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。

给 Agent / 贡献者：AGENTS.md · docs/README.md · MCP 实现 src/team_memory/server.py · 分层约束见 scripts/harness_import_check.py（LAYER_MAP）

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；与 Web 签发的原始密钥同为 64 位十六进制，见 docs/decision/auth-api-key-design.md）
export TEAM_MEMORY_API_KEY=$(openssl rand -hex 32)
echo "API Key: $TEAM_MEMORY_API_KEY"

# 3. 拉取 Embedding 模型（仅首次需要）
ollama pull qwen3-embedding:0.6b

# 4. 启动
make web

浏览器访问 http://localhost:9111 ，用上面的 API Key 登录即可。更完整的部署与用户流程见下文 按角色导航 与 快速开始。

CLI 工具 / CLI Tools

除 MCP 外，所有 memory_* 工具也可通过 tm-cli 命令行调用：

# 搜索团队知识 / Search team knowledge
tm-cli recall --query "如何配置"

# 保存经验 / Save experience
tm-cli save --title "Bug fix" --problem "连接超时" --solution "增加重试"

# 获取上下文 / Get context
tm-cli context --file-paths "src/server.py"

# 查看所有命令 / Show all commands
tm-cli --help

配置命令 / Configuration Commands

# 显示当前生效配置及值来源 / Show effective config with source annotations
tm-cli config show

# 交互式生成 ~/.config/tm/config.toml / Interactive config init
tm-cli config init

# 一键配置平台 Hook / One-command hook setup
tm-cli setup --platform claude-code
tm-cli setup --platform cursor
tm-cli setup --platform hermes
tm-cli setup --platform all

# 仅检查当前状态 / Check status only
tm-cli setup --platform all --check

前提：make dev 启动服务 + TEAM_MEMORY_API_KEY 环境变量已设置（或已在 ~/.config/tm/config.toml 中配置）。

MCP 接入（Cursor / Claude）

本仓库（克隆源码）推荐：不要把 API Key 写进 mcp.json。在仓库根维护 **.env（从 example/env.team-memory.example 复制），其中至少设置 **TEAM_MEMORY_API_KEY**；MCP 配置为 **bash** + **scripts/run_mcp_with_dotenv.sh** + **cwd= 仓库根。详见 docs/guide/mcp-server.md。Cursor 一般用 .cursor/mcp.json，Claude Code 可用根目录 .mcp.json，两处内容建议保持一致。

项目名零配置：在项目根放置 .tm.toml（见 配置说明），或系统自动从 git 仓库名推断，无需传 --project 或设 TEAM_MEMORY_PROJECT。

仅 pip install team_memory、无本地仓库目录时，可在 .cursor/mcp.json 里用本机 Python 与环境变量（数据库与 Key 仍需提供）：

{
  "mcpServers": {
    "team_memory": {
      "command": "python3",
      "args": ["-m", "team_memory.server"],
      "env": {
        "TEAM_MEMORY_DB_URL": "postgresql+asyncpg://developer:devpass@localhost:5433/team_memory",
        "TEAM_MEMORY_API_KEY": "你的 API Key"
      }
    }
  }
}

也可使用客户端配置 ~/.config/tm/config.toml（tm-cli config init 生成），避免在 JSON 中写入密钥。

（MCP 未注册 Resources / Prompts；**memory_* 七工具**：memory_save、memory_recall、memory_context、memory_get_archive、memory_archive_upsert、memory_feedback、memory_submit_response。详情见下文 MCP 工具列表（当前） 与 docs/guide/mcp-server.md。）

本机直连数据库时需要配 TEAM_MEMORY_DB_URL（或通过 config）；从源码跑且项目里已有 config 的，可不单独设 DB_URL。

架构可视化（现状）

Web 内「架构」导航与 /api/v1/architecture/* 已移除（实现见 src/team_memory/web/static/js/pages.js）。若需要代码库图谱，请在本机单独使用 GitNexus（CLI / Bridge 等），与当前 TM Web 无集成。

---

按角色导航

角色	目标	入口
初次部署者	跑起 Web、拿到 API Key	快速开始 → 一、初次部署者
初级使用者	在 Cursor/Claude 里接入	快速开始 → 二、初级使用者
贡献者	改代码、提 PR	开发

目录

• 功能概览 · 快速开始 · CLI 工具 · MCP 接入 · Web 管理 · 配置 · 运维 · FAQ · 开发

安装与获取

• PyPI：pip install team_memory（推荐用于部署或本地 MCP 客户端）。
• MCP 官方注册表：在 MCP Registry 或 Cursor / Claude Desktop 的 MCP 市场中搜索「TeamMemory」或「team-memory」，可一键发现并安装（安装后仍需配置数据库连接与 API Key，见下文）。

TeamMemory 在 AI 知识体系中的位置

AI 助手在项目中可用的知识分为三层，每一层解决不同的问题：

┌─────────────────────────────────────────────────────────┐
│  Rules / Skills（静态层）                                │
│  已确定的规范和成熟的工作流，手动维护，变化频率低            │
│  例：代码风格规范、部署流程、API 用法                      │
├─────────────────────────────────────────────────────────┤
│  TeamMemory（动态层）          ← 本项目                  │
│  从日常开发中自动积累的团队经验，语义可搜索，持续演化         │
│  例：Bug 根因分析、架构决策背景、接口的隐藏坑               │
├─────────────────────────────────────────────────────────┤
│  代码 + 文档（基础层）                                    │
│  项目源码和文档，AI 可直接读取                              │
│  例：函数定义、README、注释                                │
└─────────────────────────────────────────────────────────┘

