Skip to main content
Glama

RemembrallMCP

License: MIT Crates.io CI Docker

AI 에이전트를 위한 지속적인 지식 메모리 및 코드 인텔리전스입니다. Rust 코어, Postgres + pgvector, MCP 프로토콜을 사용합니다.

문제점: AI 코딩 에이전트는 상태가 없습니다. 모든 세션은 0에서 시작합니다. 과거 결정에 대한 기억이 없고, 코드베이스가 어떻게 구성되어 있는지 이해하지 못하며, 무언가를 변경했을 때 무엇이 깨지는지 알 방법이 없습니다.

해결책: RemembrallMCP는 대부분의 메모리 도구가 제공하지 않는 두 가지를 에이전트에게 제공합니다:

1. 지속적 메모리 - 세션 간에 유지되는 결정, 패턴 및 조직적 지식입니다. 하이브리드 의미론적 + 전체 텍스트 검색으로 관련 컨텍스트를 즉시 찾습니다.

2. 코드 의존성 그래프 - tree-sitter로 구축된 코드베이스의 실시간 지도입니다. 8개 언어에 걸친 함수, 클래스, 임포트 및 호출 관계를 포함합니다. "이것을 변경하면 무엇이 깨질까?"라고 물으면 에이전트가 건드리기 전에 밀리초 단위로 답변을 얻을 수 있습니다.

remembrall_recall("authentication middleware patterns")
-> 3 relevant memories from past sessions

remembrall_index("/path/to/project", "myapp")
-> Builds dependency graph: 847 symbols, 1,203 relationships

remembrall_impact("AuthMiddleware", direction="upstream")
-> 12 files depend on AuthMiddleware (with confidence scores)

remembrall_store("Switched from JWT to session tokens because...")
-> Decision stored for future sessions

코드 그래프가 중요한 이유

RemembrallMCP가 없으면 에이전트는 매 세션마다 코드베이스를 처음부터 탐색합니다. Claude Code는 Explore 에이전트를 생성하고, Codex는 수십 개의 파일을 읽으며, Cursor는 디렉토리를 grep합니다. 이 모든 과정은 무엇이 무엇을 호출하는지 이해하기 위해 토큰과 시간을 낭비하게 합니다. "이 함수를 호출하는 모든 곳 찾기" 작업 하나만으로도 여러 도구 호출에 걸쳐 수천 개의 토큰이 소모될 수 있습니다.

RemembrallMCP를 사용하면 동일한 쿼리가 1ms 미만에 반환되는 단일 remembrall_impact 호출로 해결되며 탐색 토큰은 0입니다. 의존성 그래프는 이미 구축되어 대기 중입니다.

RemembrallMCP 없음

RemembrallMCP 있음

"UserService를 호출하는 곳은?"

에이전트가 grep하고, 8-15개 파일을 읽고, 하위 에이전트 생성

remembrall_impact - 1회 호출, 1ms 미만

"인증 미들웨어는 어디에 정의되어 있나?"

에이전트가 glob하고, 일치 항목을 읽고, 필터링

remembrall_lookup_symbol - 1회 호출, 1ms 미만

"캐싱에 대해 무엇을 결정했었지?"

에이전트가 컨텍스트가 없어 사용자에게 질문

remembrall_recall - 1회 호출, 약 25ms

일반적인 탐색 비용

질문당 5,000-20,000 토큰

약 200 토큰 (도구 호출 + 응답)

절감 효과는 코드베이스 크기에 따라 커집니다. 작은 프로젝트에서는 에이전트가 grep하고 읽으면서 해결할 수 있지만, 500개 파일 규모의 모노레포에서는 그러한 탐색이 병목 현상이 됩니다. 에이전트가 컨텍스트 제한에 도달하거나, 여러 하위 에이전트를 생성하거나, 모듈 간 의존성을 완전히 놓치게 됩니다. RemembrallMCP의 그래프 쿼리는 구조가 런타임에 발견되는 것이 아니라 Postgres에 미리 인덱싱되어 있으므로 프로젝트 크기에 관계없이 10ms 미만으로 유지됩니다.

이것은 매번 코드베이스를 탐색하는 에이전트와 이미 이해하고 있는 에이전트의 차이입니다.

