Knowledge & Memory Go ★ 150

redleaves/context-keeper

LLM tabanlı bağlam ve hafıza yönetimi, geniş çağırma ve hassas yeniden sıralama RAG mimarisi ile. Çok boyutlu retrieval (vector/timeline/knowledge graph), kısa/uzun vadeli hafıza ve tam MCP desteği (HTTP/WebSocket/SSE) içerir.

Claude Desktop config.json'a ekle

{
  "mcpServers": {
    "redleaves-context-keeper": {
      "command": "node",
      "args": [
        "~/.mcp/context-keeper/index.js"
      ]
    }
  }
}

Bu MCP sunucusu hakkında

Context-Keeper

LLM tarafından güçlendirilmiş akıllı bellek ve bağlam yönetim sistemi

AI asistanlarının bellek sınırlarını yeniden tanımlayın, her konuşmayı anlamlı kılın

English | Türkçe

📋 İçindekiler

1. AI Çağının Geliştirme Zorluğu: Akıllı Araçlar Bellek Kesintisiyle Karşılaşınca

"Dün tartışılan microservice mimarisi çözümünü hatırlıyor musunuz?" → "Üzgünüm, hatırlamıyorum..." → 😤

📊 Dört Boyutlu Zorluklar: Siz Hangi Türdesiniz?

👤 Bireysel Geliştirici 👥 Takım Lider 🏗️ Proje Yöneticisi 🏢 Kurumsal Yönetici
💔 Ana Zorluk 🔄 Her gün tekrar anlatmak AI'ye proje geçmişini
🧠 Bağlam kaybı: AI geliştirme amacını anlayamıyor
🌀 Tekrarlayan işler: Benzer sorunlar tekrar çözüm isteniyor		 📚 Bilgi uçurumu: Deneyimli çalışanların bilgisi aktarılmıyor
💬 Yüksek iletişim maliyeti: Aynı konuları tekrar açıklamak
🚫 Karar gecikmesi: Geçmiş bağlamı referans almak zor		 🔧 Teknik borç: Tarihi kararlar neden alındığı bilinmiyor
⏱️ Proje gecikmesi: Yeni çalışanlar uzun sürede adapte oluyor
📋 Belgelerin günü geçmiş: Kod ve belgeler uyuşmuyor		 💸 Yetenekçi kaybı: Temel bilgi çalışanlarla gidiyor
📈 ROI düşüşü: Projeler arası en iyi pratikler yeniden kullanılmıyor
🎯 Rekabet dezavantajı: İnovasyon hızı düşüyor
⚡ Doğrudan Etki 🔥%30 geliştirme zamanı boşa gidiyor 📉Takım verimliliği %40 düşüyor 💰Proje maliyeti 2x bütçeyi aşıyor ⏰Yetenekçi eğitimi 6-12 ay sürüyor

🔥 Endüstri Veri Analizi

  • 📊 %50 geliştirici her gün proje geçmişini AI asistanına tekrar anlatıyor
  • 💰 Ortalama maliyet: Kıdemli mühendis değişimi 6-12 ay alıyor
  • ⏱️ Zaman kaybı: Yeni çalışanlar karmaşık projede 3-6 ay çalışıyor
  • 🔄 Tekrarlanan çalışma: Takımdaki %30-40 teknik sorular tekrar aynı

Ana Sorun: AI araçlarında sürekli bellek yeteneği yok, akıllı bilgi birikimi ve aktarım sistemi kuramıyor. Bu zorluklar karşısında, başka bir bellek aracına değil, gerçekten geliştirici amacını anlayan akıllı bir beyne ihtiyacımız var. 🚀 Context-Keeper: Geleneksel sınırları aşan akıllı çözüm

