📄 工具详情 ⚙️ 安装教程 📚 使用教程
能力标签
🔌 MCP🤖 Agent💻 CLI🔗 REST API🧬 Embedding🧠 Claude✨ GPT🖥 本地 LLM
MCP工具：AI连续性层
🔌
MCP工具

MCP工具：AI连续性层

基于 Go · 让 AI 助手直接操作你的系统与工具
英文名：nram
⭐ 4 Stars 🍴 2 Forks 💻 Go 📄 MIT 🏷 AI 7.5分
7.5AI 综合评分
mcpagent-memoryai-agentsai-memorychatgptclaudego
⬇ 下载源码 ZIP ⚙️ 配置说明
✦ AI Skill Hub 推荐

经 AI Skill Hub 精选评估，MCP工具：AI连续性层 获评「推荐使用」。这款MCP工具在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 7.5 分，适合有一定技术背景的用户使用。

📚 深度解析

MCP工具：AI连续性层 是一款基于 MCP（Model Context Protocol）标准协议的 AI 工具扩展。MCP 协议由 Anthropic 开发并开源，旨在建立 AI 模型与外部工具之间的标准化通信接口，目前已被 Claude Desktop、Claude Code、Cursor 等主流 AI 工具采纳。

通过安装 MCP工具：AI连续性层，你的 AI 助手将获得额外的工具调用能力，可以用自然语言直接操控该工具的功能，无需学习复杂的命令行语法。MCP 工具的核心价值在于"一次配置，永久增强"——配置完成后，每次与 AI 对话时都可以无缝调用这些工具。

在技术实现上，MCP 工具通过标准的 JSON-RPC 协议与 AI 客户端通信，工具的功能以"工具列表"的形式暴露给 AI 模型，AI 可以按需调用。MCP工具：AI连续性层 提供了结构化的工具调用接口，使 AI 模型能够精确地理解和使用每个功能点，显著降低 AI 在工具使用上的错误率。

与传统的 API 集成相比，MCP 工具的优势在于无需编写代码——用户只需在配置文件中添加几行 JSON，即可让 AI 获得全新能力。AI Skill Hub 将 MCP工具：AI连续性层 评为 AI 评分 7.5 分，属于同类工具中的优质选择。

📋 工具概览

MCP工具是开源的AI连续性层，提供自主托管的AI工具，支持AI代理和记忆功能，突出其在AI应用中的价值。

MCP工具：AI连续性层 是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。

GitHub Stars
⭐ 4
开发语言
Go
支持平台
Windows / macOS / Linux（跨平台）
维护状态
轻量级项目，按需更新
开源协议
MIT
AI 综合评分
7.5 分
工具类型
MCP工具
Forks
2

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

MCP工具是开源的AI连续性层，提供自主托管的AI工具，支持AI代理和记忆功能，突出其在AI应用中的价值。

MCP工具：AI连续性层 是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。

📌 核心特色
  • 通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
  • 提供结构化工具调用接口，显著降低 AI 集成复杂度
  • 支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
  • 可与其他 MCP 工具组合叠加，构建完整 AI 工作站
  • 轻量无侵入设计，不影响现有系统架构
🎯 主要使用场景
  • 在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
  • 通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
  • 将多个 MCP 工具组合使用，构建个人专属 AI 工作站
以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。
安装命令
# 方式一：通过 Claude Code CLI 一键安装
claude skill install https://github.com/nram-ai/nram

# 方式二：手动配置 claude_desktop_config.json
{
  "mcpServers": {
    "mcp---ai----": {
      "command": "npx",
      "args": ["-y", "nram"]
    }
  }
}

# 配置文件位置
# macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
# Windows: %APPDATA%/Claude/claude_desktop_config.json
📋 安装步骤说明
  1. 确认已安装 Node.js（v18 或以上版本）
  2. 打开 Claude Desktop 或 Claude Code 的 MCP 配置文件
  3. 按「交给 Agent 安装 → Claude Desktop」标签中的 JSON 配置填入 mcpServers 字段
  4. 保存配置文件并重启 Claude 客户端
  5. 重启后，在对话中即可使用本工具
以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。
常用命令 / 代码示例
# 安装后在 Claude 对话中直接使用
# 示例：
用户: 请帮我用 MCP工具：AI连续性层 执行以下任务...
Claude: [自动调用 MCP工具：AI连续性层 MCP 工具处理请求]