三层之间存在自然的知识生命周期：

日常开发会话
    │
    ▼
AI 自动提取经验 ──→ TeamMemory（动态积累）
    │                      │
    │                      ▼ 模式稳定后
    │               固化为 Rules / Skills
    │                      │
    └──── 新问题 / 新变化 ←─┘

Rules/Skills 无法覆盖的知识，正是 TeamMemory 的价值所在：那些太碎、太多、变化太快，不适合写成规则，但恰恰是团队"老手"和"新手"之间最大差距的经验。

术语表

术语	说明
经验	单条问题-方案对，可被检索和复用
经验库	经验的集合
scope	作用域：global（全局）、team（团队）、personal（个人）
Embedding	向量嵌入，用于语义搜索；配置项为 embedding
MCP	Model Context Protocol，让 AI 客户端调用 memory_recall、memory_save 等工具

功能概览

自动学习

AI 从对话和文档中自动提取结构化经验，无需手动录入：

• 对话提取：通过 MCP **memory_save(content=...)** 走 LLM 解析，从长对话中识别问题、方案、标签并写入（含质量门控）；Web 上亦支持粘贴文档或 URL 解析
• 文档解析：上传文档或输入 URL，AI 自动解析为标题、问题描述、解决方案、标签
• 经验组：保存时可选 **group_key**（MCP / HTTP）将相关经验归组；复杂编排可在 Web 完成
• 默认草稿模式：AI 提取的内容默认为草稿，经人工审核后发布，保证质量

智能检索

多层检索管线，确保 AI 找到最相关的历史方案：

• 语义搜索：基于向量嵌入（Ollama / OpenAI / 本地模型），理解查询意图
• 混合检索：向量搜索 + 全文检索 + RRF 融合排序
• 查询优化：同义词扩展（config.tag_synonyms）、短查询自动降低 min_similarity（0.45）；FTS 使用 simple 分词器 + jieba 中文分词 + hybrid AND/OR 策略（前 2 词 AND 保证精度，其余 OR 提升召回）
• Reranker：支持服务端 LLM 精排，或客户端 AI 自行判断结果相关性
• Token 预算控制：自动裁剪输出长度，避免经验库增大后撑爆 AI 上下文
• 记忆压缩与摘要：经验支持 summary 字段，LLM 可生成简短摘要；单条（POST /experiences/{id}/summarize）与批量（POST /experiences/batch-summarize）生成；MCP 搜索结果中每条经验可包含 summary，便于节省 Token
• PageIndex-Lite：长文档自动分块建立节点索引，支持节点级精准检索
• 个人扩写：per-user tag_synonyms 在检索前生效（词表替换 + LLM 扩写），MCP 搜索返回后自动维护；Web 设置 → 个人扩写
• 个人记忆 / 用户画像：按 user_id 隔离；Lite 下由 **memory_save(..., content=...)** 解析等路径可写入；**memory_context** 返回 profile.static / profile.dynamic（字符串列表）。Web 设置 → 用户画像 可分组查看、过滤 static/dynamic 并 删除 错误条目（还可调 HTTP API profile_kind）。
• 文件位置绑定：保存经验时可传 file_locations（路径 + 行范围，可选 snippet/file_mtime/file_content_hash）；检索时可传 current_file_locations，与当前编辑位置匹配的经验会获得 location 加分，详见 src/team_memory/server.py 工具参数与 docs/guide/mcp-server.md。

三层作用域

• global：全局共享知识
• team：团队/项目级经验
• personal：个人笔记与草稿

经验类型自动分类

保存时可根据内容自动推荐经验类型（general/feature/bugfix/tech_design/incident/best_practice/learning），减少手动选择。

经验质量打分系统

自动评估经验的活跃度和价值，让高质量经验脱颖而出：

• 阶梯衰减：新经验 100 分起步，10 天保护期后未被引用每天 -1 分（低于 50 分后 -0.5/天）
• 引用加分：每次被检索命中（含 memory_recall / Web 搜索管线）+2 分，获 4 星以上评价 +1 分
• 质量等级：Gold (≥120) / Silver (≥60) / Bronze (≥20) / Outdated (≤0)
• 置顶免衰：手动置顶的经验永不衰减（年度发布流程等长期有效经验）
• Outdated 管理：分值归零的经验仍可搜索到，但在管理面板提示处理（恢复/删除/置顶）
• 规则可配：初始分值、衰减速率、加分幅度、等级阈值均可在设置页调整

结构化管理

不是随意堆放的笔记，而是有类型、有层级、有评分的经验体系：

• 7 种经验类型：通用、需求、Bug、技术方案、故障、最佳实践、学习笔记，每种类型有专属结构化字段
• 父子层级存储：支持将相关经验组织为经验组（如：一个需求从评审到上线的全过程）
• 完整度评分：0-100 分自动评分，鼓励团队逐步完善经验
• 生命周期管理：草稿 → 审核 → 发布 → 过期检测 → 去重合并

团队协作

多人共建共享的团队知识库：

• RBAC 权限：admin / editor / viewer 三级角色
• 反馈评分：1-5 星评分影响搜索排序，低分经验自动降权
• 版本历史：就地编辑 + 版本快照，支持回滚
• 去重检测：保存前自动检测相似经验，避免重复录入
• 合并建议：设置页标记建议合并的相似经验对，三栏 Git-Conflict 风格 diff 对比 + 合并预览
• 多项目隔离：通过 project 参数隔离不同项目的经验，避免跨项目污染

