编辑导读：本文介绍 OpenMemory MCP——一个让多个 AI 工具共享同一记忆库的开源本地记忆层。文章讲解了它的核心特性：所有交互内容都保存在用户自己的设备上；Claude、Cursor、Windsurf 等客户端读取同一个记忆库，无需在每个工具中重复输入上下文；记忆附带主题、时间戳等元数据，便于检索；内置的仪表盘负责浏览、删除以及按客户端设置访问权限。技术上，它将 Qdrant 向量数据库与服务器发送事件（SSE）相结合以实现实时通信。原始教程使用 git clone 和 Docker 在本地构建该服务，不过编者注提到该路径现已被一行命令的安装器取代。核心要点：一份共享的本地记忆胜过在工具之间复制粘贴上下文，前提是你明确将允许读取它的客户端加入白名单。跟随本文操作时可随手查阅的官方页面：mem0 / OpenMemory 仓库、MCP 规范、Cursor 文档。

编者注（2026年10月）：OpenMemory 官方安装方式现已改为一条命令的安装器——npx @openmemory/install——同时覆盖本地自托管和云端选项。下文的手动 git clone 与 Docker 构建流程来自原始教程，已不再是推荐路径。

OpenMemory MCP（Model Context Protocol，模型上下文协议）正式上线，为 AI 工具提供统一的本地记忆共享方案。这款开源工具允许用户将 AI 交互内容存储在本地，并通过 MCP 协议共享给 Claude、Cursor、Windsurf 等受支持的客户端。只需维护一份记忆内容，即可实现跨工具的上下文同步。

OpenMemory MCP Released! Local Sharing of AI Memory, Efficiencies Doubled with One-Click Sync for Claude and Cursor!

核心特性：本地存储、跨工具共享

OpenMemory MCP 通过本地记忆层为兼容 MCP 的客户端提供持久的、具备上下文感知能力的记忆管理。其主要特性包括：

统一的本地存储：所有 AI 交互内容（如项目需求、代码风格偏好）都存储在用户自己的设备上，确保数据隐私与掌控权。

跨工具记忆共享：支持 Claude、Cursor、Windsurf 等 MCP 客户端无缝访问同一个记忆库，免去重复输入上下文的麻烦。

元数据增强：记忆内容附带主题、情感、时间戳等元数据，便于搜索和管理。

可视化仪表盘：内置的 OpenMemory 仪表盘提供集中管理界面，支持记忆的新增、浏览、删除以及客户端访问权限控制。

OpenMemory MCP 使用 Qdrant 向量数据库和服务器发送事件（Server-Sent Events，SSE）来实现高效的记忆存储与实时通信。社交媒体上的反馈显示，开发者对该工具的本地运行和跨工具一致性给出了极高的评价，尤其适合多工具协作场景（https://github.com/mem0ai/mem0/tree/main/openmemory）。

安装与配置

前置条件

开始之前，请确保系统已安装以下软件：

  • Docker 与 Docker Compose
  • Python 3.9+
  • Node.js
  • OpenAI API 密钥
  • GNU Make

详细安装步骤

  1. 克隆代码仓库并设置 OpenAI API 密钥
Copy# Clone the repositorygit clone https://github.com/mem0ai/mem0.gitcd openmemory# Set the OpenAI API key as an environment variableexport OPENAI_API_KEY=your_api_key_here
  1. 配置后端
Copy# Copy the environment file and update OPENAI_API_KEY and other keysmake env# Build all Docker imagesmake build# Start the Postgres, Qdrant, and FastAPI/MCP serversmake up

环境文件 .env.local 将包含以下内容：

OPENAI_API_KEY=your_api_key
  1. 配置前端
Copy# Install dependencies using pnpm and run the Next.js development servermake ui

安装完成后，你可以访问 https://localhost:3000 查看 OpenMemory 仪表盘，它会引导你在 MCP 客户端中安装 MCP 服务器。

实际使用场景

案例一：跨工具项目开发流程

场景：你正在开发一个涉及多个工具和环境的复杂软件项目。

实施步骤：

  1. 连接多个 MCP 客户端

首先，我们需要在每个工具中安装 OpenMemory MCP。从仪表盘获取安装命令：

Copy# Install in Cursornpx @openmemory/install# Install in Claude Desktopnpx @openmemory/install
  1. 在 Claude 中定义项目需求

打开 Claude Desktop，与 AI 讨论并定义你的项目需求：

I'm developing a data synchronization tool called "DataSync" that needs to implement the following functions:1. Support real-time data synchronization from MySQL and PostgreSQL databases2. Provide a REST API interface for monitoring the synchronization status3. Data changes need to be recorded in the event log4. Provide a simple web interface to view the synchronization status

Claude 会给出系统架构方面的建议。此时，它会使用 add_memories() 函数将这段对话记忆存入 OpenMemory MCP。

  1. 在 Cursor 中开发

现在切换到 Cursor 编辑器。你可以直接引用之前的需求和架构设计：

Please write a connector module for the MySQL data source based on the DataSync project architecture we discussed before.