벤치마크

RemembrallMCP는 현재 두 가지 측면에서 벤치마크되고 있습니다:

  • 코드 작업에 대한 에이전트 생산성 - pallets/click v8.1.7(594개 심볼, 1,589개 관계)에서 테스트되었습니다. 5개의 동일한 코딩 작업을 RemembrallMCP 사용 여부에 따라 실행했습니다. 전체 보고서.

  • 메모리 회상 품질 - 검색 품질, 필터링, 엣지 케이스, 순위 지정 및 지연 시간을 다루는 31개의 정답 쿼리에 대해 로컬 회상 하네스를 실행했습니다.

지표

RemembrallMCP 없음

RemembrallMCP 있음

차이

총 도구 호출 (5개 작업)

112

5

-95.5%

예상 토큰

약 56,000

약 1,000

-98.2%

질문당 평균 도구 호출

22.4

1.0

-95.5%

절감 효과는 더 큰 코드베이스에서 복합적으로 나타납니다. Click은 약 90개 파일 규모이며, 500개 이상의 파일이 있는 모노레포에서는 RemembrallMCP가 없는 에이전트가 비례적으로 더 많은 탐색 호출을 필요로 하는 반면, 그래프 쿼리는 크기에 관계없이 10ms 미만으로 유지됩니다.

메모리 회상 지표

결과

통과한 쿼리

31 / 31

Recall@5

0.917

Precision@5

0.619

MRR

0.908

p95 지연 시간

14ms

직접 벤치마크를 실행해 보세요: 하네스 및 작업 정의는 benchmarks/를 참조하세요.

메모리 검색, 장기 기억, 코드 그래프 정확성 및 에이전트 생산성에 걸친 더 광범위한 벤치마크 전략은 docs/benchmark-roadmap.md를 참조하세요.

요구 사항

  • Docker (가장 쉬운 설정) 또는 pgvector가 포함된 PostgreSQL 16

  • GitHub 수집용: GitHub CLI (gh) 설치 및 인증 완료

Related MCP server: smriti

빠른 시작

옵션 1: Docker Compose (가장 쉬움)

git clone https://github.com/cdnsteve/remembrallmcp.git
cd remembrallmcp

# Start Postgres + initialize schema + download embedding model
docker compose up -d

# Verify it's running
docker compose exec remembrall remembrall status

이것으로 끝입니다. pgvector가 포함된 Postgres, 스키마 및 임베딩 모델이 자동으로 설정됩니다. 데이터베이스와 모델 캐시는 재시작 후에도 유지됩니다.

MCP 서버를 실행하려면:

docker compose run --rm remembrall

옵션 2: 사전 빌드된 바이너리 다운로드

# macOS (Apple Silicon)
curl -fsSL https://github.com/cdnsteve/remembrallmcp/releases/latest/download/remembrall-aarch64-apple-darwin.tar.gz | tar xz
sudo mv remembrall /usr/local/bin/

# Linux (x86_64)
curl -fsSL https://github.com/cdnsteve/remembrallmcp/releases/latest/download/remembrall-x86_64-unknown-linux-gnu.tar.gz | tar xz
sudo mv remembrall /usr/local/bin/

# Initialize (sets up Postgres via Docker, creates schema, downloads model)
remembrall init

옵션 3: 소스에서 빌드 (Rust 1.94+ 필요)

cargo build -p remembrall-server --release
# Binary is at target/release/remembrall

remembrall init

MCP 클라이언트에 연결

Codex

Codex는 동일한 MCP 서버 정의 형식을 사용합니다. 서버를 remembrall로 등록하고 설치된 바이너리나 로컬 릴리스 빌드를 가리키도록 합니다.

remembrallPATH에 설치된 경우:

{
  "mcpServers": {
    "remembrall": {
      "command": "remembrall"
    }
  }
}

로컬 소스 체크아웃에서 실행하는 경우:

{
  "mcpServers": {
    "remembrall": {
      "command": "/path/to/remembrallmcp/target/release/remembrall",
      "env": {
        "DATABASE_URL": "postgres://postgres:postgres@localhost:5450/remembrall"
      }
    }
  }
}

Codex에서 Docker Compose를 사용하는 경우:

{
  "mcpServers": {
    "remembrall": {
      "command": "docker",
      "args": ["compose", "-f", "/path/to/remembrallmcp/docker-compose.yml", "run", "--rm", "-T", "remembrall"]
    }
  }
}

서버를 추가한 후 Codex를 재시작하여 다시 연결하고 도구를 로드하도록 합니다.

