TiMem MCP Server 实战：给 Cursor / Claude Code 接入五层时序记忆

背景：AI IDE 的记忆困境

用过 Cursor 或 Claude Code 的开发者都会有同感：每次开新对话，AI 对你的项目背景一无所知。昨天讨论好的架构决策、反复强调的代码风格偏好、已经踩过的坑——全部清零。

根本原因是现有 AI IDE 没有跨会话持久化记忆的机制。Context window 只在单次会话内有效，新会话就是新白板。

TiMem 上线了 MCP Server，通过标准化的 MCP 协议接入 AI IDE，为对话过程提供持久化记忆层，彻底解决这个问题。

---

什么是 TiMem MCP

MCP（Model Context Protocol）是 Anthropic 提出的开放协议，允许 AI 助手在对话过程中调用外部工具。TiMem MCP Server 基于此协议，提供两个核心工具：

• create_memory：将当前会话内容存入 TiMem 记忆系统
• • search_memories：根据问题检索历史记忆，支持按层级（L1-L5）过滤
    TiMem 底层使用**时序记忆树（TMT）**架构，五层自动归纳：

L1 原始对话片段   ← 毫秒级写入，保留原始细节
     ↓
     L2 会话摘要       ← 对话结束后自动提炼
          ↓
          L3 每日总结       ← 跨会话日维度归纳
               ↓
               L4 每周总结       ← 中期规律提取
                    ↓
                    L5 人物画像       ← 全生命周期稳定描述
                    ```
查询时系统根据问题复杂度自动选层，无需手动指定。这是 TiMem 与 Mem0 等扁平记忆框架最核心的区别。

---

## 接入步骤

### 前置条件

- 安装 `uv`（Python 包管理工具）：
```bash
curl -LsSf https://astral.sh/uv/install.sh | sh

• 在 TiMem 控制台 获取 API Key

第一步：配置 MCP Server

将以下配置添加到对应 AI IDE 的 MCP 设置文件中：

Claude Code（~/.claude/settings.json）：

{
  "mcpServers": {
      "TiMEM-MCP": {
            "command": "uvx",
                  "args": ["timem-mcp"],
                        "env": {
                                "TiMEM_API_KEY": "your-api-key-here",
                                        "TiMEM_API_HOST": "https://api.timem.cloud"
                                              }
                                                  }
                                                    }
                                                    }
                                                    ```
**Cursor**（`~/.cursor/mcp.json`）：配置格式相同。

### 第二步：配置 AI 使用规则

在 `CLAUDE.md` 或 `.cursorrules` 中加入：

你可以使用 TiMEM MCP 服务器的记忆管理工具：

• 使用 create_memory 将重要对话内容、技术决策、用户偏好存储为记忆
• • 使用 search_memories 在开始新任务时检索相关历史记忆

第三步：重启并验证

重启 AI IDE 后，在新对话中提及记忆相关内容，观察 AI 是否自动调用 TiMEM MCP 工具。

---

核心工具参数详解

create_memory

参数	必填	默认值	说明
messages	✅	-	role + content 格式的消息列表
session_id	✅	-	会话标识符
agent_id	❌	“default-expert-001”	智能体 ID
domain	❌	“general”	业务领域，可用于隔离不同项目记忆

domain 字段的实用价值：不同项目设置不同 domain，记忆完全隔离，避免项目间上下文混串。

search_memories

参数	必填	默认值	说明
query	❌	-	搜索关键词
layer	❌	自动	记忆层级 L1-L5
domain	❌	-	业务领域过滤
limit	❌	10	返回结果数量

按 layer 检索的典型用法：

查原始对话细节  → layer: L1
查近期状态      → layer: L3
查整体画像      → layer: L5

---

性能数据

TiMem 在主流长对话记忆基准上的表现：

基准测试	Mem0	MemOS	TiMem
LoCoMo	~64%	69.24%	75.30%
LongMemEval-S	~65%	68.68%	76.88%
Token 消耗	基准	中等	减少 52.20%

五层时序树结构让 TiMem 在长对话场景下比扁平检索框架高出 10+ 个百分点，同时通过层级归纳大幅减少检索时的 token 消耗。

---

典型使用场景

场景一：项目长期开发

第一天告诉 AI「我们用 Go，数据库是 PostgreSQL，不用 ORM，错误处理统一用 errors.As」。之后每次开新会话，AI 通过 search_memories 检索项目规范，直接按规范写代码，不需要重复说明。

场景二：调试历史复用

某个复杂 bug 的定位过程存入记忆。下次遇到类似现象，AI 能直接检索到历史分析路径，避免重复踩坑。

场景三：多项目隔离

用 domain 字段区分不同项目，A 项目的技术规范不会影响 B 项目的对话。

---

总结

TiMem MCP Server 的接入成本极低——修改一个 JSON 文件，加几行规则，不改任何业务代码。但它把 AI IDE 从「无状态工具」变成了「有记忆的开发搭档」，在长期项目开发场景下体验提升非常明显。

• GitHub：https://github.com/TiMEM-AI/timem
• • 在线体验：https://playground.timem.cloud
• • 技术文档：https://docs.timem.cloud