给 Claude Code / Cursor 装上长期记忆：TiMem MCP 接入全攻略
你有没有遇到这种情况：在 Cursor 里调试了一整天，和 AI 把架构聊得很清楚了。第二天打开新会话，AI 把昨天说的全忘了，又要从头解释一遍。
这不是模型的问题，是 AI IDE 默认没有跨会话记忆。每次开新对话，就是一张白纸。
TiMem 最近上线了 MCP Server，可以给 Claude Code、Cursor 等支持 MCP 的 AI IDE 接入持久化记忆层。一次配置，之后每次对话 AI 都能记住你的项目背景、技术偏好、历史决策。
MCP 是什么，为什么它能解决这个问题
MCP（Model Context Protocol）是 Anthropic 提出的标准协议，允许 AI 助手在对话过程中调用外部工具和数据源。通过 MCP，AI IDE 可以在需要的时候主动调用记忆工具——把重要信息存进去，下次用的时候取出来。
TiMem MCP Server 提供两个工具：
- create_memory：把当前对话内容存入 TiMem 记忆系统
-
- search_memories：根据问题检索历史记忆，支持按层级（L1-L5）和业务领域过滤
和直接在 prompt 里塞历史记录不同，TiMem 会自动把对话内容归纳成五层结构（原始片段 → 会话摘要 → 每日总结 → 每周总结 → 用户画像），查询时按问题复杂度自动选层，既省 token 又更精准。
5 分钟接入
第一步：获取 API Key
访问 TiMem 控制台 注册账号，获取 API Key。
第二步：配置 MCP Server
找到你的 AI IDE 的 MCP 配置文件，加入以下内容：
Claude Code 配置文件路径：~/.claude/settings.json
Cursor 配置文件路径：~/.cursor/mcp.json
{
"mcpServers": {
"TiMEM-MCP": {
"command": "uvx",
"args": ["timem-mcp"],
"env": {
"TiMEM_API_KEY": "your-api-key-here",
"TiMEM_API_HOST": "https://api.timem.cloud"
}
}
}
}
```
> 需要提前安装 `uv`：`curl -LsSf https://astral.sh/uv/install.sh | sh`
### 第三步：给 AI 添加使用规则
在 Claude Code 的 `CLAUDE.md` 或 Cursor 的 `.cursorrules` 里加入：
```
你可以使用 TiMEM MCP 服务器的记忆管理工具：
- 使用 create_memory 将重要的对话上下文、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的历史记忆
```
### 第四步：验证
重启 AI IDE，开始新对话，提一句「记住我用的是 Go，不喜欢用 ORM」。下次开新会话，问一下「我之前提过什么技术偏好」，AI 应该能直接告诉你。
---
## 两个核心工具详解
### create_memory
从对话历史创建记忆，存入 TiMem 五层记忆树。
| 参数 | 必填 | 说明 |
|------|------|------|
| messages | ✅ | 包含 role 和 content 的消息列表 |
| session_id | ✅ | 会话标识符，用于关联同一会话的记忆 |
| agent_id | ❌ | 智能体 ID，默认 "default-expert-001" |
| domain | ❌ | 业务领域，默认 "general"，可用于隔离不同项目的记忆 |
`domain` 字段很实用——你可以给不同项目设不同的 domain，避免记忆混串。比如 `domain: "project-a"` 和 `domain: "project-b"` 的记忆完全隔离。
### search_memories
检索历史记忆，返回相关内容。
| 参数 | 必填 | 说明 |
|------|------|------|
| query | ❌ | 搜索关键词 |
| layer | ❌ | 记忆层级 L1-L5，不填则跨层智能检索 |
| domain | ❌ | 业务领域过滤 |
| limit | ❌ | 返回数量，默认 10 |
指定 `layer` 的场景：
- 想要原始对话细节 → `layer: "L1"`
- 想要近期状态总结 → `layer: "L3"`
- 想要整体用户画像 → `layer: "L5"`
---
## 为什么选 TiMem 而不是其他记忆 MCP
Mem0 也有 MCP Server，很多人可能已经在用了。两者最大的区别在于记忆组织方式：
- **Mem0 MCP**：扁平向量存储，适合简单的偏好记忆。问「我上周说了什么」会比较困难。
- **TiMem MCP**：五层时序树，自动归纳每日/每周摘要，时序类问题处理更好。在 LoCoMo 长对话基准上 75.30%，比 Mem0 高出约 11 个百分点，同时 token 消耗减少 52%。
如果你只是想让 AI 记住「我喜欢用 tabs 不用 spaces」，Mem0 够用。如果你想让 AI 记住你这个月的项目进展、决策变化、技术演进，TiMem 的层级归纳能力会让体验差别很大。
---
## 总结
TiMem MCP Server 的接入成本非常低——加几行 JSON，配一条规则，不需要改任何代码。但带来的提升是实质性的：AI 开发助手从「每次从零开始」变成「有记忆的长期搭档」。
项目地址：https://github.com/TiMEM-AI/timem
在线体验：https://playground.timem.cloud
技术文档：https://docs.timem.cloud
如果你试了觉得有用，欢迎给我们一个 Star，也欢迎在评论区分享你的使用场景。