2. Temel Özellikler

%%{init: {'theme':'base', 'themeVariables': {'fontSize':'16px', 'fontFamily':'Arial, sans-serif'}}}%%
graph LR
    subgraph Stage1["🔍 Çok Boyutlu Geniş Çağrı<br/>(Yüksek Kapsama Oranı)"]
        A1("Semantik Arama<br/>ÜST-50") 
        A2("Zaman Çizgisi Arama<br/>ÜST-30")
        A3("Bilgi Grafiği<br/>ÜST-20")
        A1 --> A4("Aday Seti<br/>~100 öğe")
        A2 --> A4
        A3 --> A4
    end
    
    subgraph Stage2["🧠 LLM Hassas Sıralama<br/>(Yüksek Doğruluk)"]
        A4 --> B1("LLM Akıllı Analiz")
        B1 --> B2("Kalite Değerlendirmesi")
        B2 --> B3("İlgililik Sıralaması")
        B3 --> B4("ÜST-N<br/>Hassas Sonuçlar")
    end
    
    subgraph Stage3["🎯 Çok Boyutlu Füzyon<br/>(Kişisel Çıktı)"]
        B4 --> C1("Semantik Boyut")
        B4 --> C2("Zaman Boyutu") 
        B4 --> C3("Bilgi Boyutu")
        C1 --> C4("Akıllı Füzyon Motoru")
        C2 --> C4
        C3 --> C4
        C4 --> C5("Kişiselleştirilmiş Çözüm")
    end
    
    style Stage1 fill:#e3f2fd,stroke:#e2e8f0,stroke-width:1px,rx:8,ry:8
    style Stage2 fill:#fff3e0,stroke:#e2e8f0,stroke-width:1px,rx:8,ry:8
    style Stage3 fill:#e8f5e9,stroke:#e2e8f0,stroke-width:1px,rx:8,ry:8

🚀 Üç Ana Çıkış Noktası

Çıkış Noktası Geleneksel Çözümün Sorunu Context-Keeper Çözümü Ana Avantaj
🧠 Akıllı Akıl Yürütme Mekanik eşleştirme, amacı anlayamıyor LLM derin akıl yürütme: Geliştirme senaryosu ve proje bağlamını anla %75+ doğruluk
⚡ Geniş Çağrı+Hassas Sıralama Çağrı oranı ve doğruluk çelişkili İki aşama mimarisi: Geniş çağrı(100 öğe) → Hassas sıralama(ÜST-N) %80+ kapsama
🎯 Çok Boyutlu Füzyon Tek semantik arama, bilgi izole Üç boyutlu bellek alanı: Semantik+Zaman+Bilgi Grafiği derin füzyon İlişki keşfi 3x artış

🎯 İş Değeri

Geliştirme Takımı İçin Değer

Kullanım Senaryosu Geliştirici Sorusu Context-Keeper Akıllı Yanıt Değer Sunumu
Mimari Karar İncelemesi "Neden microservice seçildikten tek parça değil?" 15 Mart teknik gözden geçirme kaydına dayalı detaylı analiz 🧠 Tarihsel Bilgelik Yeniden Kullan
Hata Onarımı Yeniden Kullan "Benzer performans sorunu nasıl çözülür?" 2 ilişkili durum bulur ve çözüm önerisi sunar ⚡ Deneyim Hızlı Yeniden Kullan
Teknoloji Seçimi Referansı "Redis küme yapılandırması en iyi uygulaması?" Proje geçmiş yapılandırma + endüstri en iyi uygulaması karşılaştırma 🎯 Karar Desteği Optimizasyonu

Kuruluş İçin Değer

  • 📈 Geliştirme Verimliliği Artışı: Tekrarlanan açıklama ve tartışmaları azalt
  • 💰 İnsan Kaynağı Maliyeti Tasarrufu: Yeni çalışan eğitim süresi büyük ölçüde kısalt
  • 🎯 Karar Kalitesi Artışı: Geçmiş deneyime dayalı akıllı öneriler
  • 🔄 Bilgi Varlığı Birikimi: Takım bilgeliğinin sistematik sedimentasyonu

3. Mimari Tasarım

Context-Keeper şu anda iki sürümün yinelemesinden geçmiştir:

