q-mem-mcp-server 1.1.0

Conversation memory and workspace management MCP server for Amazon Q CLI with ChromaDB real-time sync

AWS Q Memory MCP Server (q_mem_mcp_server)

A Model Context Protocol (MCP) server that provides conversation memory and workspace management for Amazon Q CLI.

🎯 Key Features

• Automatic Conversation Saving: Real-time sync of Q CLI conversations to ChromaDB
• Workspace Management: Organize conversations by topics/workspaces with natural language support
• Workspace Restoration: Resume previous conversations with full workspace memory
• Semantic Search: Search through conversation history using natural language

🚀 Quick Start

1. MCP Configuration

Add to ~/.aws/amazonq/mcp.json:

For macOS:

{
  "mcpServers": {
    "q-mem": {
      "command": "uvx",
      "args": ["q_mem_mcp_server@latest"],
      "env": {
        "Q_CLI_DB_PATH": "~/Library/Application Support/amazon-q/data.sqlite3",
        "Q_MEM_VERBOSE": "true"
      },
      "disabled": false,
      "autoApprove": [
        "start_workspace",
        "resume_workspace", 
        "search_memory_by_workspace",
        "get_storage_stats",
        "list_workspaces"
      ]
    }
  }
}

For Windows: First, find your Q CLI database path:

where /r %USERPROFILE% data.sqlite3

Then use the found path in your configuration:

{
  "mcpServers": {
    "q-mem": {
      "command": "uvx",
      "args": ["q_mem_mcp_server@latest"],
      "env": {
        "Q_CLI_DB_PATH": "C:\\Users\\YourUsername\\AppData\\Local\\amazon-q\\data.sqlite3",
        "Q_MEM_VERBOSE": "true"
      },
      "disabled": false,
      "autoApprove": [
        "start_workspace",
        "resume_workspace", 
        "search_memory_by_workspace",
        "get_storage_stats",
        "list_workspaces"
      ]
    }
  }
}

Note: Replace the path with your actual Q CLI database location found by the command above.

2. Usage Examples

# Start Q CLI
q chat

# Start a new workspace
start_workspace(description="backendDev")
# OR natural language: "백엔드개발 워크스페이스로 시작해줘"

# Chat normally (automatically saved)
# ... have conversations ...

# List workspaces
list_workspaces()
# OR natural language: "워크스페이스 목록 보여줘"

# Resume workspace (loads full workspace)
resume_workspace(workspace_id="backendDev")
# OR natural language: "백엔드개발 워크스페이스로 재개해줘"

🛠️ Available Commands

Command	Description
start_workspace(description)	Start a new workspace
list_workspaces()	List all workspaces
resume_workspace(workspace_id)	Resume workspace with full workspace
search_memory_by_workspace(workspace_id, query)	Search previous conversations
delete_workspace(workspace_id, confirm=true)	Delete a workspace
get_storage_stats()	Check storage status

Natural Language Support: You can also use natural language like "백엔드개발 워크스페이스로 시작해줘" or "resume backend development workspace"

🔧 Technology Stack

• ChromaDB: Vector database for conversation storage and search
• SQLite WAL: Real-time sync with Q CLI database
• Sentence Transformers: Semantic search embeddings
• MCP Protocol: Communication with Amazon Q

📁 Data Storage

• ChromaDB: ~/.Q_mem/chroma_db/
• Sync State: ~/.Q_mem/sync_state.json
• Logs: ~/.Q_mem/q_mem.log

🔄 Auto-Sync Features

Q CLI conversations are automatically saved to ChromaDB in real-time:

• Real-time Detection: Checks for new conversations every 2 seconds
• Partial Failure Handling: Saves successful conversations even if some fail
• Auto Recovery: Automatically recovers from consecutive failures
• State Restoration: Restores sync state after restart

🌟 Multi-Persona Workflow Example

Experience the power of seamless workspace switching between different expert personas:

# === Backend Development Workspace ===
q chat
> start_workspace(description="backendDev")
# OR natural language: "Start backend development workspace"
✅ Workspace 'backendDev' started

> "You are now a backend developer persona. Help me design a microservices architecture"
🎯 Backend Developer: I'll help you design a robust microservices architecture...