无缝集成

原生 MCP 协议支持，AI 助手通过 stdio 接入：

• MCP 工具（7 个）：memory_context、memory_recall、memory_get_archive、memory_archive_upsert、memory_save、memory_feedback、memory_submit_response（见 MCP 工具列表）
• 当前 MCP 未注册 Resources / Prompts；补齐体验以 Web、/docs HTTP API 为准
• Web 管理界面：浏览、搜索、审核、档案馆、配置等

旧文若仍写 **tm_*** MCP 或任务看板等已下线能力，以 本文、AGENTS.md 与 src/team_memory/server.py 为准。

TM Daemon（自动采集与精炼）

后台守护进程，自动从 Obsidian vault 和 Agent 对话中采集经验：

• Obsidian Watcher：监听 vault 文件变更，自动创建 draft（同文件去重，更新而非重复创建）
• RefinementWorker：每 30 秒扫描 pending draft，调用 LLM（GLM-5-Turbo）提取结构化字段（title/problem/solution/tags），自动发布
• 学习卡片跳过：识别学习类内容（卡片-、主题-、Layer 等），直接发布不走 LLM 抽取
• 入口命令：tm-daemon（即 python -m team_memory.daemon），make daemon-start / make daemon-stop（launchd 托管），日志 /tmp/tm-daemon.log
• 代码位置：src/team_memory/daemon/（原 scripts/daemon/）

Faithfulness 评估系统

基于 RAGAS 思路，用 LLM Judge 评估搜索结果是否被 Agent 真实使用：

• 自动捕获：Daemon 的 after_response hook 自动缓存 (query, response, result_ids) 到 response_buffer
• 批量评估：buffer 积累到阈值（默认 5 条）后自动触发 LLM Judge（glm-4-flash）
• 评估逻辑：拆解 Agent 回复为 claims → 逐条检查是否能从检索结果推断 → 输出 faithfulness score
• 结果回流：score ≥ 0.5 自动标记 search_log 为 was_used，影响 use_rate 统计
• 查看方式：make stats（Faithfulness 面板）、make faithfulness-eval --show 10、curl localhost:3901/status/faithfulness
• 模型可配：--model glm-4-flash --base-url http://localhost:4000/v1

Wiki 编译与实体关系

从经验库自动编译知识 Wiki：

• 实体提取：LLM 从经验中提取工具、概念、人物等实体（L2.5 层）
• 关系发现：建立实体间的 uses/depends/conflicts 关系
• 主题发现：自动聚类经验为主题，LLM 生成主题名
• 矛盾检测：规则 + LLM 双重验证，发现相互矛盾的经验对
• 命令：make wiki-compile、make entity-backfill、make detect-contradictions

一键部署

最小化上手成本：

• make setup 一键完成全部安装
• 最小配置模板只需改 2 项即可启动
• Docker Compose 自动拉取所需模型
• 统一端口 9111，健康检查一键诊断

快速开始

以下从初次部署者（把 TeamMemory 跑起来的人）和初级使用者（在 Cursor/Claude 里连上已有服务的人）两种角色，按最小步骤说明。

前提条件

依赖	确认方式
Docker Desktop	docker --version
Python 3.11+	python3 --version
Make	make --version（macOS/Linux 一般自带）
Ollama	ollama --version（首次 make web 前拉取模型用，见下）

一、初次部署者：一键部署

你是第一次在团队里部署，目标是：跑起 Web、拿到 API Key、并交给同事用。

1. 一键初始化

克隆仓库后，在项目根目录执行：

make setup

会完成：启动 Docker（PostgreSQL+pgvector、Ollama、Redis）、安装 Python 依赖、执行数据库迁移。成功时输出 ✔ Setup complete!。常见失败原因：Docker 未启动、5432/11434 端口被占用、pip 安装失败。

2. 改配置

默认使用仓库根目录 config.development.yaml。确认 database.url 与本地 Postgres 一致；auth.api_key 建议用环境变量注入：

设置环境变量作为管理员引导密钥（首次部署必须；勿提交 Git、勿明文写入配置文件）：

export TEAM_MEMORY_API_KEY=$(openssl rand -hex 32)
echo "你的管理员 API Key: $TEAM_MEMORY_API_KEY"

首次登录

• 打开 http://localhost:9111
• 点击「使用 API Key 登录」
• 将上面的 TEAM_MEMORY_API_KEY 粘贴到输入框，点击「登录」
• 登录成功后即为 admin，右上角显示当前用户名

该 Key 仅在内存中生效（与 config 中的 auth.api_key 一样），重启服务后仍使用同一环境变量即可再次用该 Key 登录。若希望用「用户名 + 密码」登录并长期使用，见下文「可选：为自己创建持久 Admin 账户」。

方式二：配置文件

在 config.development.yaml（或 TEAM_MEMORY_CONFIG_PATH 指向的文件）中设置：

auth:
  type: db_api_key
  api_key: "${TEAM_MEMORY_API_KEY}"   # 从环境变量读取
  user: admin

