reasoning-bank-mcp 0.1.1

ReasoningBank MCP Server - Memory-augmented reasoning for AI agents

ReasoningBank MCP Server

基于论文ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory[https://arxiv.org/abs/2509.25140] 实现的记忆增强推理系统，通过 MCP (Model Context Protocol) 协议为 AI 代理提供经验记忆管理能力。

🌟 特性

• ✅ 记忆提取：从成功和失败的轨迹中自动提取推理经验
• ✅ 智能检索：支持多种检索策略（余弦相似度、混合评分等）
• ✅ 异步处理：记忆提取支持异步模式，不阻塞 AI 代理
• ✅ 多模型支持：DashScope（通义千问）、OpenAI、Claude 等
• ✅ 灵活扩展：插件化架构，易于扩展新的检索策略和存储后端

🏗️ 架构设计

reasoning-bank-mcp/
├── src/
│   ├── server.py                    # MCP 服务器入口
│   ├── config.py                    # 配置管理
│   ├── tools/                       # MCP 工具
│   │   ├── retrieve_memory.py       # 检索记忆
│   │   └── extract_memory.py        # 提取记忆
│   ├── retrieval/                   # 检索策略
│   │   ├── base.py                  # 抽象接口
│   │   ├── factory.py               # 策略工厂
│   │   └── strategies/              # 具体策略实现
│   ├── storage/                     # 存储后端
│   │   ├── base.py                  # 抽象接口
│   │   └── backends/                # 具体存储实现
│   ├── llm/                         # LLM 客户端
│   │   ├── base.py                  # 抽象接口
│   │   ├── factory.py               # Provider 工厂
│   │   └── providers/               # 具体 Provider 实现
│   ├── prompts/                     # 提示词模板
│   └── utils/                       # 工具函数
└── data/                            # 数据存储目录
    ├── memories.json                # 记忆数据库
    └── embeddings.json              # 嵌入向量

🚀 快速开始

1. 代码拉取并进入项目根目录

git clone https://github.com/hanw39/ReasoningBank-MCP.git
cd ReasoningBank-MCP

2. 安装依赖

pip install -e .

3. 配置 MCP 客户端

方式一：STDIO 模式（适用于 Claude Desktop）

编辑 ~/Library/Application Support/Claude/claude_desktop_config.json：

{
  "mcpServers": {
    "reasoning-bank": {
      "command": "reasoning-bank-mcp",
      "env": {
        "DASHSCOPE_API_KEY": "你的百炼APIKEY"
      }
    }
  }
}

方式二：SSE 模式（适用于 Qoder、Cherry Studio 等）

1) 启动服务器：

# 使用默认配置 (127.0.0.1:8000)
python3 -m src.server --transport sse

# 或指定主机和端口
python3 -m src.server --transport sse --host 0.0.0.0 --port 8080

2) 客户端配置：

{
  "mcpServers": {
    "reasoning-bank": {
      "url": "http://127.0.0.1:8000/sse",
      "env": {
        "DASHSCOPE_API_KEY": "你的百炼APIKEY"
      }
    }
  }
}

4. 命令行参数

python3 -m src.server --help

# 可用参数：
# --transport {stdio,sse}  传输方式 (默认: stdio)
# --host HOST              SSE 模式的主机地址 (默认: 127.0.0.1)
# --port PORT              SSE 模式的端口号 (默认: 8000)

🔧 配置文件（可选）

如果需要自定义配置，可以编辑 config.yaml：

# LLM Provider 配置
llm:
  provider: "dashscope"
  dashscope:
    api_key: "${DASHSCOPE_API_KEY}"
    chat_model: "qwen-plus"

# Embedding Provider 配置
embedding:
  provider: "dashscope"
  dashscope:
    model: "text-embedding-v3"

# 检索策略配置
retrieval:
  strategy: "hybrid"
  hybrid:
    weights:
      semantic: 0.6
      confidence: 0.2
      success: 0.15
      recency: 0.05