> "Store my PyPI API key: pypi-AgEI..."
✅ PyPI API key stored for future deployments

> "Design a user authentication service with JWT"
🎯 Backend Developer: Here's a comprehensive JWT authentication service design...
# ... detailed backend discussion continues ...

# === Database Design Workspace ===
q chat  
> start_workspace(description="dba")
# OR natural language: "Start database administrator workspace"
✅ Workspace 'dba' started

> "You are now a database administrator persona. Help me optimize the user service database"
🎯 Database Administrator: I'll help you optimize your database design...

> "What's the best indexing strategy for user lookups?"
🎯 Database Administrator: For optimal user lookup performance, consider these indexing strategies...
# ... detailed database discussion continues ...

# === Seamless Workspace Switching ===
q chat
> list_workspaces()
# OR natural language: "Show me all workspaces"
📋 Your workspaces:
1. backendDev (15 conversations) - Backend development and API design
2. dba (8 conversations) - Database optimization and indexing

> resume_workspace(workspace_id="backendDev")
# OR natural language: "Resume backend development workspace"
🔄 Workspace 'backendDev' resumed with full workspace
🎯 Backend Developer: Welcome back! We were discussing JWT authentication service...

> "Remember my PyPI key? I need to deploy the auth service we designed"
🎯 Backend Developer: Yes! Using your stored PyPI key: pypi-AgEI...
✅ Deploying q_auth_service v1.0.0 to PyPI...

> "Now switch to DBA workspace to check if our database design supports this deployment"
> resume_workspace(workspace_id="dba")
# OR natural language: "Switch to database administrator workspace"
🔄 Workspace 'dba' resumed with full workspace  
🎯 Database Administrator: Checking the indexing strategy we discussed for the auth service...

> "The backend team deployed the JWT service. Does our index design handle the expected load?"
🎯 Database Administrator: Based on our previous optimization discussion, the composite index on (user_id, created_at) will handle the JWT validation queries efficiently...

# === Cross-Workspace Knowledge Integration ===
> search_memory_by_workspace(workspace_id="backendDev", query="JWT token expiration")
# OR natural language: "Search for JWT token expiration in backend workspace"
🔍 Found in backendDev workspace:
- "JWT tokens should expire in 15 minutes for security"
- "Refresh tokens valid for 7 days"
- "Store refresh tokens in Redis for fast lookup"

> resume_workspace(workspace_id="dba")
# OR natural language: "Switch back to database workspace"
🎯 Database Administrator: I remember we need to optimize for JWT refresh token storage...

> "Based on the backend workspace, we need Redis optimization for 7-day refresh tokens"
🎯 Database Administrator: Perfect! Let me design a Redis clustering strategy for high-availability refresh token storage...

🚀 Key Benefits

1. Persistent Expertise: Each workspace maintains specialized knowledge and workspace
2. Seamless Switching: Jump between expert personas without losing conversation flow
3. Cross-Workspace Intelligence: Search and reference knowledge across different expert workspaces
4. Secure Credential Storage: API keys and sensitive data persist across workspaces
5. Natural Workflow: Mirrors real-world collaboration between different specialists

🎯 Real-World Applications

• DevOps Teams: Switch between developer, DBA, and infrastructure personas
• Full-Stack Projects: Frontend, backend, and database expert workspaces
• Learning Paths: Separate workspaces for different technologies or concepts
• Client Projects: Dedicated workspaces per client with persistent workspace
• Code Reviews: Different perspectives from various expert personas

💡 Usage Tips

1. Workspace Organization: Separate conversations by topics, roles, or projects
2. Semantic Search: Use natural language rather than exact keywords
3. Workspace Utilization: Use resume_workspace for complete conversation restoration
4. Regular Cleanup: Delete unnecessary workspaces to maintain performance
5. Cross-Workspace References: Use search_memory_by_workspace to find relevant information across personas
6. Natural Language: Use natural language commands like "백엔드개발 워크스페이스로 시작해줘"