或直接写明文（仅限本地/测试，勿提交到 Git；生产环境禁止）：

auth:
  type: db_api_key
  api_key: "你的 API Key"
  user: admin

启动服务后，用该 api_key 在 Web 登录页选择「使用 API Key 登录」即可获得 admin。

可选：为自己创建持久 Admin 账户

若希望用「用户名 + 密码」登录、且不依赖引导 Key：

1. 已用引导 Key 以 admin 身份登录 Web。
2. 进入 设置 → 用户管理，点击「添加用户」。
3. 填写：

• 用户名：如 admin 或你的英文名
  • 角色：admin
  • 初始密码：设置一个强密码（用于 Web 登录）

4. 点击「创建」。系统会生成并展示一条 API Key（用于 MCP 客户端），请复制保存。
5. 之后可：

• Web：用刚设置的用户名 + 密码登录。
  • MCP：在 Cursor/Claude 的 mcp.json 中使用刚生成的 API Key 作为 TEAM_MEMORY_API_KEY。

引导 Key（环境变量或 config 中的 key）与数据库中的用户彼此独立：引导 Key 仅用于首次拿到 admin 权限；后续日常可使用数据库里的 admin 账号（用户名+密码 + 自己的 API Key）。

若使用默认 Docker 数据库，database.url 无需改；否则改为你的 PostgreSQL 连接串。

3. 拉取 Embedding 模型（仅首次）

make setup 会启动 Ollama 容器，首次 make web 前需执行：

ollama pull qwen3-embedding:0.6b

4. 启动 Web

make web

浏览器打开 http://localhost:9111。

首次登录：切换到「使用 API Key 登录」，输入上一步的 TEAM_MEMORY_API_KEY，即以 admin 身份进入。

多人使用：

• 团队成员在登录页点击「注册」，填写用户名和密码
• Admin 在「设置 > 用户管理」中审批注册申请，系统自动生成 API Key
• Admin 将 API Key 分发给成员，用于 MCP 客户端（Cursor/Claude Desktop）接入
• 成员后续 Web 登录使用用户名 + 密码，MCP 使用 API Key

5. 可选：健康检查

make health

成功时输出 PostgreSQL: OK、Ollama: OK、Web: healthy 等。若 database 或 ollama 为 FAIL，按提示启动对应服务或执行迁移。

首次访问 Web 时可能显示 0 条经验，属正常。 可先添加一条测试经验验证流程。

日常再次启动只需：make dev（或先 docker compose up -d 再 make web）。更多命令见下方「运维」。

---

二、初级使用者：在 Cursor / Claude 里接入

你已经从部署者拿到 API Key，TeamMemory 的数据库（和 Web）已就绪。只需在本机配置 MCP 并验证。

1. 安装（本机跑 MCP 时）

pip install team_memory

若通过 Cursor/Claude 的「MCP 市场」安装 TeamMemory，按客户端说明即可，可能无需本机再装。

2. 拿到 API Key 与数据库连接

• 向部署者索取 TEAM_MEMORY_API_KEY。
• 若你本机直连团队 PostgreSQL（即 MCP 进程自己连库），还需 TEAM_MEMORY_DB_URL（如 postgresql+asyncpg://用户:密码@主机:5432/team_memory）。若你使用「从源码运行」且项目目录下已有正确配置，可不设 DB_URL，由 config 提供。
• 或运行 tm-cli config init 交互式生成 ~/.config/tm/config.toml，后续无需再设环境变量。

3. 配置 MCP

在 Cursor 中编辑项目或用户下的 .cursor/mcp.json；在 Claude Desktop 中编辑 MCP Servers 对应配置。MCP 的当前用户由 TEAM_MEMORY_API_KEY 解析（与 Web 同账号即同一人）；TEAM_MEMORY_USER 仅在不设 Key 或解析失败时作为回退，可选。

• 从源码运行本仓库（推荐：TEAM_MEMORY_* 进 .env，密钥不进 JSON）：将 example/env.team-memory.example 复制为仓库根 .env 并填写；执行 chmod +x scripts/run_mcp_with_dotenv.sh；把 example/cursor-mcp-team-memory.example.json 里的绝对路径换成你的目录后写入 .cursor/mcp.json / .mcp.json：

{
  "mcpServers": {
    "team_memory": {
      "command": "bash",
      "args": ["/ABSOLUTE/PATH/TO/team_doc/scripts/run_mcp_with_dotenv.sh"],
      "cwd": "/ABSOLUTE/PATH/TO/team_doc"
    }
  }
}

• 从 pip 安装、无项目目录：用本机 Python + env 块（无需 cwd）：

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

• 备选（不建议提交到 Git）：仍可在 mcp.json 的 env 里写 TEAM_MEMORY_API_KEY / TEAM_MEMORY_PROJECT；多仓库时更易分叉泄露，优先用 .env + 包装脚本。

4. 验证

重启 Cursor 或 Claude Desktop，在对话里请 Agent 使用 **memory_recall**（或 **memory_context**）搜索与 Docker 相关的经验。若配置正确，会返回 JSON 结果。约定见 mcp-lite-default.md。

---

其他安装方式

• 仅 Docker、不克隆源码：若你只想跑 Web 不跑本地 MCP，可用 docker compose up -d 启动（含数据库迁移）。在 .env 中设置 TEAM_MEMORY_API_KEY（默认 changeme 请修改）。生产环境必须修改默认 Key，禁止使用 changeme。访问 http://localhost:9111 。
• 从 PyPI 部署、无 Make：pip install team_memory 后，需自备 PostgreSQL（pgvector）并在项目根目录执行 alembic upgrade head，再通过 TEAM_MEMORY_CONFIG_PATH 或 TEAM_MEMORY_DB_URL 启动 team-memory-web 或 **team-memory**（MCP）。入口命令：team-memory-web（Web）、team-memory（MCP）、tm-cli（CLI）、tm-daemon（Daemon）。