🧠 Birinci Dönem Ana Tasarım

📚 Kısa Uzun Dönem Bellek Katmanlı Tasarım

  • Kısa Dönem Bellek: Tam yakın dönem konuşmaları depola, yerel dosya sistemi kullan, yüksek hız erişimini garanti et
  • Uzun Dönem Bellek: Anahtar bilgi özeti depola, vektör veritabanı sürekli koru
  • Aşamalı Sıkıştırma: Bilgi kısa dönem belleğin detaylı kaydından uzun dönem belleğin semantik özetine yavaş yavaş dönüşür

👤 Kullanıcı İzolasyonu ve Kişiselleştirme

  • Oturum İzolasyonu: Her kullanıcının bağımsız oturum alanı var, veri güvenliği ve gizliliği garanti et
  • Çalışma Alanı İzolasyonu: Farklı proje/çalışma alanı bağlamı tamamen izole, bilgi karışmasını önle
  • Kişiselleştirilmiş Bellek Stratejisi: Kullanıcı çalışma stiline göre otomatik bellek eşiği ve özet stratejisini ayarla
  • Oturum Arası Bilgi Aktarımı: Aynı kullanıcının farklı oturumları arasında akıllı ilişki kur

🔄 Bellek ve Toplu İşlem Yönetimi Mekanizması

  • Bellek Kimliği (memoryID): Kullanıcı açısından "tam bellek", bir iş göreviyle veya konuyla ilişkili
  • Toplu İşlem Kimliği (batchID): Sistem açısından "depolama birimi", ardışık konuşma parçasıyla ilişkili
  • Akıllı Önem Değerlendirmesi: Otomatik anahtar karar noktalarını belirle, temel içeriğin sürekli korunmasını garanta

🚀 İkinci Dönem LLM Tarafından Güçlendirilmiş Yükseltme

Context-Keeper LLM tarafından güçlendirilmiş akıllı bağlam bellek yönetim sistemi temel alır, birinci dönem temeli üzerinde iki ana çıkış noktasını gerçekleştirir:

🧠 LLM tarafından güçlendirilmiş geniş çağrı+hassas sıralama mimarisi - "Amaç anlama → Geniş çağrı → Hassas sıralama → Akıllı sentez" LLM tarafından güçlendirilmiş mimarisi kur

⭐️ Akıllı Bağlam Yönetimi - Dört boyutlu birleşik bağlam modeli+LLM tarafından güçlendirilmiş tam yaşam döngüsü akıllı yönetimi

🧠 3.1 LLM Tarafından Güçlendirilmiş Geniş Çağrı+Hassas Sıralama Mimarisi

🏗️ Mimari Diyagram

⏱️ Sıra Diyagramı

sequenceDiagram
    participant User as 👤 Kullanıcı
    participant LLM1 as 🧠 LLM Aşama Bir
    participant MDRE as 🔍 Çok Boyutlu Arama Motoru
    participant LLM2 as 🧠 LLM Aşama İki
    participant Context as 🌟 Bağlam Yönetimi
    
    User->>LLM1: "Proje mimarisi tasarımını hatırla"
    LLM1->>LLM1: 🎯 Amaç Analiz<br/>Temel Amaç+Alan Bağlamı+Uygulama Senaryosu
    LLM1->>MDRE: Arama Stratejisi+Sorgu Yeniden Yazma
    
    par Geniş Çağrı Aşaması
        MDRE->>MDRE: Vektör Arama: Mimari Semantiği
        MDRE->>MDRE: Zaman Çizgisi Arama: Tasarım Tartışması
        MDRE->>MDRE: Bilgi Grafiği: Mimari İlişkisi
    end
    
    MDRE->>LLM2: Aday Seti (~100 öğe)
    LLM2->>LLM2: 🧠 Hassas Sıralama<br/>Kalite Değerlendirmesi+İlgililik Sıralaması
    LLM2->>Context: Yapılandırılmış Sentez
    Context->>User: ✅ Kişiselleştirilmiş Mimari Çözümü

