memory-fabric — скилл для Claude Code: оркестрация графа знаний
Скилл memory-fabric для Claude Code управляет поиском по графу знаний, парсит запросы, объединяет дубликаты и ранжирует факты. Включается при отладке внутренней логики памяти агента.
MIT 244 установок ★ 305 обновлён 2026-11-21
npx skills add yonatangross/orchestkit --skill memory-fabric -a claude-codeЧто делает memory-fabric
Инструмент реализует внутренние механизмы извлечения памяти через вызовы mcp__memory__search_nodes. Он выделяет сущности из запросов на естественном языке, выполняет многошаговый обход связей в графе и приводит результаты к единому формату с оценкой релевантности.
При сходстве текста выше 85% движок дедупликации объединяет метаданные и оставляет запись с лучшим баллом. Если сущность упоминается в других узлах графа, скилл умножает релевантность на 1.2. Итоговый балл считается по трём весам: 0.5 на смысловое соответствие, 0.3 на новизну и 0.2 на авторитетность источника.
Без запущенного MCP-сервера @anthropic/memory-mcp-server скилл завершится с ошибкой. Инструмент помечен флагом user-invocable: false, поэтому агент использует его как внутренний слой для поисковых пайплайнов, а не как отдельную команду для пользователя.
Какие задачи решает
- оркестрация графа знаний
- находить связанные сущности через многошаговый обход графа
- объединять похожие воспоминания со сходством выше 85%
- ранжировать выдачу с учётом семантики, свежести и связей
Примеры запросов агенту
- Как устроен алгоритм дедупликации в
memory-fabric? - Настрой веса ранжирования для поиска по графу памяти
- Покажи схему извлечения сущностей из запроса пользователя
Как установить memory-fabric
1Через Skills CLI (Vercel)
npx skills add yonatangross/orchestkit --skill memory-fabric -a claude-code2Вручную: положить файлы
~/.claude/skills/memory-fabric/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/memory-fabric/
1Через Skills CLI (Vercel)
npx skills add yonatangross/orchestkit --skill memory-fabric -a codex2Вручную: положить файлы
.agents/skills/memory-fabric/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add yonatangross/orchestkit --skill memory-fabric -a cursor2Вручную: положить файлы
.cursor/skills/memory-fabric/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install yonatangross/orchestkit src/skills/memory-fabric2Вручную: положить файлы
.github/skills/memory-fabric/SKILL.md1Через Skills CLI (Vercel)
npx skills add yonatangross/orchestkit --skill memory-fabric -a gemini-cli2Командой платформы
gemini skills install https://github.com/yonatangross/orchestkit --path src/skills/memory-fabricВручную: положить файлы
.devin/skills/memory-fabric/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add yonatangross/orchestkit --skill memory-fabric -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о memory-fabric
Как установить memory-fabric в Claude Code?
Выполните команду npx skills add yonatangross/orchestkit --skill memory-fabric -a claude-code. Файл навыка сохранится по пути ~/.claude/skills/memory-fabric/SKILL.md.
Что делает memory-fabric?
Парсит поисковый запрос, находит узлы через MCP-сервер памяти, отсеивает дубликаты с похожестью более 85% и выстраивает итоговый список по свежести и релевантности.
Что нужно для работы memory-fabric?
Требуется Claude Code версии 2.1.277+ и настроенный MCP-сервер памяти @anthropic/memory-mcp-server в конфигурации проекта.
Исходный текст
SKILL.md · MIT
---
name: memory-fabric
license: MIT
compatibility: "Claude Code 2.1.277+. Requires memory MCP server."
description: "Memory retrieval internals: knowledge graph orchestration with entity extraction, natural language query parsing, deduplication (>85% similarity), and cross-reference boosting over unified recency, relevance, and authority ranking. Use when designing or debugging how memory search itself works. Everyday lookups belong to memory search; entry storage to memory remember; consolidation to memory dream."
user-invocable: false
disable-model-invocation: true
allowed-tools: "Read Bash mcp__memory__search_nodes"
effort: high
metadata:
category: mcp-enhancement
mcp-server: memory
version: "2.1.0"
author: "OrchestKit"
complexity: "high"
tags: "memory, orchestration, graph-first, graph, unified-search, deduplication, cross-reference"
---
# Memory Fabric - Graph Orchestration
Knowledge graph orchestration via mcp__memory__* for entity extraction, query parsing, deduplication, and cross-reference boosting.
## Overview
- Comprehensive memory retrieval from the knowledge graph
- Cross-referencing entities within graph storage
- Ensuring no relevant memories are missed
- Building unified context from graph queries
## Architecture Overview
```
Memory Fabric Layer
┌─────────────┐ ┌──────────────┐
│Query Parser │ │Query Executor│
└──────┬──────┘ └──────┬───────┘
└───────┬───────┘
┌──────────────┴─────────────┐
│Graph Query Dispatch │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│mcp__memory__* │
│(Knowledge Graph) │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│Result Normalizer │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│Deduplication Engine │
│(>85% sim) │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│Cross-Reference Booster │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│Final Ranking: recency × │
│relevance × source_authority│
└────────────────────────────┘
```
## Unified Search Workflow
### Step 1: Parse Query
Extract search intent and entity hints from natural language:
```
Input: "What pagination approach did database-engineer recommend?"