---

MCP 接入指南（配置参考）

克隆本仓库时：优先 **.env + scripts/run_mcp_with_dotenv.sh**，mcp.json 不写密钥；完整步骤见 docs/guide/mcp-server.md。

Cursor（.cursor/mcp.json）— 从 pip 安装、无项目目录：

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

从源码目录运行且不用包装脚本时（备选）：将 command 指向项目 .venv/bin/python，设 "cwd" 为仓库根，env 中提供 TEAM_MEMORY_API_KEY 等（数据库可由项目内 config 提供）。

Claude Desktop：在 MCP 设置中添加同名 team_memory 条目；源码场景推荐与上文相同的 bash + run_mcp_with_dotenv.sh，pip 场景与上一致即可。

变量	必填	说明
TEAM_MEMORY_DB_URL	是（或由 config 提供）	PostgreSQL 连接串，postgresql+asyncpg://...，库需启用 pgvector
TEAM_MEMORY_API_KEY	推荐	与 Web 同账号的 API Key；MCP 据此解析为当前用户，与 Web 身份统一
TEAM_MEMORY_USER	否	项目级 mcp.json 中配置：写入经验的归属用户（你的 Web 账号），避免「不知谁写入」；不设 API Key 时也作回退，默认 anonymous
TEAM_MEMORY_PROJECT	否	项目级 mcp.json 中配置：写入经验的归属项目名；不设则用服务端 default_project
TEAM_MEMORY_CONFIG_PATH	否	配置文件路径，设置则优先从该文件加载

MCP 身份与 Web 统一：MCP 的当前用户（current_user）优先由 TEAM_MEMORY_API_KEY 经服务端 AuthProvider 解析得到，与 Web 使用同一套用户体系。配置与 Web 同账号的 API Key 后，在 Cursor 里写入的 personal 经验在同一 Cursor 会话内可被检索到，且 Web 用该账号登录后也能看到。推荐只配置 TEAM_MEMORY_API_KEY（与 Web 同账号的 Key），无需再设 TEAM_MEMORY_USER。

项目级归属（用户 / 项目名）：推荐使用 **.tm.toml** 声明项目名（见 配置说明 / Project Config），系统也会自动从 git 仓库名推断——大多数情况下无需手动配置。若需显式指定，可在仓库根 **.env** 中设置 TEAM_MEMORY_PROJECT（及按需 TEAM_MEMORY_USER），与包装脚本一起使用。解析顺序：.tm.toml > **TEAM_MEMORY_PROJECT** > git 仓库名 > 目录名 > 配置 default。

Docker/Helm：若通过容器或编排部署，在配置中注入上述环境变量；生产环境禁止使用占位或默认 Key（如 changeme）。

回滚说明：MCP 身份解析逻辑无 DB 变更。若需回滚，仅还原 src/team_memory/server.py 中相关改动，并通知用户恢复依赖 TEAM_MEMORY_USER 的配置即可。

实际场景：AI 如何使用 TeamMemory

场景 1：遇到问题，AI 先查团队经验

你：这个 Docker 容器的网络一直不通，帮我看看

AI 的推荐行为：
  1. 调用 memory_recall(problem="Docker 容器网络不通", framework="docker")
  2. 命中团队经验：「上次是 bridge 网络 DNS 解析问题，需要指定 --dns」
  3. 基于命中结果给出步骤，并在合适时 memory_save 沉淀新结论

场景 2：问题解决后保存

排查结束后，可由 AI 调用 memory_save(title=..., problem=..., solution=...)
或 memory_save(content="…长对话…") 走解析后写入（常为草稿，视服务配置而定）。

场景 3：打开文件时带一点上下文

AI 可调用 memory_recall(file_path="k8s/deployment.yaml", framework="kubernetes")
按路径/框架取相关经验（等价于旧文档中的「suggest」类用法）。

MCP 工具列表（当前）

工具	功能	输入要点
memory_context	任务开始拉上下文 + 用户画像摘要 + 相关经验	file_paths 等（以工具 schema 为准）
memory_recall	统一检索：problem / query / file_path 等	至少提供其一；可选 include_archives、include_user_profile
memory_get_archive	档案 L2 全文	archive_id（通常在 recall 命中 type=archive 后调用）
memory_archive_upsert	创建/更新档案馆（与 POST /api/v1/archives 一致）	title、solution_doc 等；大文件见 mcp-server 档案馆流程（HTTP / tm-cli upload）
memory_save	保存或长文解析保存	title+problem 或 content；勿使用已移除的 scope=archive
memory_feedback	对结果评分	experience_id、rating 等
memory_submit_response	提交回复用于 Faithfulness 评估	query、response、result_ids（可选）

更多管理员操作（审核、去重、配置）请用 Web 或 **GET/POST /api/v1/...**（见 /docs）。历史 **tm_*** 已不在 MCP 中暴露。

Web 管理界面

启动 Web 服务后访问 http://localhost:9111，提供经验的可视化管理：

页面	功能
经验列表（含仪表盘统计）	经验总量、近期趋势、热门标签、类型分布；按类型/标签/项目/进度多维筛选
草稿箱	查看 AI 自动提取的待审核草稿
审核队列	审核团队成员提交的经验
去重检测	发现和合并相似经验
系统设置	检索参数、搜索配置等

