SSD Nodes Learn Hosting plans →
راهنماها Matt Connorتوسط Matt Connor

Memmy؛ حافظه مشترک عامل‌های AI روی VPS

Memmy یک مخزن حافظه محلی مشترک برای عامل‌های AI است. آن را از کد منبع روی Ubuntu بسازید، سرویس را روی پورت 18960 اجرا کنید و یادداشت‌ها را محلی نگه دارید.

Verified Every command ran end-to-end on a fresh Ubuntu 24.04 server, July 31, 2026.

Memmy چیست و چه چیزی را ذخیره می‌کند

Memmy یک هاب حافظه محلی برای ایجنت‌های هوش مصنوعی است که روی VPS (سرور مجازی خصوصی) شما اجرا می‌شود. این ابزار یک دیتابیس SQLite از آموخته‌های ایجنت‌های شما نگهداری می‌کند و تمام ایجنت‌های موجود در آن سیستم، از همان مخزن مشترک می‌خوانند و در آن می‌نویسند. این پروژه memmy-agent از MemTensor است، تحت مجوز MIT ارائه شده و تا تاریخ 1 نوامبر 2026 در نسخه 1.2.401 قرار دارد؛ Memory به‌طور مستقل در نسخه 2.1.7 است.

تنها بخشی از آن روی سرور اهمیت دارد. Memmy یک سرویس حافظه ارائه می‌دهد که روی http://127.0.0.1:18960 گوش می‌دهد، یک رابط خط فرمان (CLI) memmy-memory که با آن سرویس ارتباط برقرار می‌کند، و یک محیط کاری دسکتاپ. محیط کاری فقط برای macOS و Windows بسته‌بندی شده است، بنابراین روی یک VPS لینوکسی، شما سرویس و CLI را اجرا می‌کنید. این برای فراهم کردن حافظه مشترک برای Claude Code، Codex و Cursor کافی است.

Memmy داده‌های ذخیره‌شده خود را در چهار لایه دسته‌بندی می‌کند. Capture ابتدا یک Raw Turn جداگانه ذخیره می‌کند، سپس برای هر مرحله ضبط‌شده یک آیتم L1 Trace می‌نویسد که شامل درخواست‌ها، پاسخ‌ها، فراخوانی ابزارها و نتایج است. L2 Policy رویه‌ای است که از تریس‌هایی که مفید واقع شده‌اند، استخراج می‌شود. L3 World Model دانش پایدار درباره یک پروژه یا محیط است. Skill یک رویه قابل فراخوانی است که از یک سیاست متبلور شده است. Capture تریس‌های L1 را ایجاد می‌کند، کارهای پس‌زمینه لایه‌های بالاتر را تکامل می‌دهند و نوشتن‌های صریح می‌توانند یک لایه را انتخاب کنند. اگر این تمایزها انتزاعی به نظر می‌رسند، حافظه یکی از مراحل بعدی در مسیر مرحله‌بندی‌شده برای یادگیری ساخت ایجنت‌ها است و این لایه‌ها زمانی که خودتان یک حلقه ایجنت ساده نوشته باشید و فراموشی آن بین هر اجرا را مشاهده کرده باشید، معنای بیشتری پیدا می‌کنند.

تغییرات هاب حافظه اشتراکی در مقایسه با حافظه اختصاصی هر ابزار

امروزه هر agent حافظه مخصوص به خود را دارد. Claude Code فایل‌های دستورالعمل را در مخزن (repository) نگه می‌دارد. Cursor قوانین را در دیتابیس فضای کاری (workspace) خود ذخیره می‌کند. Codex لاگ‌های نشست (session) را در ~/.codex نگهداری می‌کند. هر مخزن متعلق به یک ابزار است؛ بنابراین واقعیتی که روز دوشنبه در یک ابزار به آن آموخته‌اید، روز سه‌شنبه در ابزاری دیگر ناشناخته است. شما هزینه این موضوع را دو بار می‌پردازید: یک بار با مصرف توکن برای توضیح مجدد همان پروژه، و بار دیگر با انجام کار اشتباه زمانی که یک agent بر اساس فرضی عمل می‌کند که قبلاً در جای دیگری آن را اصلاح کرده‌اید.

