# Rememberizer MCP-Server Das [**Model Context Protocol**](https://modelcontextprotocol.io/introduction) (MCP) ist ein standardisiertes Protokoll, das entwickelt wurde, um KI-Modelle mit verschiedenen Datenquellen und Tools zu integrieren. Es unterstützt eine Client-Server-Architektur, die den Aufbau komplexer Workflows und Agenten mit verbesserter Flexibilität und Sicherheit erleichtert. ## Rememberizer MCP Server Der [**Rememberizer MCP Server**](https://github.com/skydeckai/mcp-server-rememberizer) ist ein MCP-Server, der für die Interaktion mit der Dokumenten- und Wissensmanagement-API von Rememberizer entwickelt wurde. Er ermöglicht es LLMs, Dokumente und Integrationen effizient zu suchen, abzurufen und zu verwalten. Der Server ist als öffentliches Paket auf [mseep.ai](https://mseep.ai/app/skydeckai-mcp-server-rememberizer) und als Open-Source-Projekt auf [GitHub](https://github.com/skydeckai/mcp-server-rememberizer) verfügbar. ### Integrationsmöglichkeiten Der Rememberizer MCP-Server kann auf verschiedene Arten installiert und integriert werden: #### Über uvx ```bash uvx mcp-server-rememberizer ``` #### Über die MseeP AI Helper App Wenn Sie die MseeP AI Helper-App installiert haben, können Sie nach "Rememberizer" suchen und den mcp-server-rememberizer installieren.

MseeP AI Helper

### Verfügbare Werkzeuge Der Rememberizer MCP-Server bietet die folgenden Werkzeuge zur Interaktion mit Ihrem Wissensrepository: 1. **retrieve\_semantically\_similar\_internal\_knowledge** * Findet semantisch ähnliche Übereinstimmungen aus Ihrem Rememberizer-Wissensrepository * Parameter: * `match_this` (string, erforderlich): Der Text, für den Übereinstimmungen gefunden werden sollen (bis zu 400 Wörter) * `n_results` (integer, optional): Anzahl der zurückzugebenden Ergebnisse (Standard: 5) * `from_datetime_ISO8601` (string, optional): Filtert Ergebnisse ab diesem Datum * `to_datetime_ISO8601` (string, optional): Filtert Ergebnisse bis zu diesem Datum 2. **smart\_search\_internal\_knowledge** * Führt eine agentische Suche über Ihre Wissensquellen durch * Parameter: * `query` (string, erforderlich): Ihre Suchanfrage (bis zu 400 Wörter) * `user_context` (string, optional): Zusätzlicher Kontext für bessere Ergebnisse * `n_results` (integer, optional): Anzahl der zurückzugebenden Ergebnisse (Standard: 5) * `from_datetime_ISO8601` (string, optional): Filtert Ergebnisse ab diesem Datum * `to_datetime_ISO8601` (string, optional): Filtert Ergebnisse bis zu diesem Datum 3. **list\_internal\_knowledge\_systems** * Listet alle Ihre verbundenen Wissensquellen auf * Keine Parameter erforderlich 4. **rememberizer\_account\_information** * Ruft die Details Ihres Rememberizer-Kontos ab * Keine Parameter erforderlich 5. **list\_personal\_team\_knowledge\_documents** * Gibt eine paginierte Liste aller Ihrer Dokumente zurück * Parameter: * `page` (integer, optional): Seitennummer für die Paginierung (Standard: 1) * `page_size` (integer, optional): Dokumente pro Seite (Standard: 100, max: 1000) 6. **remember\_this** * Speichert neue Informationen in Ihrem Rememberizer-Wissenssystem * Parameter: * `name` (string, erforderlich): Name zur Identifizierung dieser Informationen * `content` (string, erforderlich): Die Informationen, die gemerkt werden sollen ### Einrichtung **Schritt 1:** Melden Sie sich für ein neues Rememberizer-Konto unter [rememberizer.ai](https://rememberizer.ai/) an. **Schritt 2:** Fügen Sie Ihr Wissen zur Rememberizer-Plattform hinzu, indem Sie sich mit Gmail, Dropbox oder Google Drive verbinden usw\...
**Schritt 3:** Um Ihr Wissen selektiv zu teilen, richten Sie einen Mementos-Filter ein. Damit können Sie auswählen, welche Informationen geteilt werden und welche privat bleiben. ([Leitfaden hier](https://docs.rememberizer.ai/personal/mementos-filter-access))
**Schritt 4:** Teilen Sie Ihr Wissen, indem Sie ein "Gemeinsames Wissen" erstellen (Leitfaden [hier](https://docs.rememberizer.ai/personal/common-knowledge) und [hier](https://docs.rememberizer.ai/developer/registering-and-using-api-keys))
**Schritt 5:** Um auf Ihr Wissen über APIs zuzugreifen, erstellen Sie einen API-Schlüssel ([Leitfaden hier](https://docs.rememberizer.ai/developer/registering-and-using-api-keys))
**Schritt 6:** Wenn Sie die Claude Desktop-App verwenden, fügen Sie dies zu Ihrer `claude_desktop_config.json`-Datei hinzu. ```json { "mcpServers": { "rememberizer": { "command": "uvx", "args": ["mcp-server-rememberizer"], "env": { "REMEMBERIZER_API_TOKEN": "your_rememberizer_api_token" } } } } ``` **Schritt 7:** Wenn Sie die MseeP AI Helper-App verwenden, fügen Sie die Umgebungsvariable `REMEMBERIZER_API_TOKEN` zum mcp-server-rememberizer hinzu.
Herzlichen Glückwunsch, Sie sind fertig! Mit Unterstützung des Rememberizer MCP-Servers können Sie jetzt die folgenden Fragen in Ihrer Claude Desktop-App oder SkyDeck AI GenStudio stellen * Was ist mein Rememberizer-Konto? * Listen Sie alle Dokumente auf, die ich dort habe. * Geben Sie mir eine kurze Zusammenfassung über "..." ## Rememberizer Vector Store MCP-Server Der **Rememberizer VectorStore MCP-Server** erleichtert die Interaktion zwischen LLMs und dem Rememberizer Vector Store und verbessert das Dokumentenmanagement und die -abfrage durch semantische Ähnlichkeitssuchen. ### Integrationsmöglichkeiten Der Rememberizer Vector Store MCP-Server kann durch ähnliche Methoden wie der Rememberizer MCP-Server installiert und integriert werden: #### Über uvx ```bash uvx mcp-rememberizer-vectordb ``` #### Über die MseeP AI Helper App Wenn Sie die MseeP AI Helper-App installiert haben, können Sie nach "Rememberizer Vector Store" suchen und die mcp-rememberizer-vectordb installieren.