🔧 MCP 工具

retrieve_memory

检索相关的历史经验记忆，帮助指导当前任务的执行。

参数：

• query (string, 必填): 当前任务的查询描述
• top_k (number, 可选): 检索的记忆数量，默认 1
• agent_id (string, 可选): Agent ID，用于多租户隔离
  • 只检索指定 agent 的记忆
  • 不提供时检索所有记忆
  • 建议 SubAgent 传递自己的 name 作为 agent_id
  • 例如："claude-code"、"code-reviewer" 等

返回：

{
  "status": "success",
  "memories": [
    {
      "memory_id": "mem_001",
      "score": 0.85,
      "title": "完整历史查询策略",
      "content": "...",
      "success": true,
      "agent_id": "claude-code"
    }
  ],
  "formatted_prompt": "以下是我从过去与环境的交互中积累的一些记忆项..."
}

extract_memory

从任务轨迹中提取推理经验并保存到记忆库。

参数：

• trajectory (array, 必填): 任务执行的轨迹步骤列表
  • 每个步骤包含: step (number), role (string), content (string), metadata (object, 可选)
• query (string, 必填): 任务查询描述
• success_signal (boolean, 可选): 任务是否成功，null 时自动判断
• async_mode (boolean, 可选): 是否异步处理，默认 true
• agent_id (string, 可选): Agent ID，用于多租户隔离
  • 标记记忆属于哪个 agent
  • 建议 SubAgent 传递自己的 name 作为 agent_id
  • 例如："claude-code"、"java-developer" 等

返回（异步模式）：

{
  "status": "processing",
  "message": "记忆提取任务已提交，正在后台处理",
  "task_id": "extract_12345",
  "async_mode": true
}

返回（同步模式）：

{
  "status": "success",
  "message": "记忆提取成功",
  "memory_id": "mem_123",
  "agent_id": "claude-code"
}

⚙️ 配置说明

检索策略

支持两种检索策略：

1. cosine：纯余弦相似度（论文基线方法）
2. hybrid：混合评分（推荐）
   • 语义相似度 (60%)
   • 置信度 (20%)
   • 成功偏好 (15%)
   • 时效性 (5%)

retrieval:
  strategy: "hybrid"
  hybrid:
    weights:
      semantic: 0.6
      confidence: 0.2
      success: 0.15
      recency: 0.05

LLM Provider

支持多种模型 API：

• dashscope：通义千问（推荐）
• openai：OpenAI 或兼容 API
• anthropic：Claude

llm:
  provider: "dashscope"
  dashscope:
    api_key: "${DASHSCOPE_API_KEY}"
    chat_model: "qwen-plus"

embedding:
  provider: "dashscope"
  dashscope:
    model: "text-embedding-v3"

📖 使用示例

在 AI 代理中使用

# 1. 任务开始前，检索相关经验
result = await mcp_call("retrieve_memory", {
    "query": "在购物网站上找到用户最早的订单日期",
    "top_k": 1
})

# AI 获得提示：
# "以下是从过去经验学到的：
#  记忆 1 [✓ 成功经验] - 完整历史查询策略
#  不要只查看 'Recent Orders'，需要导航到完整的订单历史页面..."

# 2. 执行任务（生成轨迹）
trajectory = [...]

# 3. 任务完成后，提取经验
await mcp_call("extract_memory", {
    "trajectory": trajectory,
    "query": query,
    "async_mode": True  # 异步处理，不阻塞
})

🔬 开发

运行测试

pytest tests/

代码格式化

black src/
ruff check src/

📚 参考文献

基于论文：ReasoningBank: Memory as Test-Time Compute Scaling

• 论文核心思想：从成功和失败经验中提取推理模式
• 检索机制：基于语义嵌入的相似度检索
• 扩展点：支持更高级的检索策略和存储后端

📝 License

MIT License