Memórias de Cuba: Memória Persistente e Grafos de Conhecimento para Agentes de IA
Cuba Memorys é uma ferramenta de servidor MCP criada por Leandropg19, construída com Rust, projetada para fornecer memória persistente de longo prazo para agentes e assistentes de codificação de IA. Ela se integra ao PostgreSQL, utilizando especificamente pgvector para embeddings vetoriais, e oferece uma configuração Docker sem necessidade de configuração para implantação rápida. Esta plataforma permite que os agentes de IA retenham informações entre sessões, prevenindo a perda de conhecimento e aprimorando sua capacidade de realizar tarefas em múltiplas etapas. Sua arquitetura suporta isolamento para múltiplos agentes em ambientes de banco de dados compartilhados, garantindo operação segura e eficiente para aplicações avançadas de IA.
A que se conecta o Cuba Memorys?
O Cuba Memorys funciona como um servidor MCP, conectando-se principalmente a um banco de dados PostgreSQL. Ele usa especificamente o pgvector para gerenciar embeddings vetoriais, que são cruciais para suas capacidades de memória. Embora o PostgreSQL seja o banco de dados principal, ele também oferece um banco de dados SQLite local como uma alternativa para diferentes necessidades de implantação. A ferramenta suporta tanto protocolos de entrada/saída padrão (stdio) quanto protocolos de transporte HTTP, sendo o HTTP especificamente notado como loopback, aderindo à especificação MCP de 2026-07-28. É compatível com clientes de IA como Claude e ChatGPT.
Principais recursos e ferramentas
O Cuba Memorys fornece uma coleção de ferramentas chamáveis, com o total variando entre 19 e 29. As ferramentas principais incluem cuba_pizarra, que gerencia a memória de trabalho temporária para tarefas de agentes de múltiplas etapas, oferecendo recursos como tempo de vida e purgação em massa. cuba_tools ajuda a descobrir e carregar esquemas de ferramentas. Para gerenciamento de erros, cuba_remedio permite marcar erros como resolvidos. Além disso, cuba_puente é central para gerenciar relacionamentos dentro de um grafo de conhecimento, permitindo a criação, travessia, inferência e previsão de conexões entre entidades.
Para quem é?
Esta ferramenta é construída para agentes de codificação de IA e assistentes de IA que requerem capacidades de memória persistente a longo prazo. Ela ajuda esses agentes a pesquisar, raciocinar e ser corrigidos por um grafo de conhecimento, garantindo que não esqueçam detalhes do código entre as sessões. O Cuba Memorys permite que os agentes armazenem e recuperem memória de trabalho temporária, crucial para operações complexas de múltiplas etapas. Também suporta a criação e gerenciamento de relacionamentos do grafo de conhecimento. Pule isso se sua aplicação de IA não exigir memória persistente ou interação com o grafo de conhecimento.
Como começar
Nenhuma credencial é necessária para clientes conectando-se ao servidor, já que o modelo de autenticação interno do programa usa a Segurança a Nível de Linha (RLS) do PostgreSQL para isolamento de dados. O tempo de execução é direcionado a um papel de cuba_app não-superusuário com CUBA_SKIP_MIGRATIONS=1 para garantir interações seguras com o banco de dados. A comunicação ocorre via stdio ou HTTP loopback, alinhando-se à especificação MCP para interação cliente-servidor.
Casos de uso
- Permite que agentes de IA pesquisem, raciocinem e sejam corrigidos por um grafo de conhecimento, evitando que esqueçam detalhes do código entre as sessões.
- Armazena e recupera memória de trabalho temporária para tarefas de agentes de múltiplas etapas usando cuba_pizarra, com recursos como tempo de vida e purgação em massa.
- Cria, gerencia, atravessa, infere e prevê relacionamentos entre entidades em um grafo de conhecimento usando cuba_puente.
Cuba Memorys por Leandropg19 oferece agentes de IA memória persistente e capacidades de gráfico de conhecimento, construído em Rust e apoiado por PostgreSQL com pgvector. Seu design suporta ambientes seguros e isolados para múltiplos agentes através de RLS. A ferramenta fornece um conjunto de funções chamáveis para gerenciar conhecimento temporário e de longo prazo. Seu objetivo é evitar que agentes de IA esqueçam detalhes cruciais em tarefas. Tente criar, gerenciar e percorrer relacionamentos entre entidades em um gráfico de conhecimento usando cuba_puente.