# 查看可用工具列表
# 在 Claude 中输入："列出所有可用的 MCP 工具"
以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。
配置示例
// claude_desktop_config.json 配置示例
{
  "mcpServers": {
    "mcp___ai____": {
      "command": "npx",
      "args": ["-y", "nram"],
      "env": {
        // "API_KEY": "your-api-key-here"
      }
    }
  }
}

// 保存后重启 Claude Desktop 生效
📑 README 深度解析 真实文档 完整度 74/100 查看 GitHub 原文 →
以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

简介

<p align="center"> <img src="ui/public/brand.png" alt="Neural Ram" width="150" /> </p>

Neural Ram

<p align="center"><sub><code>nram</code> for short</sub></p>

<p align="center"> <strong>The continuity layer for everything you do with AI.</strong><br /> One open source server you run yourself: every tool you use, every machine you work from, and the continuity is yours. </p>

<p align="center"> <a href="LICENSE"><img src="https://img.shields.io/badge/license-MIT-7FCFFA?style=flat-square" alt="License: MIT" /></a> <img src="https://img.shields.io/badge/Go-1.26%2B-00ADD8?style=flat-square&logo=go&logoColor=white" alt="Go 1.26+" /> <img src="https://img.shields.io/badge/MCP-Streamable_HTTP-7FCFFA?style=flat-square" alt="MCP over Streamable HTTP" /> <img src="https://img.shields.io/badge/storage-SQLite_%7C_PostgreSQL-7FCFFA?style=flat-square" alt="SQLite or PostgreSQL" /> <a href="https://github.com/nram-ai/nram/stargazers"><img src="https://img.shields.io/github/stars/nram-ai/nram?style=flat-square&color=7FCFFA" alt="GitHub stars" /></a> <img src="https://img.shields.io/github/last-commit/nram-ai/nram?style=flat-square&color=7FCFFA" alt="Last commit" /> </p>

<p align="center"> <a href="#quick-start">Quick Start</a> &middot; <a href="#reference">Docs</a> &middot; <a href="https://nram.ai">nram.ai</a> </p>

Work in progress: under active development. Expect rough edges, and feedback is welcome.

Features

Memory and recall. Hybrid retrieval fuses vector and lexical search (FTS5 on SQLite, tsvector on Postgres) with Reciprocal Rank Fusion, boosted by the knowledge graph and scored by six tunable terms (similarity, recency, importance, frequency, graph relevance, confidence). MMR reranking demotes near-duplicate results so recall stays diverse. Embedding runs off the write path, so stores stay fast. Semantic search backs onto pgvector, a pure-Go HNSW index, or Qdrant.

Enrichment and the knowledge graph. Background workers extract facts, entities, and relationships from your free-text memories and build a multi-hop graph that connects them over time. An optional ingestion judge decides add / update / delete / none against near-duplicates before extraction runs. Query augmentation paraphrases each memory into short retrieval queries so recall matches the way people actually ask.

Dreaming. An offline nine-phase consolidation cycle: entity dedup, embedding and augmentation backfill, paraphrase dedup, transitive-relationship inference, contradiction detection, consolidation, pruning (with optional confidence decay), and weight recalculation. An LLM novelty audit demotes low-value syntheses. See docs/operations.md.

Tiers. Procedural memory is a verbatim per-user tier for rules and protocols, stored byte-for-byte and never embedded, enriched, or rewritten. The persona (about_me) and global tiers are reserved, auto-provisioned, and always join the recall aperture so relevant self-knowledge and world-knowledge surface alongside project results.

Access and multi-tenancy. Authentication via JWT, per-user API keys, WebAuthn passkeys, and per-organization OIDC SSO. Full OAuth 2.0 (Authorization Code + PKCE, dynamic client registration, resource indicators, discovery metadata). Five RBAC roles across REST and MCP. Organizations, hierarchical namespaces, and projects for isolation, plus share tokens for granting scoped external access without an account.