档案馆、去重、个人记忆等以当前 Web 导航与 OpenAPI 为准。

创建经验支持三种模式：

• 手动填写：逐字段填写标题、问题、方案
• 文档解析：粘贴文档或 Markdown，AI 自动提取字段
• URL 导入：输入链接，AI 自动抓取并解析内容

API 参考（前缀 /api/v1）：

• Swagger UI: http://localhost:9111/docs
• ReDoc: http://localhost:9111/redoc

配置说明 / Configuration

TeamMemory 的配置分为两层：服务端配置（部署者）和客户端配置（使用者），优先级从高到低为：

环境变量 > .env 文件 > config.toml > 代码默认值
env vars > .env file > config.toml > code defaults

客户端配置（使用者） / Client Config

统一配置文件：**~/.config/tm/config.toml**，CLI、MCP、Daemon、Hooks 所有客户端组件共用。

可通过 tm-cli config init 交互式生成，或手动创建：

# ~/.config/tm/config.toml — 统一客户端配置 / Unified client config

[server]
url = "http://localhost:9111"       # TM Web 服务地址 / Web server URL
api_key = ""                         # 或由 TEAM_MEMORY_API_KEY 环境变量提供

[llm]
base_url = "http://localhost:4000/v1"  # LLM API 地址（用于 Faithfulness 评估等）
model = "DeepSeek-V3"                   # LLM 模型名
api_key_env = "LITELLM_MASTER_KEY"      # LLM API Key 的环境变量名（推荐）
timeout = 30                             # 请求超时（秒）

[conversation]
db_path = "~/.cache/tm-pipeline/drafts.db"  # 本地对话缓存路径

[wiki]
enabled = false
db_path = "~/.cache/tm-pipeline/wiki.db"

[daemon]
host = "127.0.0.1"
port = 3901
log_level = "INFO"

优先级 / Priority：TM_SERVER_URL 环境变量 > .env 文件 > config.toml > 代码默认值。

查看当前生效配置 / Show effective config：

tm-cli config show     # 显示每个字段的值及其来源

项目级配置 / Project Config

在项目根目录放置 **.tm.toml**，声明项目名与别名：

# .tm.toml — 项目级配置 / Project-level config
[project]
name = "team_doc"           # 项目名（优先于 git repo 名 / 目录名）
aliases = ["team_memory"]   # 别名：历史项目名映射到当前名

项目名推断优先级 / Project name inference：

1. .tm.toml 中 [project].name — 显式声明
2. Git 仓库名（basename → snake_case）— 覆盖 80%+ 场景
3. 目录名（basename → snake_case）— 兜底

零配置：大多数项目无需 .tm.toml，系统自动从 git 仓库名推断。有了 .tm.toml 后不再需要传 --project 参数。

服务端配置（部署者） / Server Config

仅保留两个环境配置文件（二选一，再结合环境变量覆盖）：

文件	用途
config.development.yaml	本地 / 默认（TEAM_MEMORY_ENV 未设或 development / test / dev / local）
config.production.yaml	正式 / 预发（TEAM_MEMORY_ENV=production 或 prod）
TEAM_MEMORY_CONFIG_PATH	可选：指向任意单文件，则不再按环境名解析上述两个文件
环境变量 TEAM_MEMORY_*	最高优先级，覆盖 YAML 中的同名字段

多环境配置（服务端） / Multi-Environment (Server)

# 开发（默认）
unset TEAM_MEMORY_ENV   # 或 TEAM_MEMORY_ENV=development

# 正式
TEAM_MEMORY_ENV=production

认证类型

auth.type 可选：db_api_key（多用户、推荐）、api_key（内存单 key）、none（无认证，仅测试）。

RBAC 角色权限

角色	权限
admin	全部操作（用户管理、配置修改、审计日志）
editor	创建、编辑、删除、审核经验
viewer	只读（搜索、浏览、反馈）

管理员通过 Web UI 设置页面管理 API Key 和角色分配。

Embedding 配置 / Embedding Config

embedding:
  provider: ollama  # ollama / openai / local / generic
  ollama:
    model: qwen3-embedding:0.6b
    dimension: 1024

支持 Ollama（默认，本地运行，无需 API Key）、OpenAI API、本地 sentence-transformers 模型、generic 自定义端点。当前默认使用 qwen3-embedding:0.6b（1024 维），中文支持优秀。切换模型后需执行 make embedding-backfill 重新生成向量。

Embedding 自动恢复 / Auto-recovery：当 Ollama 重启后，Web 服务的 embedding 缓存可能失效。/health 健康检查会自动重试 embedding 初始化：检测到失败后从配置重新创建 provider，成功即替换缓存。无需手动重启 Web 服务。

运维

常用命令

# 基础
make setup         # 首次安装（Docker + 依赖 + 数据库）
make dev           # 启动全部服务
make web           # 仅启动 Web（9111）
make health        # 一键健康检查
make backup        # 备份数据库 (PG + SQLite)
make clean         # 清理 Python 缓存

# 测试
make test               # 运行全部单元测试
make test-acceptance    # 管道验收测试 (21 tests, Tier 2+3)
make test-regression    # 完整回归 (acceptance + e2e + pipeline)
make test-llm           # 测试 LLM 连通性
make e2e-verify         # 端到端链路验证 (模拟 AI 对话)