یک هاب، محل ذخیره‌سازی را از ابزار جدا می‌کند. Memmy همچنین مخازن موجود را می‌خواند، بنابراین شما کار را از یک دیتابیس خالی شروع نمی‌کنید. اسکنر آن ده منبع داخلی را می‌شناسد: Claude Code در ~/.claude/projects/**/*.jsonl، Codex در ~/.codex/sessions/<YYYY>/<MM>/<DD>/rollout-*.jsonl، OpenCode در ~/.local/share/opencode/opencode.db، فایل‌های state.vscdb در Cursor، دیتابیس‌های SQLite مربوط به OpenClaw در ~/.openclaw، Hermes در ~/.hermes، DeepSeek Harness در ~/.dsh/sessions، WorkBuddy در ~/.workbuddy/projects، Pi در ~/.pi/agent/sessions و QwenWork در ~/.qwenworkcn/projects. میز کار دسکتاپ می‌تواند یک agent دیگر را با نام اضافه کند و تنها زمانی که نتواند خودِ agent را پیدا کند، مسیر تاریخچه (history path) آن را می‌پرسد. اسکنر سمت سرور منبع سفارشی ندارد، بنابراین روی یک VPS بدون رابط کاربری (headless)، فقط به منابع داخلی دسترسی خواهید داشت.

شمارنده‌های واردات (import counters) با هم مطابقت نخواهند داشت و این مورد انتظار است. اسکنر پیام‌ها را بر اساس منبع و گفتگو گروه‌بندی می‌کند و سپس برای هر نوبت (turn) کامل، یک حافظه L1 می‌نویسد. یک نوبت زمانی کامل محسوب می‌شود که دارای محتوای کاربری غیرخالی باشد و با یک پیام غیرخالی از سمت دستیار پایان یابد؛ بنابراین یک نوبت ناقص تا زمانی که همگام‌سازی بعدی آن را تکمیل نکند، هیچ تأثیری ندارد. پیام‌ها با استفاده از نقاط بررسی گفتگو (conversation checkpoints) و شناسه‌های پایدار نوبت، حذف تکراری (deduplicate) می‌شوند. تعداد اسکن‌شده، تعداد پیام‌های واردشده و تعداد حافظه جدید در یک اجرای واحد، همگی با هم متفاوت هستند.

این بخشی است که با نحوه مدیریت context توسط Claude Code در یک نشست واحد جفت می‌شود. مدیریت context تعیین می‌کند چه چیزی در یک پنجره واحد جای می‌گیرد. هاب حافظه تعیین می‌کند چه چیزی پس از بسته شدن آن پنجره باقی می‌ماند.

پیش‌نیازهای لازم روی VPS

  • نسخه Node.js 22 یا جدیدتر. مستندات Memmy به این نسخه نیاز دارد، در حالی که Ubuntu 24.04 به‌صورت پیش‌فرض Node 18 را ارائه می‌دهد.
  • git و یک زنجیره ابزار ساخت (build toolchain)، زیرا better-sqlite3 یک ماژول native است که ممکن است در حین نصب کامپایل شود.
  • رم کافی برای نصب root workspace و زنجیره ساخت frontend آن.
  • فضای دیسک آزاد برای node_modules و پایگاه داده.
sudo apt update
sudo apt install -y git build-essential python3 curl ca-certificates sqlite3
curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash -
sudo apt install -y nodejs
node --version

node --version باید نسخه v22 یا بالاتر را برای ساخت از منبع (source build) طبق مستندات نمایش دهد. مشاهده v18 در اینجا به این معنی است که مرحله NodeSource به‌درستی اعمال نشده است. مقدار پیش‌فرض engine-strict در npm برابر با false است، بنابراین اعلامیه engine ناسازگار معمولاً به‌جای توقف خودکار نصب، فقط یک هشدار تولید می‌کند.

نصب Memmy از سورس روی Ubuntu 24.04

git clone https://github.com/MemTensor/memmy-agent.git
cd memmy-agent
cp .env.example .env
npm install
npm run memory:build

npm run memory:build فضای کاری @memmy/memory را در Memory/dist کامپایل می‌کند. این دستور همچنین AgentSourceCore، نمایشگر حافظه و دارایی‌های یکپارچه‌سازی مورد نیاز آن فضای کاری را می‌سازد. بررسی کنید که ماژول native بارگذاری شده باشد:

node -e "const Database = require('better-sqlite3'); const db = new Database(':memory:'); db.close(); console.log('better-sqlite3 loads')"

اگر آن خط به جای چاپ کردن خروجی، خطا داد، خطا را بخوانید تا علت عدم بارگذاری یا شکست در مقداردهی اولیه پایگاه داده را شناسایی کنید. برای عدم تطابق ماژول native، دستور npm rebuild better-sqlite3 را اجرا کنید؛ این دقیقاً همان کاری است که اسکریپت شروع خود پروژه پیش از اجرای هر چیزی انجام می‌دهد.