Memory Management

# Clean up old workspaces
cleanup_old_workspaces(days=30, confirm=true)
# or natural language: "remove old workspaces"

# Delete specific workspace
delete_workspace(workspace_id="workspace_name", confirm=true)
# or natural language: "delete workspace workspace_name"

📄 License

MIT License

🔗 Links

• PyPI: https://pypi.org/project/q_mem_mcp_server/
• GitHub: https://github.com/jikang-jeong/aws-q-mem-mcp-server
• Issues: https://github.com/jikang-jeong/aws-q-mem-mcp-server/issues

---

AWS Q Memory MCP Server (q_mem_mcp_server) - KOR

Amazon Q CLI를 위한 대화 메모리 및 워크스페이스 관리 기능을 제공하는 Model Context Protocol (MCP) 서버입니다.

🎯 주요 기능

• 자동 대화 저장: Q CLI 대화를 ChromaDB에 실시간 동기화
• 워크스페이스 관리: 주제/워크스페이스별로 대화 정리
• 워크스페이스 복원: 이전 대화의 전체 워크스페이스와 함께 재개
• 의미 검색: 자연어를 사용한 대화 기록 검색

🚀 빠른 시작

1. MCP 설정

~/.aws/amazonq/mcp.json에 추가:

macOS의 경우:

{
  "mcpServers": {
    "q-mem": {
      "command": "uvx",
      "args": ["q_mem_mcp_server@latest"],
      "env": {
        "Q_CLI_DB_PATH": "~/Library/Application Support/amazon-q/data.sqlite3",
        "Q_MEM_VERBOSE": "true"
      },
      "disabled": false,
      "autoApprove": [
        "start_workspace",
        "resume_workspace", 
        "search_memory_by_workspace",
        "get_storage_stats",
        "list_workspaces"
      ]
    }
  }
}

Windows의 경우: 먼저 Q CLI 데이터베이스 경로를 찾으세요:

where /r %USERPROFILE% data.sqlite3

찾은 경로를 설정에 사용하세요:

{
  "mcpServers": {
    "q-mem": {
      "command": "uvx",
      "args": ["q_mem_mcp_server@latest"],
      "env": {
        "Q_CLI_DB_PATH": "C:\\Users\\사용자명\\AppData\\Local\\amazon-q\\data.sqlite3",
        "Q_MEM_VERBOSE": "true"
      },
      "disabled": false,
      "autoApprove": [
        "start_workspace",
        "resume_workspace", 
        "search_memory_by_workspace",
        "get_storage_stats",
        "list_workspaces"
      ]
    }
  }
}

참고: 위 명령어로 찾은 실제 Q CLI 데이터베이스 위치로 경로를 바꿔주세요.

2. 사용 예시

# Q CLI 시작
q chat

# 새 워크스페이스 시작
start_workspace(description="백엔드개발")
# 또는 자연어: "백엔드개발 워크스페이스 시작해줘"

# 일반적으로 대화 (자동 저장됨)
# ... 대화 진행 ...

# 워크스페이스 목록 보기
list_workspaces()
# 또는 자연어: "워크스페이스 목록 보여줘"

# 워크스페이스 재개 (전체 워크스페이스 로드)
resume_workspace(workspace_id="백엔드개발")
# 또는 자연어: "백엔드개발 워크스페이스로 재개해줘"

🛠️ 사용 가능한 명령어

명령어	설명
start_workspace(description)	새 워크스페이스 시작
list_workspaces()	모든 워크스페이스 목록 보기
resume_workspace(workspace_id)	전체 워크스페이스와 함께 워크스페이스 재개
search_memory_by_workspace(workspace_id, query)	이전 대화 검색
delete_workspace(workspace_id, confirm=true)	워크스페이스 삭제
get_storage_stats()	저장소 상태 확인