# 代码质量
make lint          # Ruff 代码检查
make lint-fix      # Ruff 自动修复
make verify        # 标准验收：import + lint + 全量测试
make verify-web    # Web 验收：lint + web 测试 + smoke

# 搜索与质量
make stats         # 搜索质量报告
make search-eval   # 搜索质量评估 (precision/recall)
make faithfulness-eval  # Faithfulness 批量评估 (RAGAS)
make verify-pipeline    # 人工验证数据链路 (15项检查)
make diagnose-pipeline  # 诊断数据链路详细状态

# Wiki
make wiki-compile  # Wiki 编译
make wiki-status   # Wiki 编译状态
make entity-backfill    # 实体提取回填
make entity-dedup       # 实体去重合并
make detect-contradictions  # 矛盾经验检测

# 数据维护
make migrate       # 数据库迁移
make migrate-fts   # 补齐 FTS 字段
make embedding-backfill # 重新生成 embedding
make solution-backfill  # 补跑无 solution 的经验

# Daemon
make daemon-start  # 启动 Daemon (launchd)
make daemon-stop   # 停止 Daemon
make daemon-run    # 前台运行 Daemon (调试用)
make daemon-reload # 代码变更自动重启
make daemon-install   # 安装 launchd plist (开机自启)
make daemon-uninstall # 卸载 launchd plist

# Watchdog
make watchdog-start  # 启动 Watchdog (launchd)
make watchdog-stop   # 停止 Watchdog
make watchdog-status # Watchdog 运行状态

# 运维工具
make logs              # 查看/过滤 daemon 日志
make metrics-push      # 推送指标到飞书
make hooks-install     # 安装 Git hooks

Make 命令说明（等价手动命令）

便于问题定位和手动分步启动时参考：

命令	含义	等价手动步骤
make help	列出所有 make 目标	`grep -E '^[a-zA-Z_-]+:.*?## ' Makefile
make release-9111	释放 9111 端口	停掉占用 9111 的 Docker 容器（如 team-memory-web）和本机进程： docker compose stop team-memory-web `docker ps -q --filter "publish=9111"
make setup	首次安装	docker compose up -d → 等 PG 就绪 → 建库（若无）→ 按需启动 Ollama 容器 → pip install -e ".[dev]" → alembic upgrade head
make dev	启动全部服务	先执行 make release-9111（避免 9111 被占）→ docker compose up -d postgres redis → 若 11434 未被占用则 docker compose --profile ollama up -d → 前台运行 python -m team_memory.web.app
make web	仅启动 Web	先执行 make release-9111 → 前台运行 python -m team_memory.web.app（默认 http://0.0.0.0:9111）
make mcp	启动 MCP	bash scripts/run_mcp_with_dotenv.sh（需仓库根 .env；stdio，**memory_* 六工具**），配置见 docs/guide/mcp-server.md
make mcp-verify	校验 MCP 工具注册	跑 TestLiteToolRegistration 中工具数量与名称（无需长驻 MCP 进程）
make health	健康检查	./scripts/healthcheck.sh（检测 DB、Web、Ollama 等）
make migrate	数据库迁移	alembic upgrade head
make migrate-fts	补齐经验表 FTS 字段（存量迁移）	python scripts/migrate_fts.py；可用 --dry-run 预览待更新条数

说明：make dev 与 make web 会在启动前自动释放 9111 端口（停止占用该端口的 Docker 容器或本机进程），因此可重复执行而不会出现「address already in use」。

仪表盘报「加载仪表盘失败」时

1. 先看健康检查：make health 或 GET http://localhost:9111/health。

• 若输出中有 **dashboard_stats: FAIL** 及后面的 error / ops_hint，按提示排查（常见原因：数据库未启动、未执行迁移、或 config 中 database.url 错误）。
• 若 database 为 FAIL：先启动数据库（如 docker compose up -d postgres），执行 alembic upgrade head 后再访问仪表盘。

2. API 错误会返回 JSON：若后端报 500，接口会返回 detail、ops_error_id、ops_hint。

• 前端会把这些信息拼进错误提示；
• 在服务端日志中按 ops_error_id 搜索可定位对应异常。

3. 本地快速诊断：python scripts/smoke/smoke_web_dashboard.py [--api-key KEY] 会请求 /health 和 /api/v1/stats 并打印结果，便于确认是数据库、配置还是鉴权问题。

备份恢复

# 备份（输出到 backups/ 目录，命名格式 team_memory_YYYYMMDD_HHMMSS.sql.gz）
make backup
# 或: ./scripts/backup.sh [output_dir]

# 恢复（在项目根目录执行）
./scripts/restore.sh backups/team_memory_20260209_120000.sql.gz

Docker 部署

# 自动等待 PG、运行迁移、拉取 Ollama 模型、生成 admin key
docker compose up -d
# 统一端口: 9111

生产环境必须修改默认 Key，禁止使用 changeme。 含密码的 database.url 等敏感配置勿提交 Git，建议使用环境变量。

监控

• 内置仪表盘: Web UI 首页
• 健康检查: make health 或 GET /health
• 就绪探针: GET /ready

可观测性 / 日志

• I/O 日志：启用 TEAM_MEMORY_LOG_IO_ENABLED=1 可记录 MCP 工具调用、检索管道、服务层等内部节点日志，便于排查与性能分析。粒度由 LOG_IO_DETAIL（mcp/service/pipeline/full）控制。
• 文件输出：启用 LOG_FILE_ENABLED 或 TEAM_MEMORY_LOGGING__FILE_ENABLED=1，日志写入 LOG_FILE_PATH（默认 logs/team_memory.log），支持按大小轮转。
• 热加载：运行时通过 GET /api/v1/config/logging 查询、PUT /api/v1/config/logging 更新日志配置（需认证），无需重启即可生效；持久化需写入当前使用的 YAML（如 config.development.yaml）。