📋 Mimari Ana Özellikler

Katman Ana Yetenek Teknoloji Uygulaması Performans Avantajı
🧠 Akıllı Katman İki aşama LLM işbirliği akıl yürütme Amaç analiz+Akıllı sentez iş bölümü %75 Doğruluk
🔍 Arama Katmanı Çok boyutlu geniş çağrı+hassas sıralama Semantik+Zaman+Grafik Karma Arama %80+ Kapsama
⭐️ Yönetim Katmanı Akıllı Bağlam Yönetimi Dört boyutlu işbirliği+Gerçek zaman eşitleme Tepki <500ms

📋 3.2 Akıllı Bağlam Yönetimi

Context-Keeper dört boyutlu birleşik bağlam modeli kurar, bağlam bilgisinin taşıyıcısı olarak, LLM tarafından güçlendirilmiş akıllı yönetim mekanizması vasıtasıyla, bağlamın ilk inşa→doldur iyileştir→akıllı analiz&bağlam güncelle (döngüsel) tam yaşam döngüsü yönetimini gerçekleştirir

Ana Tasarım:

  • 🏗️ Birleşik Bağlam Modeli: Dört boyutlu işbirliği veri depolama temeli
  • 🔄 Akıllı Yönetim Süreci: LLM tarafından güçlendirilmiş tam yaşam döngüsü yönetim mekanizması
  • ⚡️ Gerçek Zaman Değişim Algılama: Semantik seviyesinde bağlam değişim algılama ve güncelleme

🏗️ Akıllı Bağlam Yönetimi Katmanlı Mimarisi

⏱️ Akıllı Bağlam Yönetimi Sırası

sequenceDiagram
    participant User as 👤 Kullanıcı
    participant SessionMgmt as 🚀 Oturum Yönetim Aracı
    participant RetrieveCtx as 🔍 Bağlam Arama Aracı
    participant StoreConv as 💾 Konuşma Depolama Aracı
    participant AssocFile as 📝 Dosya İlişki Aracı
    participant Context as ⭐️ Bağlam Yönetimi
    participant LLM1 as 🧠 LLM Aşama Bir
    participant MDRE as 🔍 Çok Boyutlu Arama
    participant LLM2 as 🧠 LLM Aşama İki
    participant Storage as 💾 Depolama Katmanı
    
    Note over User,Storage: 🆕 İlk Tasarım (İlk Oturum)
    
    User->>SessionMgmt: session_management(get_or_create)
    SessionMgmt->>SessionMgmt: Mühendislik Algılama Analiz<br/>Teknik Yığın·Mimari·Bağımlılık Belirle
    SessionMgmt->>Context: İlk İnşa Yönetimini Tetikle
    Context->>Context: ProjectContext Oluştur<br/>Birleşik Bağlam Modeli Temeli Kur
    Context->>Storage: ProjectContext Kalıcı Saklama
    
    Note over User,Storage: 🔍 Doldur İyileştir (İlk Arama)
    
    User->>RetrieveCtx: retrieve_context(query, sessionId)
    RetrieveCtx->>Context: Mevcut Bağlamı Al
    Context-->>RetrieveCtx: ProjectContext Döndür
    RetrieveCtx->>LLM1: Kullanıcı Sorgusu+Bağlam
    LLM1->>LLM1: Amaç Anlama+Sorgu Yeniden Yazma
    LLM1->>MDRE: Geniş Çağrı Komutu
    
    par Geniş Çağrı Paralel Arama
        MDRE->>MDRE: Vektör Arama
        MDRE->>MDRE: Zaman Çizgisi Arama  
        MDRE->>MDRE: Bilgi Grafiği Arama
    end
    
    MDRE->>LLM2: Aday Seti Verisi
    LLM2->>Context: Mevcut Bağlamı Karşılaştırmak İçin Al
    Context-->>LLM2: ProjectContext (Diğer Boyutlar Doldurulmayı Bekliyor)
    LLM2->>LLM2: 🧠 Semantik Karşılaştırma+Hassas Sıralama Sentezi
    LLM2->>Context: Doldur İyileştir Yönetimini Tetikle
    Context->>Context: TopicCtx+ConvCtx Tamamen İnşa Et<br/>(CodeCtx Kod Değişimi Tarafından Tetiklenir)
    Context->>Storage: Tam Bağlam Modeli Kalıcı Saklama
    RetrieveCtx->>User: Akıllı Sentez Sonucu Döndür
    