Claude Code, Cursor 및 기타 MCP 클라이언트

프로젝트의 .mcp.json에 추가합니다 (Claude Code, Cursor 및 모든 MCP 호환 클라이언트에서 작동).

사전 빌드된 바이너리나 소스에서 빌드한 경우:

{
  "mcpServers": {
    "remembrall": {
      "command": "remembrall"
    }
  }
}

Docker Compose를 사용하는 경우:

{
  "mcpServers": {
    "remembrall": {
      "command": "docker",
      "args": ["compose", "-f", "/path/to/remembrallmcp/docker-compose.yml", "run", "--rm", "-T", "remembrall"]
    }
  }
}

소스에서 실행하는 경우 (PATH에 설치되지 않음):

{
  "mcpServers": {
    "remembrall": {
      "command": "/path/to/remembrallmcp/target/release/remembrall",
      "env": {
        "DATABASE_URL": "postgres://postgres:postgres@localhost:5450/remembrall"
      }
    }
  }
}

MCP 클라이언트를 재시작합니다. 9개의 도구가 모두 자동으로 사용 가능해집니다.

사용해 보기

> "Store a memory: We chose Postgres over MongoDB because our query patterns
   are relational. Type: decision, tags: database, architecture"

> "Recall what we know about database decisions"

> "Index this project and show me the impact of changing UserService"

MCP 도구

메모리

도구

설명

remembrall_recall

메모리 검색 - RRF 융합을 사용한 하이브리드 의미론적 + 전체 텍스트 검색

remembrall_store

벡터 임베딩을 사용하여 결정, 패턴, 지식 저장

remembrall_update

기존 메모리 업데이트 (내용, 요약, 태그 또는 중요도)

remembrall_delete

UUID로 메모리 삭제

remembrall_ingest_github

GitHub 저장소에서 병합된 PR 설명을 대량으로 가져오기

remembrall_ingest_docs

디렉토리에서 마크다운 파일을 스캔하고 메모리로 가져오기

코드 인텔리전스

도구

설명

remembrall_index

프로젝트 디렉토리를 의존성 그래프로 파싱 (8개 언어)

remembrall_impact

폭발 반경 분석 - "이것을 변경하면 무엇이 깨질까?"

remembrall_lookup_symbol

프로젝트 전체에서 함수나 클래스가 정의된 위치 찾기

지원되는 언어

언어

확장자

품질 점수

Python

.py

A (94.1)

Java

.java

A (92.6)

JavaScript

.js, .jsx

A (92.0)

Rust

.rs

A (91.0)

Go

.go

A (90.7)

Ruby

.rb

B (87.9)

TypeScript

.ts, .tsx

B (84.3)

Kotlin

.kt, .kts

B (82.9)

점수는 자동화된 정답 테스트를 사용하여 실제 오픈 소스 프로젝트(Click, Gson, Axios, bat, Cobra, Sidekiq, Hono, Exposed)를 대상으로 측정되었습니다.

콜드 스타트

새로운 RemembrallMCP 인스턴스에는 지식이 없습니다. 기존 프로젝트 기록에서 부트스트랩하려면 수집 도구를 사용하세요.

GitHub PR 기록에서:

> remembrall_ingest_github repo="myorg/myrepo" limit=100

gh를 통해 병합된 PR을 가져오고, 제목과 본문을 메모리로 요약하며, 프로젝트별로 태그를 지정합니다. 본문이 50자 미만인 PR은 건너뜁니다. 콘텐츠 지문으로 중복 제거를 수행하여 반복 실행 시 재수집을 방지합니다.

마크다운 문서에서:

> remembrall_ingest_docs path="/path/to/project"

디렉토리 트리를 탐색하여 모든 .md 파일을 찾고, H2 섹션 헤더별로 분할한 다음 각 섹션을 검색 가능한 메모리로 저장합니다. node_modules, .git, target 및 유사한 디렉토리는 건너뜁니다. README, ARCHITECTURE, ADR 및 모든 작성된 문서에 적합합니다.