Operability. The Web Console, a React app, manages providers, settings, the graph, dreaming, the enrichment queue, and analytics. Run on SQLite (zero-config) or PostgreSQL, with SQLite-to-Postgres migration tooling. Provider-agnostic across OpenAI, Anthropic, Google Gemini, Ollama, OpenRouter, and any OpenAI-compatible endpoint, with per-call token accounting. Real-time updates over SSE, HMAC-signed webhooks, Prometheus metrics at /metrics, and JSON / NDJSON import/export.

A full feature-by-feature reference lives across the docs.

1. Install prerequisites

ToolRequiredCheck
Go1.26.1+go version
Node.js18+node --version
npmany (build uses npm ci, not pnpm or yarn)npm --version
Ollamaoptional, for local LLMsollama --version (skip if using a hosted provider)

2. Build

git clone <repo-url> nram && cd nram
make build

Output is a single ./nram binary with the Web Console embedded.

4. Open the setup wizard

Navigate to http://localhost:8674, create the initial admin account, and save the API key shown on the completion screen. It is not shown again.

Quick Start

nram needs an LLM provider to do anything beyond storing raw text. Without one, recall falls back to keyword-only matching and the knowledge graph stays empty. No error is raised; the system runs degraded. Configure providers in Step 5, and pick a long-context embedding model (see docs/models.md).

5. Configure an LLM provider (required)

Open Settings → Providers and configure three slots: Embedding (semantic search), Fact Extraction, and Entity Extraction (the knowledge graph and dreaming). Any of OpenAI, Anthropic (chat slots only; it has no embeddings API), Google Gemini, Ollama, OpenRouter, or an OpenAI-compatible endpoint works. Changes hot-reload; no restart needed.

See docs/models.md for which model to put in each slot and how to size local models.

Reference

The deep reference is split out to keep this page approachable:

  • docs/api.md: full REST API and MCP tool/resource reference, including update/supersede and move semantics.
  • docs/models.md: recommended models per slot, VRAM sizing for local models, Ollama num_ctx and keep-alive tuning.
  • docs/configuration.md: bootstrap vs runtime config, environment variables, databases (SQLite, Postgres, Qdrant), migrations, and operator flags.
  • docs/operations.md: troubleshooting and the dreaming / backfill operations guide.
  • docs/openapi.yaml: OpenAPI 3.1 specification (may lag the code; the API doc reflects the router).
🎯 aiskill88 AI 点评 A 级 2026-06-06

该项目是一个开源的MCP工具，提供了AI连续性层的功能，支持自主托管和AI代理记忆功能，值得关注。

📚 实用指南（长尾问题）
适合谁
  • 需要让 Claude / Cursor 操作本地工具的 AI 工程师
  • 构建多智能体协作系统的 Agent 开发者
  • 构建企业知识库 / RAG 检索应用的团队
最佳实践
  • 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
  • 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
  • Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
常见错误
  • API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
  • MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
  • 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
部署方案
  • CLI：直接 npm install -g / pip install，命令行调用
  • 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
  • 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
相关搜索
nram 中文教程nram 安装报错怎么办nram MCP 配置nram Agent 工作流nram 与同类工具对比nram 最佳实践nram 适合谁用

⚡ 核心功能

👥 适合谁
  • 需要让 Claude / Cursor 操作本地工具的 AI 工程师
  • 构建多智能体协作系统的 Agent 开发者
  • 构建企业知识库 / RAG 检索应用的团队
⭐ 最佳实践
  • 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
  • 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
  • Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
⚠️ 常见错误
  • API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
  • MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
  • 显存不足直接 OOM — 优先降低 context 或换更小的量化模型

👥 适合人群

Claude Desktop / Claude Code 用户AI 工具开发者需要扩展 AI 能力的专业人士自动化工程师

🎯 使用场景

  • 在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
  • 通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
  • 将多个 MCP 工具组合使用，构建个人专属 AI 工作站