فایل README دستور bash scripts/dev-start.sh را به عنوان روش شروع با یک دستور معرفی می‌کند. آن را روی یک VPS بدون رابط گرافیکی (headless) اجرا نکنید. این دستور shell دسکتاپ Electron و یک سرور توسعه Vite را روی پورت 19000 در کنار سرویس حافظه اجرا می‌کند و از آنجا که Electron به نمایشگر نیاز دارد، در سروری که نشست گرافیکی ندارد، اسکریپت متوقف شده یا خارج می‌شود.

نسخه‌های اخیر همچنین memmy-agent-linux-cli.tar.gz و یک install.sh برای لینوکس x64 و arm64 ضمیمه می‌کنند. نصب‌کننده به Node.js نسخه 22.23.4 به بالا در شاخه 22.x، نسخه 24.22.1 به بالا در شاخه 24.x، یا نسخه 26.12.1 به بالا در شاخه 26.x و همچنین یک نشست کاربری systemd نیاز دارد؛ این نصب‌کننده سایر نسخه‌های اصلی (major) را رد می‌کند. این ابزار لانچرهای memmy و memmy-memory را در ~/.local/bin قرار می‌دهد و سرویس حافظه را به عنوان یک unit کاربری روی 127.0.0.1:18960 اجرا می‌کند. این راهنما ساخت از سورس را حفظ می‌کند، زیرا مسیری است که در آن می‌توانید پیش از اجرای هر اسکریپت، محتوای آن را مطالعه کنید.

راه‌اندازی سرویس حافظه و بررسی پاسخ‌دهی آن

npm run memory:serve:dev

این روش مستند برای اجرای سرویس حافظه از روی سورس‌کد است. این سرویس روی 127.0.0.1:18960 گوش می‌دهد، پایگاه داده را در ~/.memmy/memory-service/memory.sqlite نگه می‌دارد و تنظیمات را از ~/.memmy/config.yaml می‌خواند. اگر می‌خواهید مقادیر را به‌صورت صریح تعیین کنید، سرور همان مقادیر را به‌عنوان فلگ می‌پذیرد:

npm run memory:serve:dev -- \
  --host 127.0.0.1 --port 18960 \
  --db ~/.memmy/memory-service/memory.sqlite \
  --config ~/.memmy/config.yaml

از یک ترمینال دوم، از سرویس بپرسید که آیا فعال است:

curl -sS http://127.0.0.1:18960/api/v1/health

بررسی سلامت (Health) نیازی به توکن ندارد و به همین دلیل بهترین ابزار برای پایش است. اگر دستور curl با کد خروجی 7 و پیام Failed to connect to 127.0.0.1 port 18960 متوقف شد، یعنی اتصال برقرار نشده است؛ اما این به تنهایی مشخص نمی‌کند که آیا listener وجود دارد یا خیر. آدرس، پورت و فایروال محلی را بررسی کنید و ترمینالی که سرویس در آن اجرا می‌شود را برای مشاهده خطاهای راه‌اندازی بخوانید. پس از بالا آمدن سرویس، ss -lntp | grep 18960 وجود سوکت را تأیید می‌کند.

باقی API (رابط برنامه‌نویسی کاربردی) HTTP در مسیر /api/v1 قرار دارد.

  • POST /api/v1/memory/add یک حافظه می‌نویسد و POST /api/v1/memory/search آن را جستجو می‌کند.
  • GET /api/v1/memory/:id و DELETE /api/v1/memory/:id یک ورودی را می‌خوانند و حذف می‌کنند.
  • POST /api/v1/sessions/open و POST /api/v1/sessions/:sessionId/close یک نشست عامل (agent session) را محدود می‌کنند.
  • POST /api/v1/turns/start و POST /api/v1/turns/:turnId/complete یک نوبت (turn) را ثبت می‌کنند.
  • GET /api/v1/panel/overview، /api/v1/panel/analysis و /api/v1/panel/items داده‌های داشبورد را تأمین می‌کنند.

Memmy مجموعه‌ای از پورت‌ها را رزرو می‌کند و در حالت headless فقط از اولین مورد استفاده می‌کنید: 18960 برای حافظه، 18970 برای سلامت gateway، 18980 برای رابط کاربری وب و مدیریت HTTP، 18990 برای API سازگار با OpenAI که memmy serve آن را شروع می‌کند، سپس 19000 برای سرور توسعه Vite در فرانت‌اند دسکتاپ و 19001 برای سوکت hot reload آن. صفحه پورت‌های پروژه همچنان 19010 را برای hot reload ذکر می‌کند، اما تنظیمات Vite روی 19001 قرار دارد. اگر سرویس دیگری روی سیستم شما یکی از این پورت‌ها را اشغال کرده است، آن لیست جایی است که باید بررسی کنید.

