Membase MCP Server

O que faz o servidor “Membase” MCP?

O Membase MCP (Model Context Protocol) Server atua como um gateway de memória leve e descentralizado para agentes de IA, conectando-os ao Membase para memória multi-sessão segura, persistente e verificável. Alimentado pelo Unibase, permite que assistentes de IA façam upload e recuperem histórico de conversas, registros de interações e conhecimento, garantindo continuidade do agente, personalização e rastreabilidade. Ao integrar-se ao protocolo Membase, o servidor possibilita o armazenamento e a recuperação contínua de dados de memória na rede descentralizada Unibase, apoiando casos de uso onde memória persistente e inviolável é vital para fluxos de trabalho orientados por IA.

Lista de Prompts

Nenhum template de prompt é mencionado no repositório.

Lista de Recursos

Nenhum recurso explícito de MCP é descrito no repositório.

Lista de Ferramentas

• get_conversation_id: Recupera o ID da conversa atual, permitindo que agentes identifiquem ou referenciem a sessão em andamento.
• switch_conversation: Altera o contexto ativo para uma conversa diferente, suportando fluxos de trabalho multi-sessão.
• save_message: Armazena uma mensagem ou memória na conversa atual, garantindo persistência e rastreabilidade.
• get_messages: Busca as últimas n mensagens da conversa em andamento, permitindo que agentes relembrem contexto ou histórico recente.

Casos de uso deste MCP Server

• Memória Persistente de Conversa: Armazene e recupere históricos completos de conversas, garantindo contexto contínuo para agentes de IA entre sessões.
• Gerenciamento Multi-sessão: Troque facilmente entre diferentes conversas, permitindo a um agente lidar com múltiplos usuários ou projetos.
• Trilhas de Auditoria Verificáveis: Todas as interações são armazenadas em uma rede descentralizada, tornando-as invioláveis e auditáveis para conformidade ou depuração.
• Personalização: Recupere interações passadas dos usuários para personalizar respostas e ações com base em preferências históricas.
• Retenção de Conhecimento: Salve e recupere fragmentos de conhecimento ou decisões, construindo uma base de conhecimento ao longo do tempo para comportamentos de IA mais inteligentes.

Como configurar

Windsurf

1. Certifique-se de que os pré-requisitos estejam instalados (por exemplo, Python, executor uv).
2. Clone o repositório:
   git clone https://github.com/unibaseio/membase-mcp.git
3. Localize seu arquivo de configuração do Windsurf.
4. Adicione a configuração do Membase MCP Server:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "sua conta, 0x...",
        "MEMBASE_CONVERSATION_ID": "seu id de conversa, deve ser único",
        "MEMBASE_ID": "sua subconta, qualquer string"
      }
    }
  }
}

5. Salve e reinicie o Windsurf para aplicar as alterações.

Protegendo as Chaves de API:
Use variáveis de ambiente no bloco env para manter as credenciais seguras.

Claude

1. Instale as dependências (executor uv e Python).
2. Clone o repositório membase-mcp.
3. Edite o arquivo de configuração MCP do Claude.
4. Insira o seguinte trecho JSON:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "sua conta, 0x...",
        "MEMBASE_CONVERSATION_ID": "seu id de conversa, deve ser único",
        "MEMBASE_ID": "sua subconta, qualquer string"
      }
    }
  }
}

5. Salve e reinicie o Claude.

Nota: Armazene informações sensíveis como variáveis de ambiente.

Cursor

1. Instale os pré-requisitos (Python, uv).
2. Clone o repositório membase-mcp.
3. Encontre e abra o arquivo de configuração do Cursor.
4. Adicione o servidor conforme mostrado:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "sua conta, 0x...",
        "MEMBASE_CONVERSATION_ID": "seu id de conversa, deve ser único",
        "MEMBASE_ID": "sua subconta, qualquer string"
      }
    }
  }
}

5. Salve e reinicie o Cursor.

Cline

1. Instale as dependências (uv, Python).
2. Clone o repositório.
3. Abra o arquivo de configuração do Cline.
4. Adicione a configuração do servidor:

{
  "mcpServers": {
    "membase": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/membase-mcp",
        "run", 
        "src/membase_mcp/server.py"
      ],
      "env": {
        "MEMBASE_ACCOUNT": "sua conta, 0x...",
        "MEMBASE_CONVERSATION_ID": "seu id de conversa, deve ser único",
        "MEMBASE_ID": "sua subconta, qualquer string"
      }
    }
  }
}

5. Salve e reinicie o Cline.

Protegendo as Chaves de API:
Todas as credenciais sensíveis devem ser passadas no objeto env como mostrado acima para evitar hardcode.

Como usar este MCP em fluxos

Usando MCP no FlowHunt

Para integrar servidores MCP ao seu fluxo de trabalho no FlowHunt, comece adicionando o componente MCP ao seu fluxo e conectando-o ao seu agente de IA:

Clique no componente MCP para abrir o painel de configuração. Na seção de configuração MCP do sistema, insira os detalhes do seu servidor MCP usando este formato JSON:

{
  "MCP-name": {
    "transport": "streamable_http",
    "url": "https://seumcpserver.example/pathtothemcp/url"
  }
}

Uma vez configurado, o agente de IA poderá usar este MCP como ferramenta com acesso a todas as suas funções e capacidades. Lembre-se de alterar “MCP-name” para o nome real do seu servidor MCP (por exemplo, “github-mcp”, “weather-api”, etc.) e substituir a URL pela URL do seu próprio servidor MCP.

Visão Geral

Com base nas informações disponíveis, o Membase MCP Server fornece ferramentas essenciais de memória e instruções claras de configuração, mas carece de templates de prompt, recursos explícitos de MCP e menção a sampling ou suporte a roots. Isso o torna funcional para fluxos de trabalho centrados em memória, porém limitado em extensibilidade e recursos avançados de MCP. No geral, é prático, porém básico.

Pontuação MCP