憶又要叫一次 LLM 做語意理解，而且通常還得掛一個 vector DB 或 graph DB（Qdrant、Neo4j）常駐服務，外加一組 API key。
localmem-mcp 把「記憶」拆成兩塊：寫入時用本機 embedding 模型（fastembed，ONNX，384 維）算一次向量存進 SQLite；查詢時做 cosine similarity + FTS5 關鍵字比對的 hybrid search，兩者都在本機算，全程不呼叫任何 LLM。整個服務就是一個 SQLite 檔案加一個嵌入式 embedding 模型，沒有額外的資料庫、沒有雲端 API、沒有按次計費。
適合場景：個人開發機上跨 session 保留專案決策脈絡、不想為了一個記憶功能而多開一個 Docker Compose stack、或是需要多個 coding agent（Claude Code、Cursor、Codex 都裝）共用同一份記憶而不想同步多套雲端帳號。
快速上手
安裝
# 免安裝，uvx 直接抓來跑
claude mcp add localmem -- uvx localmem-mcp
# 或先裝再用
pip install localmem-mcp.mcp.json / claude_desktop_config.json 設定：
{
"mcpServers": {
"localmem": {
"command": "uvx",
"args": ["localmem-mcp"]
}
}
}基本用法
Agent 拿到四個工具：store_memory、search_memory、recall_memory、memory_stats。實際使用是自然語言驅動，不用手動呼叫：
你：「記住我們這個專案選 SQLite 不選 Postgres，因為它是單一檔案，部署簡單。」
→ agent 呼叫 store_memory，存進 ~/.localmem/memories.db
（隔天，新 session）
你：「我們資料庫選了什麼？」
→ agent 呼叫 search_memory，用語意比對找到「SQLite」那筆記憶並回答也有獨立 CLI 和 Python library 可以直接操作，不透過 agent：
localmem-mcp add "Deploys go out on Thursdays" --tag ops
localmem-mcp search "when do we ship?"
localmem-mcp export > memories.jsonl # 記憶可以整批匯出帶走進階用法
用環境變數把不同專案的記憶分開存，避免跨專案污染：
export LOCALMEM_DB_PATH=~/.localmem/project-a.db
export LOCALMEM_MODEL=BAAI/bge-small-en-v1.5 # fastembed 支援的模型都能換與現有工具的比較
| localmem-mcp | OpenMemory MCP (Mem0) | mem0-mcp-server | Zep / Graphiti | |
|---|---|---|---|---|
| 雲端呼叫 | 零（模型只在首次使用下載一次） | 有，寫入要叫 LLM 抽取事實 | 有，走 Mem0 託管平台 | 有，LLM 建構/更新知識圖譜 |
| 需要 API key | 不需要 | 需要 OPENAI_API_KEY | 需要 MEM0_API_KEY | 需要 LLM provider key |
| recall 路徑會叫 LLM | 不會，純本機 cosine similarity + FTS5 | 會 | 會 | 會，圖譜遍歷/摘要都靠 LLM |
| 安裝footprint | pip install 或 uvx，無其他服務 | Docker Compose（API + vector DB） | 套件 + Mem0 託管帳號 | 自架 graph DB + LLM，或 Zep Cloud |
| 資料儲存 | 一個 SQLite 檔案 | Qdrant + history DB | Mem0 託管儲存 | Neo4j / FalkorDB |
（比較基準取自各專案 2026 年 8 月的官方文件，實際依需求以最新 README 為準。）
注意事項
- 不是知識圖譜：localmem-mcp 刻意停留在「SQLite + embedding」這一層，不做實體關聯推理，這是 Zep/Graphiti 這類 graph DB 方案的強項，若需要跨記憶的關聯推理，這工具不是對的選擇。
- 首次使用會下載模型：唯一一次網路請求是從 Hugging Face 抓約 90MB 的 embedding 模型，之後才是真正離線。若在完全隔離的環境跑，記得先手動下載好模型。
- 早期專案：建立於 2026-08-14，只有 6 stars、12 個 open issues，API 介面仍可能變動，正式導入前建議先鎖 PyPI 版本號。
今日收穫
大部分「Agent 記憶體」工具把「記得住」和「用 LLM 理解語意」綁在一起賣，讓人以為想要語意搜尋就一定要接雲端 LLM。localmem-mcp 證明這兩件事可以拆開：語意搜尋只需要一個本機 embedding 模型算向量算相似度，完全不需要在查詢路徑上再燒一次 LLM 的 token。
參考資料
Loading...