Cursor 会通过 search_memory() 函数检索之前在 Claude 中定义的项目架构，然后生成符合此前讨论的连接器代码。

  1. 在 Windsurf 中调试

遇到问题时，切换到 Windsurf 进行调试：

The MySQL connector of the DataSync project has performance issues when processing a large number of transactions. Do you have any optimization suggestions?

Windsurf 可以通过 OpenMemory MCP 获取之前的上下文，包括项目需求和在 Cursor 中编写的代码，从而给出更准确的调试建议。

  1. 通过仪表盘查看项目记忆

在 OpenMemory 仪表盘中，你可以看到所有已存储的记忆，包括：

  • 项目需求记忆（来自 Claude）
  • 代码实现记忆（来自 Cursor）
  • 调试问题记忆（来自 Windsurf）

你可以按类别、创建日期或应用来筛选这些记忆。

案例二：个性化编程助手

场景：你想创建一个能记住你的编程风格、常见问题及其解决方案的助手。

实施步骤：

  1. 存储编程偏好

在 Cursor 中，告诉 AI 你的编程偏好：

My Python coding style preferences:1. Use type hints2. Each function needs to have a clear docstring3. Use the Black formatting tool4. Use snake_case for variable naming
  1. 创建基础项目配置

在新项目中，让 AI 帮你生成配置：

Please generate the following files for a Python project based on my coding preferences:1. .flake8 configuration2. pyproject.toml (including Black and mypy configuration)3. Example directory structure
  1. 遇到报错时获取帮助

写代码遇到问题时：

I encountered the following error when implementing a SQLAlchemy query:

AI 会解决这个问题，并使用 add_memories() 函数将错误和解决方案存储下来。下次遇到类似问题时，它可以直接检索到这段记忆。

  1. 追踪学习进度

在仪表盘中查看“记忆”部分，你可以看到：

  • 所有已存储的编程问题及解决方案
  • 按技术栈自动分类的记忆（如“Python”、“SQLAlchemy”、“API 设计”等）
  • 访问频率最高的记忆，帮助你发现反复出现的问题

进阶功能与使用技巧

1. 记忆管理

OpenMemory MCP 提供了多种管理记忆的方式：

  • 暂停/启用记忆：你可以在仪表盘中暂停特定记忆的访问权限，在需要临时停用某些信息时非常有用
  • 归档记忆：归档那些暂时不需要、但将来可能用到的记忆
  • 删除记忆：永久移除不再需要的记忆
  • 批量操作：选择多条记忆进行批量暂停、归档或删除

2. 手动创建记忆

除了让 AI 自动存储记忆外，你还可以手动创建记忆：

  1. 在仪表盘中点击“创建记忆”按钮
  2. 输入记忆内容并选择类别
  3. 设置访问权限（哪些应用可以读取这条记忆）

这对于存储重要的项目信息、团队规范或常用代码片段尤其有用。

3. 访问控制

通过细粒度的访问控制，你可以：

  • 控制哪些应用可以访问特定记忆
  • 暂停某个应用的整体写入权限
  • 为不同类型的记忆设置不同的访问级别

例如，你可能希望个人偏好只对 Cursor 可见，而项目架构则对所有工具可见。

常见问题与解决方法

Q1：OpenMemory MCP 服务器无法启动或连接失败。

解决方法：

  1. 确认 Docker Desktop 正在运行
  2. 检查 8765 和 3000 端口是否被其他应用占用
  3. 查看日志：make logs
  4. 重新构建并启动：make down && make build && make up

Q2：记忆未被正确检索。

解决方法：

  1. 确认记忆状态为“Active”（活跃），而不是“Paused”（已暂停）或“Archived”（已归档）
  2. 检查应用访问权限是否设置正确
  3. 尝试调整查询关键词，使其更接近原始记忆内容
  4. 在仪表盘中手动搜索该记忆，确认其存在

Q3：如何跨多台设备共享记忆？

解决方法：目前 OpenMemory MCP 完全在本地运行，尚不支持原生的跨设备同步。不过你可以：

  1. 备份并迁移数据库文件
  2. 等待即将推出的 OpenMemory Cloud 版本，它将提供云同步功能

最佳实践

  1. 有效组织记忆：让 AI 以清晰的结构存储记忆，例如“项目：DataSync/需求”、“代码：SQLAlchemy/错误”
  2. 定期检查与清理：定期查看仪表盘，归档或删除不再需要的记忆，保持记忆库的质量
  3. 自动记忆与手动记忆并用：让 AI 自动存储对话记忆，同时为关键信息手动创建记忆
  4. 善用分类功能：使用仪表盘的分类筛选功能，更高效地管理和检索记忆

结语

OpenMemory MCP 解决了现代 AI 助手最关键的局限之一：上下文丢失与记忆中断。它通过为 AI 提供持久记忆层，实现了真正个性化的 AI 交互体验，提升了多工具工作流的效率，同时保持数据完全本地存储和用户自主掌控。

无论你是在开发复杂项目、开展研究，还是打造个性化助手，OpenMemory MCP 都能显著提升你的 AI 工作流。现在就开始尝试这款强大的工具，让你的 AI 真正理解并“记住”你的工作方式。