⚖️ 优点与不足

✅ 优点
  • +MIT 协议，可免费商用
  • +标准化 MCP 协议，生态互联性强
  • +与 Claude 官方生态无缝对接
  • +即插即用，配置简单快捷
⚠️ 不足
  • −依赖 Claude 客户端，非 Claude 用户无法使用
  • −MCP 协议仍在持续演进，接口可能变更
  • −需要一定的配置步骤
⚠️ 使用须知

AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。

📄 License 说明

✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。

🔗 相关工具推荐

Composio智能工具编排平台
MCP工具
FastGPT
基于LLM的知识平台，提供综合解决方案
Kratos
云原生时代的Go微服务框架
Context7代码文档平台
MCP工具
📚 相关教程推荐
天涯社区重启：一个时代结束后，AI社区时代正在开始
帮助中心 · AI Skill Hub
MCP 配置教程
帮助中心 · AI Skill Hub
MCP 工具
帮助中心 · AI Skill Hub
Cursor AI 编程完全指南：Rules 配置、Composer 使用、MCP 集成
帮助中心 · AI Skill Hub
📰 相关 AI 新闻
AI 前沿资讯：We kept improving the AI. Noth…
AI 资讯 · 知识关联
Anthropic Claude 最新进展
AI 资讯 · 知识关联
AI 前沿资讯：Experimentation with Qwen 3.6 …
AI 资讯 · 知识关联
AI 前沿资讯：Feel like I'm becoming the glu…
AI 资讯 · 知识关联
🍿 AI 圈相关吃瓜
配了5个 MCP 工具，Claude 一个都没用
AI 圈观察
Filesystem MCP 帮 Claude 找文件，找了整个 node_modules
AI 圈观察
AutoGPT 自主完成了任务：把我的文件夹全部重命名了
AI 圈观察
🗺️ 相关解决方案
mcp
mcp-server-setup
agent
ai-agent-workflow
cli
cli-productivity
embedding
rag-knowledge-base
🧩 你可能还需要
基于当前 Skill 的能力图谱，自动补全的工具组合
技能寻求者
MCP · Agent · 工作流
DeepCode Agent工作流
MCP · Agent · 工作流
total-agent-memory MCP工具
为Claude Code和Codex CLI提供持久化记忆功能的开源MCP工具。自动提取知识图谱，支持多轮对话上下文保留，适合需要长期记忆和
cordum MCP工具
MCP · Agent · 工作流
natively-cluely-ai-assistant — Claude Skill 中文使用文档
免费开源的AI面试助手，实时转录，隐蔽模式，局部RAG，BYOK。无订阅，防止数据泄露。
kb-arena开源AI工作流
kb-arena是开源的AI工作流，用于Benchmark 9 retrieval architectures（向量、上下文、QnA、知识图

❓ 常见问题 FAQ

nram 是一款Go开发的AI辅助工具。开源MCP工具：The continuity layer for everything you do with AI. A self-hosted, open source s。⭐4 · Go 主要应用场景包括：MCP工具适用于需要AI连续性层的应用场景，例如AI代理和记忆功能的开发和使用。。
💡 AI Skill Hub 点评

AI Skill Hub 点评：MCP工具：AI连续性层 的核心功能完整，质量良好。对于Claude Desktop / Claude Code 用户来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。

⬇️ 获取与下载
⬇ 下载源码 ZIP

✅ MIT 协议 · 可免费商用 · 直接从 aiskill88 服务器下载，无需跳转 GitHub

📚 深入学习 MCP工具：AI连续性层
查看分步骤安装教程和完整使用指南，快速上手这款工具
⚙️ 安装教程 📚 使用教程
🌐 原始信息
原始名称 nram
原始描述 开源MCP工具：The continuity layer for everything you do with AI. A self-hosted, open source s。⭐4 · Go
Topics mcpagent-memoryai-agentsai-memorychatgptclaudego
GitHub https://github.com/nram-ai/nram
License MIT
语言 Go
🔗 原始来源
🐙 GitHub 仓库  https://github.com/nram-ai/nram 🌐 官方网站  https://nram.ai

收录时间：2026-06-06 · 更新时间：2026-06-06 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。