TeamMemory

mcp-name: io.github.ysydhc/team-memory

让 AI 拥有团队记忆 — 跨会话积累经验，像资深成员一样理解你的项目。

这是我学 AI 时萌生的一个想法。市面上已有类似产品，但总觉得不太贴合自己的使用习惯。做这个项目，既想通过和 AI 一起写代码来加深对大模型的理解，也希望能按自己的工作流，打磨出真正顺手的功能。

为什么需要 TeamMemory？

用 Cursor、Claude 等 AI 助手写代码时，往往会遇到三个问题：

盲区	现象
无记忆	上周刚帮你修过的 Bug，这周遇到类似的，它完全不记得
只见代码，不懂决策	能看懂「是什么」，却不知道「为什么这么写」「上次踩过什么坑」
静态知识不够用	Rules、Skills 管得了规范，管不住每天冒出来的隐性经验（接口坑、故障根因、被否掉的方案）

TeamMemory 就是冲着这三个问题来的。 通过 MCP 把语义可搜索的经验库接进 AI：遇到问题自动查历史方案，解决后自动提炼并存下来，下次谁遇到同类问题，直接就能命中。既适合 3–10 人的技术团队共享，也适合部署在本地个人使用，配合 Cursor / Claude Desktop。

快速开始（4 条命令 + 1 项配置）

环境：Docker Desktop、Python 3.11+、Make

# 1. 初始化（Docker + 依赖 + 数据库）
make setup

# 2. 设置 API Key（唯一必改项）
export TEAM_MEMORY_API_KEY=$(openssl rand -hex 16)
echo "API Key: $TEAM_MEMORY_API_KEY"

# 3. 拉取 Embedding 模型（仅首次需要）
ollama pull nomic-embed-text

# 4. 启动
make web

浏览器访问 http://localhost:9111 ，用上面的 API Key 登录即可。

MCP 接入（Cursor / Claude）

安装：pip install team_memory，然后在 .cursor/mcp.json 里加上：

{
  "mcpServers": {
    "team_memory": {
      "command": "python3",
      "args": ["-m", "team_memory.server"],
      "env": {
        "TEAM_MEMORY_DB_URL": "postgresql+asyncpg://developer:devpass@localhost:5432/team_memory",
        "TEAM_MEMORY_API_KEY": "你的 API Key"
      }
    }
  }
}

本机直连数据库时需要配 TEAM_MEMORY_DB_URL；从源码跑且项目里已有 config 的，可以不配。

更多

• 完整指南：docs/getting-started.md
• 文档结构：设计文档 docs/design-docs、执行计划 docs/exec-plans，详见 docs/getting-started.md
• 扩展功能（任务、Skills、工作流）：docs/extended.md