منشأ واقعی دستور memmy-memory

این مرحله‌ای است که نصب اولیه معمولاً در آن دچار مشکل می‌شود، بنابراین به‌جای حدس زدن، آن را از داخل بسته بخوانید. نام دستور هیچ ارتباطی با نام مخزن (repository) ندارد. این دستور از فیلد bin در workspace که آن را تعریف می‌کند، می‌آید:

node -p "JSON.stringify(require('./Memory/package.json').bin)"

این دستور {"memmy-memory":"./dist/src/cli/index.js"} را چاپ می‌کند. بنابراین نقطه ورود (entry point) ساخته‌شده Memory/dist/src/cli/index.js است و تنها پس از اجرای npm run memory:build وجود دارد، زیرا عملیات build است که dist را ایجاد کرده و فایل را قابل‌اجرا (executable) می‌کند. آن را مستقیماً اجرا کنید:

node Memory/dist/src/cli/index.js health

اگر می‌خواهید نام کوتاه آن در PATH شما قرار بگیرد، همان فایل را لینک کنید:

sudo ln -s "$PWD/Memory/dist/src/cli/index.js" /usr/local/bin/memmy-memory
memmy-memory health

رابط خط فرمان (CLI) به‌صورت پیش‌فرض از http://127.0.0.1:18960 استفاده می‌کند و ورودی‌های --url، --token، --config، --source و --user-id را می‌پذیرد. زیردستورهای (subcommands) آن عبارتند از init، health، search، add، get و delete، به‌علاوه فراخوانی‌های session و turn که توسط عامل‌ها (agents) استفاده می‌شوند و نه انسان‌ها، و همچنین install، upgrade، service و stop برای مدیریت خودِ سرویس. memmy-memory search "deploy steps" و memmy-memory add "staging migrates on deploy" دو دستوری هستند که یک عامل بیش از همه اجرا می‌کند.

چگونه Claude Code را به Memmy متصل کنیم؟

Memmy خود را به عنوان یک سرور در داخل Claude Code ثبت نمی‌کند. این ابزار از طریق فایل‌هایی که Claude Code از قبل می‌خواند متصل می‌شود و دامنه عملکرد آن به memmy-memory که اجرا می‌کنید بستگی دارد. از یک source checkout، دستور memmy-memory init --agent claude یک Skill با نام memmy-memory را در ~/.claude/skills/ و یک بلوک حافظه نشان‌گذاری‌شده را در ~/.claude/CLAUDE.md می‌نویسد، و سپس Claude Code زمانی که دستورالعمل‌ها به آن می‌گویند، memmy-memory را به عنوان یک دستور shell معمولی اجرا می‌کند. launcherای که نصب‌کننده لینوکس در ~/.local/bin قرار می‌دهد، فراتر می‌رود: همان دستور، hookهایی را در ~/.claude/settings.json برای SessionStart، UserPromptSubmit، Stop، PostCompact و SessionEnd ثبت می‌کند که حافظه مرتبط را تزریق کرده و هر نوبت تکمیل‌شده را بدون نیاز به تصمیم‌گیری مدل، ذخیره می‌کند.

دستورالعمل را یک بار به صورت دستی بنویسید، زیرا در این صورت دقیقاً می‌دانید به agent چه گفته شده است. Claude Code فایل CLAUDE.md را در ابتدای هر session از ریشه پروژه می‌خواند، بنابراین بخشی مانند این، کل یکپارچه‌سازی در مسیر source است:

## Memory

Before starting a task, run `memmy-memory search "<topic>"` and read what comes back.
When a task is done, run `memmy-memory add "<what you learned>"` for anything that will matter next session.

در مورد مزایای این کار شفاف باشید. بدون hookها، این یک یکپارچه‌سازی در سطح دستورالعمل است، بنابراین زمانی کار می‌کند که مدل تصمیم بگیرد دستور را اجرا کند و در غیر این صورت کار نمی‌کند. هیچ چیزی فراخوانی را اجباری نمی‌کند. اگر یک session بدون add پایان یابد، خودِ دستورالعمل چیزی ذخیره نکرده است؛ یک اسکن تاریخچه بعدی همچنان می‌تواند نوبت تکمیل‌شده را import کند. این همان بده‌بستان (trade-off) موجود در فایل‌های حافظه خودِ Claude Code است، با یک تفاوت: مخزن (store) مشترک است، بنابراین یادداشت به Codex و Cursor روی همان ماشین نیز می‌رسد. hookها به جای درخواست مؤدبانه، شکاف را پر می‌کنند، که به همین دلیل است که حافظه پایدار در کنار محدودیت‌های بودجه و قوانین مجوز در میان پلاگین‌های DeepSeek Harness که ارزش نصب دارند قرار می‌گیرد.