MseeP AI Helper

### Installation Um den Rememberizer Vector Store MCP Server zu installieren, folgen Sie dem [Leitfaden hier](https://github.com/skydeckai/mcp-rememberizer-vectordb#installation). ### Einrichtung **Schritt 1:** Melden Sie sich für ein neues Rememberizer-Konto unter [rememberizer.ai](https://rememberizer.ai/) an. **Schritt 2:** Erstellen Sie einen neuen Vektor-Speicher ([Leitfaden hier](https://docs.rememberizer.ai/developer/vector-stores))
**Schritt 3:** Um Ihren Vektor-Speicher über APIs zu verwalten, müssen Sie einen API-Schlüssel erstellen ([Leitfaden hier](https://docs.rememberizer.ai/developer/vector-stores#api-key-management))
**Schritt 4:** Wenn Sie die Claude Desktop-App verwenden, fügen Sie dies zu Ihrer `claude_desktop_config.json`-Datei hinzu. ```json { "mcpServers": { "rememberizer": { "command": "uvx", "args": ["mcp-rememberizer-vectordb"], "env": { "REMEMBERIZER_VECTOR_STORE_API_KEY": "your_rememberizer_api_token" } } } } ``` **Schritt 5:** Wenn Sie die MseeP AI Helper-App verwenden, fügen Sie die Umgebungsvariable `REMEMBERIZER_VECTOR_STORE_API_KEY` zu mcp-rememberizer-vectordb hinzu.
Herzlichen Glückwunsch, Sie sind fertig! Mit Unterstützung des Rememberizer Vektor-Speicher MCP-Servers können Sie jetzt die folgenden Fragen in Ihrer Claude Desktop-App oder SkyDeck AI GenStudio stellen * Was ist mein aktueller Rememberizer Vektor-Speicher? * Listen Sie alle Dokumente auf, die ich dort habe. * Geben Sie mir eine kurze Zusammenfassung über "..." ## Fazit Die Rememberizer MCP-Server demonstrieren die leistungsstarken Fähigkeiten des Model Context Protocol, indem sie eine effiziente, standardisierte Möglichkeit bieten, KI-Modelle mit umfassenden Datenmanagement-Tools zu verbinden. Diese Server verbessern die Fähigkeit, Dokumente präzise zu suchen, abzurufen und zu verwalten, indem sie fortschrittliche semantische Suchmethoden und die Erweiterung von LLM-Agenten nutzen. --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://docs.rememberizer.ai/de/personliche-nutzung/integrations/rememberizer-mcp-servers.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.