Личная память, которую понимают AI-агенты
Preference Memory превращает голосовые или текстовые фразы вроде «не люблю файлы длиннее 150 строк» в структурированные правила: формулировку, отношение, папку, домен, проект, теги, ограничения и уровень важности. Пользователь проверяет предварительный результат перед сохранением.
Поиск и согласование правил
Правила индексируются в Qdrant с dense-векторами и sparse BM25. При добавлении система ищет кандидатов в конфликт или дубль, а модель помогает определить, является ли запись новой, повтором или обновлением существующего правила. Данные группируются по папкам, доменам и проектам.
Интеграция с агентами
MCP-сервер отдаёт контекст инструментам вроде get_context_for_task, а также поддерживает поиск по папкам и предпочтениям. Сервис собирает актуальный PREFERENCES.md; в репозитории также есть Agent Skill и скрипты для подключения и настройки проектов.
Состав и технологии
Docker Compose включает веб-интерфейс, API, MCP-сервер, Qdrant и сервис резервного копирования. Backend построен на Fastify и TypeScript, интерфейс — React, Vite и TypeScript. Для распознавания, обогащения и эмбеддингов используются настраиваемые OpenAI-совместимые модели.
Сервис размещается на собственном сервере, но текст и голосовые данные для AI-обработки отправляются выбранному внешнему API-провайдеру. Конфигурация провайдера задаётся владельцем установки.
Для чего
Для людей и команд, которые хотят один раз описать рабочие предпочтения, ограничения и контекст проектов, а затем подключать эти сведения к Claude Code, Claude Desktop, ChatGPT и другим AI-агентам через MCP.
Правило можно надиктовать или ввести текстом, проверить предложенную структуру и сохранить в личной базе.
Что решает
- Сокращает повторное объяснение агентам одних и тех же предпочтений, ограничений и контекста проектов.
- Хранит правила не одной заметкой, а структурированно: папки, домены, проекты, теги, полярность и уровень важности.
- Ищет похожие правила гибридным способом и помогает находить противоречия и дубли.
- Даёт агенту релевантные правила через MCP и собирает читаемый файл
PREFERENCES.md.
Инструкция по установке
Запуск
Нужен Docker Compose и ключ OpenAI или совместимого API. Склонируйте репозиторий, подготовьте конфигурацию и запустите контейнеры:
git clone https://github.com/w1do/perfomance-memory.git
cd perfomance-memory
cp .env.example .envВ .env задайте обязательные OPENAI_API_KEY, MCP_TOKEN (случайная строка не короче 16 символов), ADMIN_EMAIL и ADMIN_PASSWORD (не короче 8 символов). Для совместимого провайдера укажите его адрес в OPENAI_BASE_URL.
docker compose up -d --buildВеб-интерфейс доступен на http://localhost:3000 (или по адресу из PUBLIC_URL). Qdrant-коллекции и индексы создаются автоматически.
Подключение MCP
Сервис предоставляет MCP endpoint /mcp. Подключите к нему поддерживаемого агента, используя адрес сервера и MCP-токен из своей конфигурации. Для облачных клиентов используйте HTTPS и подходящий способ аутентификации; инструкции для Claude Code, Claude Desktop и ChatGPT приведены в README.
Часто задаваемые вопросы
Найдите ответы на наиболее часто задаваемые вопросы о проекте, процессе и результатах.
Docker Compose и четыре обязательные переменные: ключ OpenAI-совместимого API, MCP-токен, email администратора и пароль администратора.
Да. Голос распознаётся через настроенную STT-модель; также доступен обычный текстовый ввод.
Через MCP-сервер по endpoint /mcp . Для ChatGPT статичный токен сам по себе не подходит: README описывает Secure MCP Tunnel или OAuth.
В self-hosted стеке с Qdrant и файлом PREFERENCES.md в данных сервиса. Для обогащения и распознавания используется настроенный внешний OpenAI-совместимый API.