جهت دیگر به هیچ تنظیماتی نیاز ندارد. اسکنر Memmy از قبل ~/.claude/projects/**/*.jsonl را می‌خواند، که جایی است که Claude Code رونوشت‌های session خود را در آن می‌نویسد. Memmy را روی همان سروری اجرا کنید که Claude Code را در یک session tmux اجرا می‌کنید و کار دیروز بدون اینکه نیاز به پیکربندی خاصی داشته باشید، به حافظه تبدیل می‌شود.

آیا Memmy به‌عنوان سرور MCP برای Claude Code کار می‌کند؟

خیر. دانستن این موضوع از صرف زمان غیرضروری جلوگیری می‌کند. MCP (model context protocol) دارای client و server است. Memmy یک client است. این برنامه به MCP serverها متصل می‌شود و ابزارهای آن‌ها را در اختیار runtime عامل خودش قرار می‌دهد. Memmy یک MCP endpoint منتشر نمی‌کند که claude mcp add بتواند به آن متصل شود. تنها پل MCP موجود در repository، به یکپارچه‌سازی Composio درون desktop local API تعلق دارد و آن API یک پورت تصادفی را روی 127.0.0.1، پشت سرور‌دادهٔ x-memmy-mcp-token، bind می‌کند.

سمت client در ~/.memmy/config.yaml پیکربندی می‌شود؛ همان فایلی که MEMMY_CONFIG به آن اشاره می‌کند، در مسیر tools.mcpServers:

tools:
  mcpServers:
    example:
      type: stdio
      command: npx
      args:
        - "-y"
        - "your-mcp-server"
      toolTimeout: 30
      enabledTools:
        - "*"

type مقادیر stdio، sse و streamableHttp را می‌پذیرد. یک server از نوع stdio به‌عنوان فرزند Memmy اجرا می‌شود. بنابراین command آن باید روی همان سیستم وجود داشته باشد و با همان user اجرا شود. اگر از قبل MCP serverها را روی یک VPS اجرا می‌کنید، باید همان serverها را در اینجا فهرست کنید.

خصوصی نگه‌داشتن حافظه (memory store)

تمام دارایی‌های Memmy در مسیر ~/.memmy قرار دارند: config.yaml، فضای کاری، memory-service/memory.sqlite و فایل‌های زمان اجرا. فرآیند اسکن و دریافت داده‌ها به‌صورت محلی انجام می‌شود و حافظه‌ها در همان فایل SQLite محلی نوشته می‌شوند؛ بنابراین وضعیت پیش‌فرض، کاملاً محلی است.

اتصال ابری یکی از مسیرهایی است که باید زیر نظر داشت. MEMMY_CLOUD_SERVICE نام مبدأ ابری را مشخص می‌کند. کد برنامه هیچ مقدار پیش‌فرضی برای آن تعیین نمی‌کند، اما .env.example که در مراحل نصب به .env کپی می‌شود، آن را روی https://api.memmy.cn تنظیم می‌کند. این مقدار، حالت حساب کاربری را با توکن‌های آزمایشی پشتیبانی می‌کند و هر زمان که تنظیم شده باشد، کد تحلیل Memmy رویدادهای استفاده را به آن ارسال می‌کند؛ این موضوع در حالت API key نیز صادق است: نام رویدادها و دستورات، نسخه‌ها و یک شناسه نصب ارسال می‌شوند. CLI فقط کلمات دستوری ثابت را گزارش می‌دهد و هرگز پرس‌وجوهای جستجو یا متن حافظه را ارسال نمی‌کند. همچنین اگر این مقدار تنظیم نشده باشد، کد تحلیل هیچ داده‌ای نمی‌فرستد؛ بنابراین در سروری که فقط از API key استفاده می‌کند، پیش از شروع هر کاری، آن خط را در .env خالی کنید. برنامه بهبود حافظه، یک گزینه جداگانه در تنظیمات حریم خصوصی است.

فراخوانی‌های مدل، مسیر دیگری هستند. اگر یک ارائه‌دهنده embedding میزبانی‌شده تنظیم کنید، متن حافظه‌ای که در حال تبدیل به embedding است برای آن ارائه‌دهنده ارسال می‌شود تا به بردار تبدیل شود. ذخیره‌سازی محلی در اینجا کمکی نمی‌کند. برای بستن این مسیر، از ارائه‌دهنده embedding محلی داخلی یا یک endpoint که خودتان میزبانی می‌کنید استفاده کنید. مدل‌های میزبانی‌شده برای خلاصه‌سازی، تکامل و فیلتر کردن مرتبط بودن نیز هنگام اجرای آن وظایف، محتوای حافظه را دریافت می‌کنند؛ بنابراین تنظیمات آن مدل‌ها را نیز بررسی کنید.