프로젝트당 한 번씩 둘 다 실행하세요. 수집 후 remembrall_recall은 즉각적인 컨텍스트를 갖게 됩니다.

아키텍처

Source Code                   Organizational Knowledge
    |                                 |
    v                                 v
Tree-sitter Parsers           Ingestion Pipeline
(8 languages)                 (GitHub PRs, Markdown docs)
    |                                 |
    v                                 v
+--------------------------------------------------+
|              Postgres + pgvector                  |
|                                                   |
|  memories (text + embeddings + metadata)          |
|  symbols (functions, classes, methods)            |
|  relationships (calls, imports, inherits)         |
+--------------------------------------------------+
                          |
                    MCP Server (stdio)
                          |
              Any MCP-compatible AI agent
  • 파싱: tree-sitter (Rust 바인딩, 파이프라인에 Python 없음)

  • 임베딩: fastembed (all-MiniLM-L6-v2, 384차원, 인프로세스 ONNX Runtime)

  • 검색: 하이브리드 RRF (의미론적 코사인 유사도 + 전체 텍스트 tsvector)

  • 그래프 쿼리: 순환 감지 및 신뢰도 감쇠가 포함된 재귀적 CTE

  • 전송: rmcp를 통한 stdio

CLI 명령어

명령어

설명

remembrall init

데이터베이스, 스키마 및 임베딩 모델 설정

remembrall serve

MCP 서버 실행 (하위 명령이 없을 때 기본값)

remembrall start

Docker 데이터베이스 컨테이너 시작

remembrall stop

Docker 데이터베이스 컨테이너 중지

remembrall status

메모리 수, 심볼 수, 연결 상태 표시

remembrall doctor

일반적인 문제 확인 (Docker, pgvector, 스키마, 모델)

remembrall reset --force

스키마 삭제 및 재생성 (모든 데이터 삭제)

remembrall version

버전 및 구성 경로 출력

구성

구성 파일: ~/.remembrall/config.toml (remembrall init에 의해 생성됨)

환경 변수는 구성 파일 값을 재정의합니다:

변수

설명

REMEMBRALL_DATABASE_URL 또는 DATABASE_URL

PostgreSQL 연결 문자열

REMEMBRALL_SCHEMA

데이터베이스 스키마 이름 (기본값: remembrall)

프로젝트 구조

crates/
  remembrall-core/          # Library - parsers, memory store, graph store, embedder
  remembrall-server/        # MCP server + CLI binary
  remembrall-test-harness/  # Parser quality testing against ground truth
  remembrall-recall-test/   # Search quality testing
docs/                       # Architecture and test plan docs
test-fixtures/              # Ground truth TOML files for 8 languages
tests/                      # Recall test fixtures

성능

작업

시간

메모리 저장

7ms

의미론적 검색 (HNSW)

1ms 미만

전체 텍스트 검색

1ms 미만

하이브리드 회상 (종단간)

약 25ms

영향 분석

4-9ms

심볼 조회

1ms 미만

89개 Python 파일 인덱싱

2.3s

라이선스

MIT

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections. Dates show when Glama detected each change.

No tool schema history has been recorded yet.

Maintenance

ActivitySlowing
ResponsivenessSyncing

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Connectors

Related MCP Servers

  • A
    license
    Not graded
    quality
    C
    maintenance
    Universal AI memory layer that provides cross-client, cross-repo context management with semantic search, automatic code indexing, and session management. Enables persistent developer memory across projects with typed memories, graph-based relationships, and RAG-powered retrieval.
    4
    MIT
  • A
    license
    Not graded
    quality
    Not graded
    maintenance
    A lightning-fast, self-hosted knowledge store and memory layer for AI agents
    -
  • A
    license
    Not graded
    quality
    C
    maintenance
    Provides AI coding agents with persistent, graph-connected memory across projects, enabling cross-project context retrieval via synaptic connections and hybrid search.
    15
    6
    MIT

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/roboticforce/remembrallmcp'

If you have feedback or need assistance with the MCP directory API, please join our Discord server