    Note over User,Storage: 🔄 Değişim Yönetimi (Sonraki Tüm İşlemler)
    
    loop Standart SOP Döngüsü: Her MCP Araç Çağrısı
        alt Arama Tetiklemesi
            User->>RetrieveCtx: retrieve_context(query, sessionId)
            RetrieveCtx->>Context: Mevcut Bağlamı Al
            Context-->>RetrieveCtx: Tam Dört Boyutlu Bağlam
            RetrieveCtx->>LLM1: Sorgu+Bağlam
            LLM1->>MDRE: Geniş Çağrı
            MDRE->>LLM2: Aday Seti
            LLM2->>Context: Semantik Karşılaştırma+Değişim Algılama
        else Depolama Tetiklemesi
            User->>StoreConv: store_conversation(messages, sessionId)
            StoreConv->>Context: Mevcut Bağlamı Al
            Context->>Context: Mevcut Bağlama Dayalı Değişim Algılama
        else Kod Değişimi Tetiklemesi
            User->>AssocFile: associate_file(filePath, sessionId)
            AssocFile->>Context: Mevcut Bağlamı Al
            Context->>Context: Konu Bağlamı ile İlişkili CodeContext Güncelle
        end
        
        Context->>Context: 🎯 Değişim Algılama Yönetimi<br/>Mevcut Bağlam vs Yeni Veri
        
        alt Semantik Değişim Algılandı
            Context->>Context: ⚡️ Akıllı Güncelleme Yönetimi<br/>Artan Değişim+Çatışma Çözümü
            Context->>Storage: Değişim Kalıcı Saklama
        else Değişim Yok
            Context->>Context: Mevcut Durumu Koru
        end
        
        alt Arama Tetiklemesi
            RetrieveCtx->>User: Arama Sonucu Döndür
        else Depolama Tetiklemesi
            StoreConv->>User: Depolama Onayı Döndür
        else Kod Değişimi Tetiklemesi
            AssocFile->>User: İlişki Onayı Döndür
        end
    end

🔥 Yönetim Mekanizması Ana Avantajları:

  • ✅ Birleşik Depolama Temeli: Dört boyutlu birleşik bağlam modeli tüm yönetim işlemlerinin veri temeli
  • ✅ Tam Yaşam Döngüsü Kapsamı: İlk inşa→Doldur iyileştir→Döngüsel değişim tam yönetim zinciri
  • ✅ LLM Akıllı Tarafından Güçlendirilmiş: Her yönetim aşaması LLM karar almaya katılır, geleneksel kural motoru değil
  • ✅ Gerçek Zaman Değişim Algılama: Semantik analize dayalı bağlam değişim algılama
  • ✅ Çatışma Içermeyen Birleştirme: LLM tarafından güçlendirilmiş akıllı çatışma çözümü ve öncelik hakem

4. Dağıtım ve Entegrasyon

🛠️ Ön Hazırlık

Context-Keeper'ı dağıtmadan önce aşağıdaki altyapıyı hazırlamanız gerekir:

📊 Çok Boyutlu Depolama Altyapısı

1. Vektör Veritabanı (Gerekli)

Birleşik vektör depolama arayüzü tasarladık, Geliştirici/Kurumsal gereksinime göre kendi kendine genişlet, birçok vektör veritabanı destekle:

  • Alibaba Cloud DashVector: Alibaba Cloud konsolu üzerinde hızlıca talep et
  • JD Cloud Vearch: JD Cloud üzerinde hızlıca talep et
  • Özel Uygulamalar Genişletme: Birleşik arayüzüne dayalı diğer vektör depolarının uygulanması genişlet (Milvus, Weaviate vb)
# Yapılandırma Örneği (İkisinden Biri Seç)
# Seçenek 1: Alibaba Cloud DashVector Kullan
VECTOR_STORE_TYPE=aliyun
VECTOR_DB_URL=https://your-instance.dashvector.cn-hangzhou.aliyuncs.com
VECTOR_DB_API_KEY=your-dashvector-api-key