🔧 기술 스택

• ChromaDB: 대화 저장 및 검색을 위한 벡터 데이터베이스
• SQLite WAL: Q CLI 데이터베이스와 실시간 동기화
• Sentence Transformers: 의미 검색 임베딩
• MCP Protocol: Amazon Q와의 통신

📁 데이터 저장

• ChromaDB: ~/.Q_mem/chroma_db/
• 동기화 상태: ~/.Q_mem/sync_state.json
• 로그: ~/.Q_mem/q_mem.log

🔄 자동 동기화 기능

Q CLI 대화가 ChromaDB에 실시간으로 자동 저장됩니다:

• 실시간 감지: 2초마다 새로운 대화 확인
• 부분 실패 처리: 일부 실패해도 성공한 대화는 저장
• 자동 복구: 연속 실패 시 자동 복구
• 상태 복원: 재시작 후 동기화 상태 복원

🌟 멀티 페르소나 워크플로우 예시

서로 다른 전문가 페르소나 간의 매끄러운 컨텍스트 전환의 힘을 경험해보세요:

# === 백엔드 개발 워크스페이스 ===
q chat
> start_workspace(description="백엔드개발")
# 또는 자연어: "백엔드개발 워크스페이스로 시작해줘"
✅ '백엔드개발' 워크스페이스가 시작되었습니다

> "너는 이제부터 백엔드 개발자 페르소나야. 마이크로서비스 아키텍처 설계를 도와줘"
🎯 백엔드 개발자: 견고한 마이크로서비스 아키텍처 설계를 도와드리겠습니다...

> "PyPI API 키 저장해줘: pypi-AgEI..."
✅ 향후 배포를 위해 PyPI API 키가 저장되었습니다

> "JWT를 사용한 사용자 인증 서비스 설계해줘"
🎯 백엔드 개발자: 포괄적인 JWT 인증 서비스 설계를 제시하겠습니다...
# ... 상세한 백엔드 논의 계속 ...

# === 데이터베이스 설계 워크스페이스 ===
q chat  
> start_workspace(description="DBA")
# 또는 자연어: "데이터베이스 관리자 워크스페이스로 시작해줘"
✅ 'DBA' 워크스페이스가 시작되었습니다

> "너는 이제부터 데이터베이스 관리자 페르소나야. 사용자 서비스 데이터베이스 최적화를 도와줘"
🎯 데이터베이스 관리자: 데이터베이스 설계 최적화를 도와드리겠습니다...

> "사용자 조회를 위한 최적의 인덱싱 전략은 뭐야?"
🎯 데이터베이스 관리자: 최적의 사용자 조회 성능을 위해 다음 인덱싱 전략을 고려하세요...
# ... 상세한 데이터베이스 논의 계속 ...

# === 매끄러운 워크스페이스 전환 ===
q chat
> list_workspaces()
# 또는 자연어: "모든 워크스페이스 보여줘"
📋 워크스페이스 목록:
1. 백엔드개발 (15개 대화) - 백엔드 개발 및 API 설계
2. DBA (8개 대화) - 데이터베이스 최적화 및 인덱싱

> resume_workspace(workspace_id="백엔드개발")
# 또는 자연어: "백엔드개발 워크스페이스로 재개해줘"
🔄 '백엔드개발' 워크스페이스가 전체 워크스페이스와 함께 재개되었습니다
🎯 백엔드 개발자: 다시 오셨군요! JWT 인증 서비스에 대해 논의하고 있었죠...

> "내 PyPI 키 기억하지? 우리가 설계한 인증 서비스를 배포해야 해"
🎯 백엔드 개발자: 네! 저장된 PyPI 키를 사용합니다: pypi-AgEI...
✅ q_auth_service v1.0.0을 PyPI에 배포 중...

> "이제 DBA 워크스페이스로 전환해서 우리 데이터베이스 설계가 이 배포를 지원하는지 확인해줘"
> resume_workspace(workspace_id="DBA")
# 또는 자연어: "데이터베이스 관리자 워크스페이스로 전환해줘"
🔄 'DBA' 워크스페이스가 전체 워크스페이스와 함께 재개되었습니다
🎯 데이터베이스 관리자: 인증 서비스를 위해 논의했던 인덱싱 전략을 확인하겠습니다...

