personal-memory-mcp

Serveur MCP local qui extrait des faits mémorisables depuis vos historiques de conversations IA et les expose à tous les clients MCP compatibles (Claude Code, Claude Desktop, Cursor…).

Fonctionnement

Historiques IA → extraction LLM → SQLite + sqlite-vec → outils MCP

Les faits sont stockés localement dans ~/.personal-memory/memory.db. Aucun cloud, aucune API externe — tout tourne sur votre machine via Ollama.

Installation

pip install personal-memory-mcp

Prérequis : Python 3.13+, Ollama avec les modèles :

ollama pull qwen3:1.7b
ollama pull qwen3-embedding:0.6b

Démarrage rapide

# Lancer le serveur MCP
mmcp serve

# Configurer automatiquement les clients MCP détectés
mmcp setup

# Importer vos sessions Claude Code
mmcp import claude-code

# Importer un export Claude (ZIP)
mmcp import claude ~/Downloads/export.zip

# Importer un export ChatGPT (ZIP)
mmcp import chatgpt ~/Downloads/export.zip

# Interface web locale
mmcp ui

Outils MCP

Configuration Claude Code

claude mcp add -s user personal-memory -- mmcp serve

Commandes CLI

mmcp serve                    # Lance le serveur MCP
mmcp ui                       # Interface web http://localhost:8766
mmcp import claude-code       # Import sessions Claude Code
mmcp import claude <zip>      # Import export Claude
mmcp import chatgpt <zip>     # Import export ChatGPT
mmcp export                   # Export JSON/CSV
mmcp backup                   # Sauvegarde SQLite
mmcp restore                  # Restauration
mmcp migrate-embeddings       # Migration de modèle d'embedding
mmcp status                   # État du serveur et de la base

Cohérence des embeddings et mises à jour d'Ollama

Les modèles d'embedding servis par Ollama ne produisent pas toujours les mêmes vecteurs d'une version à l'autre. C'est documenté pour nomic-embed-text (le modèle d'embedding par défaut) : les vecteurs varient entre versions mineures d'Ollama (cf. ollama/ollama#14449).

Symptôme : après une mise à jour d'Ollama, les recherches deviennent moins pertinentes (scores de similarité dégradés). En effet, votre base a été vectorisée avec l'ancienne version, mais les nouvelles requêtes sont encodées avec la nouvelle — les deux ne sont plus comparables.

Détection automatique : la version d'Ollama utilisée lors de la vectorisation est mémorisée dans la base. Si elle change (au niveau MAJEUR.MINEUR), mmcp status le signale (coherence_embeddings) et le serveur MCP émet un avertissement au démarrage.

Remède : re-vectoriser toute la base avec la version courante d'Ollama (une sauvegarde automatique est créée avant l'opération). Passez le modèle d'embedding courant pour re-vectoriser à l'identique :

mmcp migrate-embeddings --modele nomic-embed-text   # re-vectorise à l'identique
mmcp status                                          # l'avertissement doit disparaître

Sans l'option --modele, mmcp migrate-embeddings migre vers qwen3-embedding:0.6b (changement de modèle et de dimension). C'est aussi une façon valable de repartir sur une base cohérente si vous préférez ce modèle.

Stack technique

• Python 3.14 (dev, compatible 3.13+) + uv
• MCP SDK Anthropic
• SQLite + sqlite-vec (stockage vectoriel + FTS5)
• Ollama : qwen3-embedding:0.6b (embeddings) + qwen3:1.7b (extraction)
• Recherche hybride : cosinus vectoriel + BM25 fallback

Licence

MIT