پورت 18960 را روی آدرس loopback نگه‌دارید. این پورت نیازی به قانون فایروال ندارد، زیرا سرویسی که به 127.0.0.1 متصل است، از خارج از سیستم به‌هیچ‌وجه قابل دسترسی نیست. به‌جای آن، از طریق SSH از لپ‌تاپ خود به آن متصل شوید:

ssh -N -L 18960:127.0.0.1:18960 you@your-vps

سرویس حافظه فعلی، آدرس‌های bind غیر از loopback را رد می‌کند. تنظیم storage.token در فایل پیکربندی، یا استفاده از متغیر محیطی MEMMY_MEMORY_TOKEN یا MEMORY_SERVICE_TOKEN، فراخوانی‌های معمولی API حافظه را با یک bearer token محافظت می‌کند؛ وضعیت سلامت (health) بدون احراز هویت باقی می‌ماند و نمایشگر مرورگر از بررسی‌های جداگانه‌ای برای درخواست‌های محلی استفاده می‌کند. مقادیر پیکربندی از ارجاعات ${ENV_NAME} پشتیبانی می‌کنند، بنابراین توکن و API keyهای مدل شما خارج از خود فایل باقی می‌مانند. این همان عادتِ دور نگه‌داشتن اسرار از عامل‌های هوش مصنوعی در همه جا است و سیاست پیش‌فرض deny در ufw پشتیبان شماست، اگر نسخه آینده تغییری در آدرس bind پیش‌فرض خود ایجاد کند.

پیش از اعتماد به ~/.memmy از آن نسخه پشتیبان تهیه کنید

memory.sqlite کل مخزن داده است. بردارها نیز از طریق افزونه sqlite-vec در همان فایل قرار دارند، بنابراین یک فایل واحد، کل نسخه پشتیبان شماست. کپی کردن آن با cp در حالی که سرویس در حال نوشتن است، می‌تواند منجر به ایجاد یک پایگاه داده ناقص (torn database) شود. از دستور پشتیبان‌گیری داخلی SQLite استفاده کنید:

mkdir -p ~/memmy-backup
sqlite3 ~/.memmy/memory-service/memory.sqlite ".backup '$HOME/memmy-backup/memory.sqlite'"

این دستور یک کپی منسجم ایجاد می‌کند در حالی که سرویس همچنان در حال اجراست. آن را طبق یک زمان‌بندی مشخص به خارج از سرور منتقل کنید، که این دقیقاً همان کاری است که restic برای ذخیره‌سازی خارج از سایت برای آن طراحی شده است. از دست دادن config.yaml باعث می‌شود تنظیمات ارائه‌دهنده را از دست بدهید که می‌توانید دوباره آن‌ها را وارد کنید. اما از دست دادن memory.sqlite به معنای از دست رفتن خاطراتی است که از آخرین نسخه پشتیبان قابل‌استفاده تا کنون ثبت شده‌اند؛ سرویس پیش از مهاجرت‌های شماتیک (schema migrations) یک نسخه پشتیبان محلی ایجاد می‌کند، اما این یک کپی به‌روز و خارج از سایت نیست.

اجرای سرویس memory تحت systemd

اجرای npm run memory:serve:dev در یک shell با بسته شدن shell متوقف می‌شود. یک فایل unit سرویس را در طول rebootها فعال نگه می‌دارد. این سرویس با کاربر memmy، از یک checkout در /opt/memmy و با فایل پیکربندی موجود در home همان کاربر اجرا می‌شود. نسخه‌ای که در shell شما در حال اجراست را متوقف کنید، سپس checkout و فایل پیکربندی را منتقل کرده و لینک memmy-memory را مجدداً تنظیم کنید:

sudo useradd -m -s /bin/bash memmy
sudo mkdir -p /opt/memmy
sudo mv ~/memmy-agent /opt/memmy/memmy-agent
sudo chown -R memmy:memmy /opt/memmy
sudo ln -sfn /opt/memmy/memmy-agent/Memory/dist/src/cli/index.js /usr/local/bin/memmy-memory
sudo install -d -o memmy -g memmy -m 700 /home/memmy/.memmy
sudo install -o memmy -g memmy -m 600 ~/.memmy/config.yaml /home/memmy/.memmy/config.yaml
sudo install -d -m 755 /etc/memmy

سرویس پایگاه داده خود را در /home/memmy/.memmy نگه می‌دارد، بنابراین با یک مخزن خالی شروع به کار می‌کند.

