reasoning-bank-mcp

# ReasoningBank MCP Server <!-- TOC --> - [ReasoningBank MCP Server](#reasoningbank-mcp-server) - [🌟 特性](#-特性) - [🏗️ 架构设计](#️-架构设计) - [🚀 快速开始](#-快速开始) - [1. 代码拉取并进入项目根目录](#1-代码拉取并进入项目根目录) - [2. 安装依赖](#2-安装依赖) - [3. 配置 MCP 客户端](#3-配置-mcp-客户端) - [4. 命令行参数](#4-命令行参数) - [🔧 配置文件（可选）](#-配置文件可选) - [🔧 MCP 工具](#-mcp-工具) - [`retrieve_memory`](#retrieve_memory) - [`extract_memory`](#extract_memory) - [⚙️ 配置说明](#️-配置说明) - [检索策略](#检索策略) - [LLM Provider](#llm-provider) - [记忆管理系统](#记忆管理系统v020) - [📖 使用示例](#-使用示例) - [在 AI 代理中使用](#在-ai-代理中使用) - [🔬 开发](#-开发) - [运行测试](#运行测试) - [代码格式化](#代码格式化) - [📚 参考文献](#-参考文献) - [📝 License](#-license) - [📋 更新日志](#-更新日志) <!-- /TOC --> 随着大语言模型代理在持久性现实角色中的日益普及，它们自然会遇到连续的任务流。然而，一个关键的限制是它们无法从累积的交互历史中学习，迫使它们丢弃宝贵的见解并重复过去的错误。基于论文[ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory](https://arxiv.org/abs/2509.25140)，我们实现了这个记忆增强推理系统，通过 MCP (Model Context Protocol) 协议为 AI 代理提供经验记忆管理能力。 ReasoningBank 提出了一种新颖的记忆框架，能够从代理自身判断的成功和失败经验中提炼出可泛化的推理策略。在测试时，代理从 ReasoningBank 中检索相关记忆来指导其交互，然后将新学到的知识整合回去，使其能够随着时间的推移变得更加强大。这种内存驱动的经验扩展为代理创建了一个新的扩展维度，使它们能够自我进化并产生新兴行为。 ## 🌟 特性 ### 核心功能 - ✅ **记忆提取**：从成功和失败的轨迹中自动提取推理经验 - ✅ **智能检索**：支持多种检索策略（余弦相似度、混合评分等） - ✅ **异步处理**：记忆提取支持异步模式，不阻塞 AI 代理 - ✅ **多模型支持**：DashScope（通义千问）、OpenAI、Claude 等 - ✅ **灵活扩展**：插件化架构，易于扩展新的检索策略和存储后端 - ✅ **记忆隔离**：支持Claude的SubAgent模式，每个SubAgent独立管理自己的记忆 ### 智能记忆管理（v0.2.0+） - ✅ **自动去重**：防止重复经验存储，支持语义去重 - ✅ **智能合并**：将相似经验提炼为通用规则（LLM驱动或投票式） - ✅ **经验归档**：合并后的原始经验可追溯，支持审计 - ✅ **后台处理**：去重和合并自动在后台执行，不阻塞主流程 - ✅ **空间优化**：通过去重和合并，节省 50-80% 存储空间 ## 🏗️ 架构设计 ``` reasoning-bank-mcp/ ├── src/ │ ├── server.py # MCP 服务器入口 │ ├── config.py # 配置管理 │ ├── tools/ # MCP 工具 │ │ ├── retrieve_memory.py # 检索记忆 │ │ └── extract_memory.py # 提取记忆 │ ├── retrieval/ # 检索策略 │ │ ├── base.py # 抽象接口 │ │ ├── factory.py …