RAG（Retrieval-augmented generation）检索增强生成给大模型提供了已有的特定领域知识，但稍显不足的是 RAG 的文档是静态的，当你有了新想法，无法实时更新到文档，当然可以事后更新，但是在时效性上已经有了延迟，就好像在购物网站上你搜索了某样东西，第二天才推给相似的推荐，体验不够好。
我今天想吃火锅、明天想吃烧烤，或者今天很冷、今天下雨了，这些偏好和事实在你和大模型对话时肯定不想一遍一遍的重复，但是在当前的对话机制下，你可能不得不这样做，因为当你新开一个对话，所有过往的信息都没了，大模型面对的是一个全新的你。
OceanBase MCP Server 新增 Memory Tools，与 AI 的对话过程中你的喜好将被记住，并在后续任务处理过程中优先检索 Memory 以获得个性化体验，打造更懂你的 AI 助理。
一起开始探索之旅吧！
前提条件
准备 OceanBase 数据库
记忆功能使用向量存储，OceanBase 的版本需要支持向量，建议使用 v4.3.5.3+ 的版本，下面的命令可以直接启动一个 4.3.5.3 的 OceanBase
sudo docker run -p 2881:2881 --name obvector -e MODE=mini -d oceanbase/oceanbase-ce:4.3.5.3-103000092025080818
或者免费试用云上数据库
对于其他支持向量的 OceanBase 版本，需要手动配置 ob_vector_memory_limit_percentage
安装 OceanBase MCP Server
启用 Memory 能力需要更多的依赖包以及 Embedding 模型，可以通过以下命令快速安装
# Python 版本支持 3.10~3.12
pip install oceanbase-mcp
pip install oceanbase-mcp[memory] --extra-index-url https://download.pytorch.org/whl/cpu
在任意目录下创建 .env 文件，配置变量信息
OB_HOST=127.0.0.1
OB_PORT=2881
OB_USER=
OB_PASSWORD=
OB_DATABASE=
ENABLE_MEMORY=1 # default 0 disabled， set 1 to enable
EMBEDDING_MODEL_NAME=BAAI/bge-small-en-v1.5 # default BAAI/bge-small-en-v1.5, You can set BAAI/bge-m3 or other models to get better experience.
EMBEDDING_MODEL_PROVIDER=huggingface
OB_HOST: 数据库的连接地址
OB_PORT: 端口
OB_USER: 用户名
OB_PASSWORD: 密码
OB_DATABASE: 连接的数据库
其他的配置项可以保持不动
配置方式
启动
在配置 env 文件的目录下使用 uv 的方式启动，uv 的安装及使用方式，可以参考 GitHub 文档
uv run oceanbase_mcp_server --transport sse --host 0.0.0.0 --port 8000
在客户端中配置
可以在任何支持 MCP 的客户端中配置，这里使用 CherryStudio 作为示例
自定义一个名称，类型选择“服务器发送事件(sse)”，配置 URL，URL 格式：http://ip:port/sse，保存
在聊天页面配置
点击锤子图标，选择刚添加的 MCP 服务 ob-mcp-server
开始对话
- 告诉大模型我喜欢吃烧烤，大模型自动调用了 OceanBase MCP Server 的工具，帮我记录了这个喜好
- 在一个新开的对话窗口，请大模型推荐一些好吃的地方，它自动在记忆中搜索到我喜欢吃烧烤，给我推荐了吃烧烤的地方
- 告诉它我现在不喜欢吃烧烤了，喜欢吃火锅，记忆自动更新为“我喜欢吃火锅”
- 重新开一个窗口，请大模型推荐好吃的地方，现在它给我推荐的都是一些吃火锅地方
- 告诉大模型不要记录我的喜好，它将把喜好从记忆中删除
- 再次提问我喜欢吃什么，以前记录的喜好已删除
总结
相比于直接调用向量化（Vector）能力，Memory 工具使用户无需关注向量化的具体实现细节，只需启用该工具即可与 AI 自然对话，显著降低了使用门槛。此外，MCP 工具不仅能够轻松集成到各类 Chatbot 中，还可被 Agent 快速接入，助力构建更具个性化的智能助理。