[Unit]
Description=Memmy memory service
After=network-online.target

[Service]
Type=simple
User=memmy
WorkingDirectory=/opt/memmy/memmy-agent
EnvironmentFile=/etc/memmy/memory.env
ExecStart=/usr/bin/npm run memory:serve:dev
Restart=on-failure
RestartSec=5

[Install]
WantedBy=multi-user.target

توکن را خارج از فایل unit نگه دارید. آن را در /etc/memmy/memory.env قرار دهید که مالک آن root است و دسترسی آن روی 600 تنظیم شده است:

MEMMY_CONFIG=/home/memmy/.memmy/config.yaml
MEMMY_MEMORY_TOKEN=replace-this-with-a-long-random-string
sudo systemctl daemon-reload
sudo systemctl enable --now memmy-memory
systemctl status memmy-memory --no-pager
curl -sS http://127.0.0.1:18960/api/v1/health

وضعیت status=203/EXEC در خروجی status به این معنی است که systemd اصلاً نتوانسته ExecStart را اجرا کند، بنابراین which npm را بررسی کنید: این مسیر در نصب NodeSource برابر /usr/bin/npm است و در nvm در مسیر home کاربر قرار دارد که systemd آن را پیدا نخواهد کرد. unitای که بلافاصله پس از شروع متوقف می‌شود، نیاز به بررسی وضعیت خروج (exit status) و journal دارد: کد 0 به معنای خروج موفق است، در حالی که سایر نتایج شامل کدهای خروج غیر صفر، سیگنال‌ها و timeoutها هستند. برای مشاهده خروجی سرویس، journalctl -u memmy-memory -n 50 را اجرا کنید. مکانیسم کار مشابه هر سرویس systemd دیگری روی یک VPS است.

این پروژه اکنون دو جایگزین در سطح کاربر ارائه می‌دهد. مسیر پیشنهادی در README برای ساخت از سورس، memmy-memory install --service-only است که runtime پین‌شده Memory را دانلود کرده و یک سرویس کاربری ثبت می‌کند؛ نصب‌کننده لینوکس نیز memmy-memory.service را به عنوان یک unit systemd --user تنظیم می‌کند. هیچ‌کدام از این روش‌ها قابلیت linger را فعال نمی‌کنند، بنابراین sudo loginctl enable-linger <user> را اجرا کنید تا مدیر سرویس آن کاربر پس از logout فعال بماند و در زمان boot شروع به کار کند.

کارهایی که Memmy هنوز انجام نمی‌دهد

  • نسخه دسکتاپ برای Linux وجود ندارد. اسکریپت‌های بسته‌بندی فقط macOS و Windows را پوشش می‌دهند، بنابراین workbench و ویزارد راه‌اندازی اولیه آن روی خود سرور در دسترس نیستند. سرویس حافظه اکنون شامل یک نمایشگر مرورگر در http://127.0.0.1:18960/viewer/ است که از طریق تونل SSH بالا قابل دسترسی است. برای Linux یک فایل tarball حاوی CLI و install.sh ارائه شده است.
  • دستور memory:serve:dev نقطه ورود TypeScript را از طریق tsx اجرا می‌کند که یک مسیر توسعه است. این مخزن همچنین memory:serve را برای خروجی کامپایل‌شده ارائه می‌دهد. دستور npm run را بدون هیچ آرگومانی اجرا کنید تا ببینید نسخه فعلی شما دقیقاً چه اسکریپت‌هایی دارد.
  • قابلیت بازیابی (Retrieval)، پنجره جستجوی خود را از میان 2000 ردیف برداری اخیر می‌سازد و سپس انتخاب Top-K را درون آن پنجره اعمال می‌کند. در یک حافظه بسیار بزرگ، ممکن است یک خاطره قدیمی خارج از این محدوده قرار بگیرد.
  • فرآیند Embedding پس از ثبت انجام می‌شود و در صورت بروز خطا، به جای مسدود کردن نوبت agent، به صف تلاش مجدد (retry queue) می‌رود. بنابراین، خاطره‌ای که لحظاتی پیش اضافه شده ممکن است هنوز توسط جستجوی برداری قابل یافتن نباشد.
  • سرور دوم با پایگاه داده SQLite محلی خود، حافظه جداگانه‌ای دارد.