# Seçenek 2: JD Cloud Vearch Kullan  
VECTOR_STORE_TYPE=vearch
VEARCH_URL=http://your-vearch-instance.jd.local
VEARCH_USERNAME=your-username
VEARCH_PASSWORD=your-password

2. Zaman Serisi Veritabanı (Gerekli)

Kendi Başınıza Kurun: TimescaleDB/PostgreSQL (Zaman Çizgisi Depolama İçin)

3. Grafik Veritabanı (Gerekli)

Kendi Başınıza Kurun: Neo4j (Bilgi Grafiği ve İlişki Analizi İçin)

4. LLM Model Yapılandırması (Gerekli)

Yerel ve Bulut Büyük Model Yapılandırmasını Destekleriz, Farklı Senaryoları Esnek Karşıla:

🏠 Yerel Model (Önerilir)

  • Ollama Çerçevesine Dayalı, Hızlı Yanıt, Düşük Maliyet, Veri Güvenliği
  • Ollama Kur: curl -fsSL https://ollama.ai/install.sh | sh
  • Talep Et Modeli: ollama pull deepseek-coder-v2:16b
  • Desteklenen Model: CodeQwen, DeepSeek Coder, Llama vb

☁️ Bulut Model (Yedek)

  • İlişkili LLM Satıcısı API Anahtarını Talep Et
  • Destek: OpenAI, DeepSeek, Claude, Tongyi Qianwen vb
  • Kolay Yapılandırma, Talep Üzerine Çağır

5 Dakikada Hızlı Başlangıç

Çevre Gereksinimleri

  • Go 1.21+
  • 4GB+ Bellek
  • Docker ortamı destekler (İsteğe Bağlı)

Tek Tık Yerel Dağıtım

# 1. Context-Keeper Al
git clone https://github.com/redleaves/context-keeper.git
cd context-keeper

# 2. Çevre Yap

Benzer MCP sunucuları

upstash/context7 Knowledge & Memory

LLM'ler ve yapay zeka kod editörleri için güncel kod dokümantasyonu.

upstash/context7 ★ 57,846
chopratejas/headroom Knowledge & Memory

AI ajanlar için bağlam sıkıştırma katmanı. Tool çıktılarını, logları, RAG chunk'larını, dosyaları ve konuşma geçmişini LLM'ye ulaşmadan önce sıkıştırır ve MCP tool'ları aracılığıyla geri alınabilir şekilde depolar.

chopratejas/headroom ★ 45,699
topoteretes/cognee Knowledge & Memory

AI uygulamaları ve Ajanlar için bellek yöneticisi, çeşitli graph ve vector store'ları destekler ve 30+ veri kaynağından veri alımına olanak tanır.

topoteretes/cognee ★ 18,856
bitbonsai/mcpvault Knowledge & Memory

Obsidian vault'larınız için evrensel bir AI köprüsü sunan MCP tabanlı araç. Notlarınıza güvenli okuma/yazma erişimi sağlar ve arama, toplu işlemler, etiket yönetimi ile frontmatter işleme gibi 11 kapsamlı işlem sunur. Claude, ChatGPT ve tüm MCP uyumlu AI asistanlarıyla çalışır.

bitbonsai/mcpvault ★ 1,446
apecloud/ApeRAG Knowledge & Memory

Grafik RAG, vektör arama ve tam metin aramasını birleştiren, üretime hazır RAG platformu. Kendi Knowledge Graph'ınızı oluşturmak ve Context Engineering için en iyi seçim.

apecloud/ApeRAG ★ 1,193
mem0ai/mem0-mcp Knowledge & Memory

Mem0 için bir Model Context Protocol sunucusu; IDE'ler (Cursor, Windsurf gibi) içinde kodlama tercihlerini ve desenlerini yönetmeye, kod implementasyonlarını, best practices'leri ve teknik dokümantasyonu semantik olarak depolamaya ve erişmeye yarayan araçlar sunuyor.

mem0ai/mem0-mcp ★ 656
Daha fazla: Knowledge & Memory →