Servidor de memória conversacional persistente para fluxos de trabalho de IA baseados em MCP
Waggle-mcp, desenvolvido por Abhigyan Shekhar, é um servidor MCP que fornece uma camada de memória externa para assistentes de IA, registrando o raciocínio do projeto, decisões e estado ao longo do tempo. Ele captura a memória conversacional, extrai fatos em nós de grafo tipados e os armazena em um grafo de conhecimento local para que os agentes mantenham o contexto entre sessões e aplicações. A ferramenta oferece embeddings de transformador de sentença local, consultas temporais e um diagnóstico embutido, tornando-a adequada para desenvolvedores e usuários avançados de assistentes de codificação que precisam de um contexto persistente em todo o projeto e armazenamento que preserva a privacidade.
Quais tarefas você pode realmente usar?
O aplicativo atua como um motor de memória conversacional para hosts MCP, registrando não apenas mensagens, mas também raciocínios de projeto, decisões e mudanças, para que os agentes preservem o contexto após reinicializações da janela de contexto. Ele armazena informações como nós de gráfico digitados e suporta consultas temporais para recuperar o estado do projeto em um determinado momento. O compartilhamento de contexto entre aplicações permite que diferentes clientes MCP acessem a mesma memória, o que se adapta a fluxos de desenvolvimento de múltiplas ferramentas onde a continuidade entre sessões de chat separadas é importante.
Quais entradas e configurações são necessárias?
Ele requer Python 3.11 ou superior e um ambiente host MCP, como Claude Desktop, Cursor, Codex ou Antigravity. O projeto roda em macOS, Linux e Windows quando o suporte a UTF-8 está habilitado. Os caminhos de instalação incluem pipx usando o comando 'pipx install waggle-mcp' seguido por um comando de configuração que auto-configura os clientes MCP suportados. Um diagnóstico embutido, 'waggle-mcp doctor', verifica a saúde da instalação durante a configuração inicial.
A arquitetura de memória é confiável e adequada para projetos sensíveis à privacidade?
Raciocínio baseado em gráfico fundamenta a consistência da memória ao registrar nós digitados e permitir que o sistema represente contradições e a lógica em evolução do projeto, em vez de depender apenas da similaridade vetorial. O aplicativo usa embeddings de transformador de sentença local por padrão, portanto, nenhuma chave de API externa é necessária para vetorização. O armazenamento local utiliza SQLite principalmente, com um backend opcional Neo4j disponível para necessidades mais complexas de banco de dados gráfico, suportando um modelo de privacidade local-primeiro.
Escolha prática para desenvolvedores que precisam de memória contínua de projeto
A ferramenta é uma opção prática para desenvolvedores e usuários avançados que precisam de memória de projeto persistente em vários clientes MCP. Seu design local-primeiro suporta fluxos de trabalho que prezam pela privacidade, mas a adoção depende da integração de um host MCP e do cumprimento do requisito do Python 3.11. Para equipes que aceitam hospedagem local e configuração ocasional, reduz a transferência de contexto repetida e ajuda a manter a continuidade durante o desenvolvimento em múltiplas sessões.