نسخه 1.2.401 در تاریخ 1 نوامبر 2026 همچنان نشان‌دهنده پروژه‌ای نوپا است که به‌سرعت در حال تغییر است. فلگ‌ها، مسیرها و نام اسکریپت‌ها بین نسخه‌های مختلف تغییر می‌کنند. به جای اعتماد به دستوری که از هر جایی، از جمله اینجا، کپی شده است، فیلد bin و خروجی npm run را در نسخه محلی خود مطالعه کنید.

FAQ

چرا health check خطای connection refused برمی‌گرداند؟

کد خروجی 7 از دستور curl همراه با Failed to connect to 127.0.0.1 port 18960 تنها نشان‌دهنده عدم برقراری اتصال است و مشخص نمی‌کند که آیا Memmy متوقف شده، کرش کرده، روی پورت دیگری گوش می‌دهد یا غیرقابل‌دسترس است. آدرس و پورت را بررسی کنید، دستور ss -lntp | grep 18960 را اجرا کنید و ترمینال یا journal مربوط به شروع سرویس را بخوانید. اگر لاگ گزارش می‌دهد که ماژول SQLite بومی با نسخه فعلی همخوانی ندارد، دستور npm rebuild better-sqlite3 را اجرا کنید. نسخه Node خود را نیز بررسی کنید: مستندات سورس به Node 22 یا جدیدتر نیاز دارند، در حالی که نصب‌کننده لینوکس فقط Node.js 22.23.4+ در سری 22.x، نسخه 24.22.1+ در سری 24.x یا 26.12.1+ در سری 26.x را می‌پذیرد.

پس از کامپایل از سورس، دستور memmy-memory از کجا می‌آید؟

این دستور از فیلد bin در پکیج ورک‌اسپیس @memmy/memory می‌آید، نه از نام مخزن. دستور node -p "JSON.stringify(require('./Memory/package.json').bin)" را در داخل دایرکتوری checkout اجرا کنید تا مسیر {"memmy-memory":"./dist/src/cli/index.js"} را چاپ کند. آن فایل تنها پس از npm run memory:build وجود دارد، زیرا فرآیند build فایل dist را ایجاد کرده و آن را قابل‌اجرا (executable) می‌کند. آن را به صورت node Memory/dist/src/cli/index.js health اجرا کنید یا برای استفاده از نام کوتاه، یک symlink به آن در /usr/local/bin ایجاد کنید.

آیا می‌توانم Memmy را با claude mcp add به Claude Code اضافه کنم؟

خیر. Memmy یک کلاینت MCP است، نه یک سرور MCP. این برنامه به سرورهایی که در tools.mcpServers در فایل ~/.memmy/config.yaml لیست شده‌اند متصل می‌شود و ابزارهای آن‌ها را به runtime خود ارائه می‌دهد. Claude Code از طریق دیگری به Memmy دسترسی پیدا می‌کند، یعنی با اجرای CLI مربوط به memmy-memory به عنوان یک دستور shell. دستور memmy-memory init --agent claude یک Skill و یک بلوک CLAUDE.md می‌نویسد که به آن می‌گوید چه زمانی فعال شود؛ همچنین لانچر موجود در نصب‌کننده لینوکس، هوک‌های Claude Code را اضافه می‌کند که نوبت‌ها (turns) را به‌طور خودکار ذخیره می‌کنند.

آیا اجرای Memmy خاطرات من را به یک سرویس ابری می‌فرستد؟

اسکن و دریافت داده‌ها به‌صورت محلی انجام می‌شود و خاطرات در مسیر ~/.memmy/memory-service/memory.sqlite روی دیسک خودتان نوشته می‌شوند. سرویس MEMMY_CLOUD_SERVICE که در .env.example روی https://api.memmy.cn تنظیم شده است، حالت حساب کاربری و توکن‌های آزمایشی را مدیریت کرده و تحلیل‌های استفاده (بدون متن خاطرات) را در زمان فعال بودن دریافت می‌کند؛ بنابراین اگر فقط از API key استفاده می‌کنید، این مقدار را خالی بگذارید. برنامه بهبود حافظه دارای یک کلید حریم خصوصی جداگانه است. یک مدل embedding میزبانی‌شده، متن خاطراتی را که به بردار تبدیل می‌کند دریافت می‌نماید؛ برای محلی نگه‌داشتن این پردازش، از ارائه‌دهنده محلی داخلی یا endpointای که خودتان اجرا می‌کنید استفاده کنید. مدل‌های میزبانی‌شده برای خلاصه‌سازی، تکامل و فیلتر کردن مرتبط بودن نیز هنگام اجرای آن وظایف، محتوای خاطرات را دریافت می‌کنند.

آیا این مقاله مفید بود؟