> "백엔드 팀이 JWT 서비스를 배포했어. 우리 인덱스 설계가 예상 부하를 처리할 수 있을까?"
🎯 데이터베이스 관리자: 이전 최적화 논의를 바탕으로, (user_id, created_at) 복합 인덱스가 JWT 검증 쿼리를 효율적으로 처리할 것입니다...

# === 워크스페이스 간 지식 통합 ===
> search_memory_by_workspace(workspace_id="백엔드개발", query="JWT 토큰 만료")
# 또는 자연어: "백엔드개발 워크스페이스에서 JWT 토큰 만료 검색해줘"
🔍 '백엔드개발' 워크스페이스에서 발견:
- "보안을 위해 JWT 토큰은 15분 후 만료되어야 함"
- "리프레시 토큰은 7일간 유효"
- "빠른 조회를 위해 리프레시 토큰을 Redis에 저장"

> resume_workspace(workspace_id="DBA")
# 또는 자연어: "데이터베이스 워크스페이스로 다시 전환해줘"
🎯 데이터베이스 관리자: JWT 리프레시 토큰 저장을 위한 최적화가 필요하다고 기억합니다...

> "백엔드 워크스페이스 기반으로, 7일간 유효한 리프레시 토큰을 위한 Redis 최적화가 필요해"
🎯 데이터베이스 관리자: 완벽합니다! 고가용성 리프레시 토큰 저장을 위한 Redis 클러스터링 전략을 설계하겠습니다...

🚀 주요 장점

1. 지속적인 전문성: 각 워크스페이스가 전문 지식과 워크스페이스를 유지
2. 매끄러운 전환: 대화 흐름을 잃지 않고 전문가 페르소나 간 이동
3. 워크스페이스 간 지능: 서로 다른 전문가 워크스페이스 간 지식 검색 및 참조
4. 보안 자격증명 저장: API 키와 민감한 데이터가 워크스페이스 간 지속
5. 자연스러운 워크플로우: 실제 다양한 전문가 간 협업을 반영

🎯 실제 활용 사례

• DevOps 팀: 개발자, DBA, 인프라 페르소나 간 전환
• 풀스택 프로젝트: 프론트엔드, 백엔드, 데이터베이스 전문가 워크스페이스
• 학습 경로: 다양한 기술이나 개념별 별도 워크스페이스
• 클라이언트 프로젝트: 클라이언트별 전용 워크스페이스와 지속적인 워크스페이스
• 코드 리뷰: 다양한 전문가 페르소나의 서로 다른 관점

💡 사용 팁

1. 워크스페이스 정리: 주제, 역할, 프로젝트별로 대화 분리
2. 의미 검색: 정확한 키워드보다 자연어 사용
3. 워크스페이스 활용: 완전한 대화 복원을 위해 resume_workspace 사용
4. 정기 정리: 성능 유지를 위해 불필요한 워크스페이스 삭제
5. 워크스페이스 간 참조: search_memory_by_workspace를 사용해 페르소나 간 관련 정보 찾기
6. 자연어 지원: "백엔드개발 워크스페이스로 시작해줘" 같은 자연어 명령 사용

메모리 관리

# 오래된 워크스페이스 정리
cleanup_old_workspaces(days=30, confirm=true)
# 또는 자연어: "오래된 워크스페이스 삭제해줘"

# 특정 워크스페이스 삭제
delete_workspace(workspace_id="워크스페이스이름", confirm=true)
# 또는 자연어: "워크스페이스이름 워크스페이스 삭제해줘"

📄 라이선스

MIT License

🔗 링크

• PyPI: https://pypi.org/project/q_mem_mcp_server/
• GitHub: https://github.com/jikang-jeong/aws-q-mem-mcp-server
• Issues: https://github.com/jikang-jeong/aws-q-mem-mcp-server/issues