Parsed:
- query: "pagination approach recommend"
- entity_hints: ["database-engineer", "pagination"]
- intent: "decision" or "pattern"
```
### Step 2: Execute Graph Query
**Query Graph (entity search):**
```javascript
mcp__memory__search_nodes({
query: "pagination database-engineer"
})
```
### Step 3: Normalize Results
Transform results to common format:
```json
{
"id": "graph:original_id",
"text": "content text",
"source": "graph",
"timestamp": "ISO8601",
"relevance": 0.0-1.0,
"entities": ["entity1", "entity2"],
"metadata": {}
}
```
### Step 4: Deduplicate (>85% Similarity)
When two results have >85% text similarity:
1. Keep the one with higher relevance score
2. Merge metadata
3. Mark as "cross-validated" for authority boost
### Step 5: Cross-Reference Boost
If a result mentions an entity that exists elsewhere in the graph:
- Boost relevance score by 1.2x
- Add graph relationships to result metadata
### Step 6: Final Ranking
Score = `recency_factor × relevance × source_authority`
| Factor | Weight | Description |
| ---------------- | ------ | ------------------------------------------- |
| recency | 0.3 | Newer memories rank higher |
| relevance | 0.5 | Semantic match quality |
| source_authority | 0.2 | Graph entities boost, cross-validated boost |
## Result Format
```json
{
"query": "original query",
"total_results": 4,
"sources": {
"graph": 4
},
"results": [
{
"id": "graph:cursor-pagination",
"text": "Use cursor-based pagination for scalability",
"score": 0.92,
"source": "graph",
"timestamp": "2026-01-15T10:00:00Z",
"entities": ["cursor-pagination", "database-engineer"],
"graph_relations": [
{ "from": "database-engineer", "relation": "recommends", "to": "cursor-pagination" }
]
}
]
}
```
## Entity Extraction
Memory Fabric extracts entities from natural language for graph storage:
```
Input: "database-engineer uses pgvector for RAG applications"
Extracted:
- Entities:
- { name: "database-engineer", type: "agent" }
- { name: "pgvector", type: "technology" }
- { name: "RAG", type: "pattern" }
- Relations:
- { from: "database-engineer", relation: "uses", to: "pgvector" }
- { from: "pgvector", relation: "used_for", to: "RAG" }
```
Load `Read("references/entity-extraction.md")` for detailed extraction patterns.
## Graph Relationship Traversal
Memory Fabric supports multi-hop graph traversal for complex relationship queries.
### Example: Multi-Hop Query
```
Query: "What did database-engineer recommend about pagination?"
1. Search for "database-engineer pagination"
→ Find entity: "database-engineer recommends cursor-pagination"
2. Traverse related entities (depth 2)
→ Traverse: database-engineer → recommends → cursor-pagination
→ Find: "cursor-pagination uses offset-based approach"
3. Return results with relationship context
```
### Integration with Graph Memory
Memory Fabric uses the knowledge graph for entity relationships:
1. **Graph search** via `mcp__memory__search_nodes` finds matching entities
2. **Graph traversal** expands context via entity relationships
3. **Cross-reference** boosts relevance when entities match
## Integration Points
### With memory Skill
When memory search runs, it can optionally use Memory Fabric for unified results.
### With Hooks
- `prompt/memory-fabric-context.sh` - Inject unified context at session start
- `stop/memory-fabric-sync.sh` - Sync entities to graph at session end
## Configuration
```bash
# Environment variables
MEMORY_FABRIC_DEDUP_THRESHOLD=0.85 # Similarity threshold for merging
MEMORY_FABRIC_BOOST_FACTOR=1.2 # Cross-reference boost multiplier
MEMORY_FABRIC_MAX_RESULTS=20 # Max results per source
```
## MCP Requirements
**Required:** Knowledge graph MCP server:
```json
{
"mcpServers": {
"memory": {
"command": "npx",
"args": ["-y", "@anthropic/memory-mcp-server"]
}
}
}
```
## Error Handling
| Scenario | Behavior |
| ------------------ | --------------------------------- |
| graph unavailable | Error - graph is required |
| Query empty | Return recent memories from graph |
## Related Skills
- `ork:memory` - User-facing memory operations (search, load, sync, viz)
- `ork:memory remember` - User-facing memory storage
- `caching` - Caching layer that can use fabric
## Key Decisions
| Decision | Choice | Rationale |
| ---------------- | ----------- | -------------------------------------------------- |
| Dedup threshold | 85% | Balances catching duplicates vs. preserving nuance |
| Parallel queries | Always | Reduces latency, both sources are independent |
| Cross-ref boost | 1.2x | Validated info more trustworthy but not dominant |
| Ranking weights | 0.3/0.5/0.2 | Relevance most important, recency secondary |
© OrchestKit · MIT · yonatangross/orchestkit