日志 JSON 形态与脱敏逻辑见 src/team_memory/bootstrap.py（_JsonFormatter、_SENSITIVE_KEYS）及 tests/test_logging_json.py。

技术栈 / Tech Stack

层面	技术选型
MCP	FastMCP
Web	FastAPI + Uvicorn
数据库	PostgreSQL + pgvector
ORM	SQLAlchemy 2.0 (async)
嵌入	qwen3-embedding:0.6b (Ollama) / OpenAI / 本地模型
搜索	向量 + 全文检索(jieba+hybrid AND/OR) + RRF 融合 + Reranker
缓存	内存 LRU / Redis
配置	Pydantic Settings + YAML（服务端）/ TOML + ClientConfig（客户端）
迁移	Alembic
Daemon	TM Daemon (launchd) — Obsidian watcher + RefinementWorker
评估	Faithfulness (RAGAS LLM Judge) + search_eval

入口点 / Entry Points

命令	模块	用途
team-memory	team_memory.server:main	MCP Server（stdio）
team-memory-web	team_memory.web.app:main	Web 服务
tm-cli	team_memory.cli:main	CLI 兼容层 + 配置管理
tm-daemon	team_memory.daemon.__main__:main	TM Daemon 守护进程

代码组织 / Code Organization

src/team_memory/                  # Python 包（PYTHONPATH 只需 src/）
  server.py                       # MCP Server（memory_* 工具）
  cli.py                          # CLI（tm-cli）+ config/setup 子命令
  client_config.py                # ClientConfig — 统一客户端配置
  project_resolver.py             # 项目名零配置推断 + 别名注册
  daemon/                         # TM Daemon（原 scripts/daemon/）
  hooks/                          # 平台 Hook（原 scripts/hooks/）
  web/                            # Web 服务（FastAPI）
  services/                       # 业务逻辑层
  storage/                        # 数据访问层
  ...

旧路径 scripts/daemon/ → src/team_memory/daemon/，scripts/hooks/ → src/team_memory/hooks/。PYTHONPATH 不再需要 scripts/，只需 src/。

FAQ

Q: TeamMemory 和 Cursor Rules 有什么区别？

A: Rules 是静态的、手动维护的规范文件，适合"已经确定的"知识（代码风格、架构约束）。TeamMemory 是动态的、AI 自动积累的经验库，适合"还在演化的"知识（Bug 根因、方案权衡、实际踩坑）。两者互补：经验在 TeamMemory 中积累，当某个模式足够稳定后，可以将其固化为 Rule。

Q: 经验库越来越大，AI 上下文会不会爆？

A: 不会。TeamMemory 有多层机制控制输出体量：语义搜索本身只返回最相关的 Top-N 结果；Token 预算控制会自动裁剪过长的输出；Reranker 会过滤低相关度结果；PageIndex-Lite 对长文档做节点级检索而非全文返回。经验库从 100 条增长到 10000 条，AI 每次实际读取的内容量不会显著增加。

Q: 团队成员不想手动录入经验怎么办？

A: 这正是 TeamMemory 的设计重点。让 AI 在适当时机调用 **memory_save(content=...)** 可把长对话交给服务端解析并写入（常为草稿，视配置而定）；也可在 Web 中粘贴文档或 URL 生成经验后再审核发布。

Q: 切换 Embedding 模型后需要做什么？

A: 需要重新生成所有 embedding。步骤：1) 更新 config.development.yaml 中 embedding.ollama.model 和 dimension；2) 执行 alembic upgrade head（如有维度迁移）；3) 执行 make embedding-backfill 重新生成向量。

Q: 存量数据如何支持全文检索（FTS）？

A: 若经验表存在 fts 为空的记录，可执行 make migrate-fts 或 python scripts/migrate_fts.py 回填；先用 --dry-run 可预览待更新条数。

Q: 没有 Ollama 可以使用吗？

A: 可以。将 embedding.provider 改为 openai 并配置 API Key，或使用 local 加载本地 sentence-transformers 模型。

Q: 多个项目的经验会混在一起吗？

A: 不会。项目名通过 .tm.toml > git 仓库名 > 目录名自动推断，无需手动配置。也可通过 TEAM_MEMORY_PROJECT 环境变量或工具入参 project 显式指定。每个项目的经验独立存储和检索，不会互相干扰。别名机制（.tm.toml 的 aliases）确保项目重命名后历史经验仍可检索。

开发

运行测试

# 全部测试
pytest -v

# 带覆盖率
pytest --cov=team_memory

代码检查

# 检查
ruff check src/

# 自动修复
ruff check src/ --fix

CI/CD

推送至 main / develop 或向 main 提 PR 时，GitHub Actions 会执行 lint、测试与 Docker 构建。触发条件与各 job 说明见 .github/workflows/ci.yml。

文档同步约定

• 功能或代码变更后，须同步更新本 README；文档不同步不得视为任务完成。

文档结构

• 设计文档：docs/（索引：docs/README.md）