iflow-mcp_hanw39_reasoning-bank-mcp 0.2.0__py3-none-any.whl

iflow_mcp_hanw39_reasoning_bank_mcp-0.2.0.dist-info/METADATA

@@ -0,0 +1,599 @@
+Metadata-Version: 2.4
+Name: iflow-mcp_hanw39_reasoning-bank-mcp
+Version: 0.2.0
+Summary: ReasoningBank MCP Server - Memory-augmented reasoning for AI agents
+Project-URL: Homepage, https://github.com/hanw39
+Project-URL: Repository, https://github.com/hanw39/ReasoningBank-MCP
+Author-email: Wang Han <hanw57276@gmail.com>
+License: MIT
+License-File: LICENSE
+Requires-Python: >=3.10
+Requires-Dist: aiofiles>=23.0.0
+Requires-Dist: mcp>=0.9.0
+Requires-Dist: numpy>=1.24.0
+Requires-Dist: openai>=1.0.0
+Requires-Dist: python-dotenv>=1.0.0
+Requires-Dist: pyyaml>=6.0
+Requires-Dist: sse-starlette>=1.6.0
+Requires-Dist: starlette>=0.27.0
+Requires-Dist: uvicorn>=0.23.0
+Provides-Extra: dev
+Requires-Dist: black>=23.0.0; extra == 'dev'
+Requires-Dist: pytest-asyncio>=0.21.0; extra == 'dev'
+Requires-Dist: pytest>=7.0.0; extra == 'dev'
+Requires-Dist: ruff>=0.1.0; extra == 'dev'
+Description-Content-Type: text/markdown
+
+# ReasoningBank MCP Server
+
+<!-- TOC -->
+- [ReasoningBank MCP Server](#reasoningbank-mcp-server)
+  - [🌟 特性](#-特性)
+  - [🏗️ 架构设计](#️-架构设计)
+  - [🚀 快速开始](#-快速开始)
+    - [1. 代码拉取并进入项目根目录](#1-代码拉取并进入项目根目录)
+    - [2. 安装依赖](#2-安装依赖)
+    - [3. 配置 MCP 客户端](#3-配置-mcp-客户端)
+    - [4. 命令行参数](#4-命令行参数)
+  - [🔧 配置文件（可选）](#-配置文件可选)
+  - [🔧 MCP 工具](#-mcp-工具)
+    - [`retrieve_memory`](#retrieve_memory)
+    - [`extract_memory`](#extract_memory)
+  - [⚙️ 配置说明](#️-配置说明)
+    - [检索策略](#检索策略)
+    - [LLM Provider](#llm-provider)
+    - [记忆管理系统](#记忆管理系统v020)
+  - [📖 使用示例](#-使用示例)
+    - [在 AI 代理中使用](#在-ai-代理中使用)
+  - [🔬 开发](#-开发)
+    - [运行测试](#运行测试)
+    - [代码格式化](#代码格式化)
+  - [📚 参考文献](#-参考文献)
+  - [📝 License](#-license)
+  - [📋 更新日志](#-更新日志)
+<!-- /TOC -->
+
+随着大语言模型代理在持久性现实角色中的日益普及，它们自然会遇到连续的任务流。然而，一个关键的限制是它们无法从累积的交互历史中学习，迫使它们丢弃宝贵的见解并重复过去的错误。基于论文[ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory](https://arxiv.org/abs/2509.25140)，我们实现了这个记忆增强推理系统，通过 MCP (Model Context Protocol) 协议为 AI 代理提供经验记忆管理能力。
+
+ReasoningBank 提出了一种新颖的记忆框架，能够从代理自身判断的成功和失败经验中提炼出可泛化的推理策略。在测试时，代理从 ReasoningBank 中检索相关记忆来指导其交互，然后将新学到的知识整合回去，使其能够随着时间的推移变得更加强大。这种内存驱动的经验扩展为代理创建了一个新的扩展维度，使它们能够自我进化并产生新兴行为。
+
+## 🌟 特性
+
+### 核心功能
+- ✅ **记忆提取**：从成功和失败的轨迹中自动提取推理经验
+- ✅ **智能检索**：支持多种检索策略（余弦相似度、混合评分等）
+- ✅ **多租户隔离**：通过 agent_id 实现不同 Agent 之间的记忆隔离
+- ✅ **双传输模式**：支持 STDIO 和 SSE 两种传输方式
+- ✅ **异步处理**：记忆提取支持异步模式，不阻塞 AI 代理
+- ✅ **多模型支持**：DashScope（通义千问）、OpenAI、Claude 等
+- ✅ **灵活扩展**：插件化架构，易于扩展新的检索策略和存储后端
+- ✅ **记忆隔离**：支持Claude的SubAgent模式，每个SubAgent独立管理自己的记忆
+
+### 智能记忆管理（v0.2.0+）
+- ✅ **自动去重**：防止重复经验存储，支持语义去重
+- ✅ **智能合并**：将相似经验提炼为通用规则（LLM驱动或投票式）
+- ✅ **经验归档**：合并后的原始经验可追溯，支持审计
+- ✅ **后台处理**：去重和合并自动在后台执行，不阻塞主流程
+- ✅ **空间优化**：通过去重和合并，节省 50-80% 存储空间
+
+## 🏗️ 架构设计
+
+```
+reasoning-bank-mcp/
+├── src/
+│   ├── server.py                    # MCP 服务器入口
+│   ├── config.py                    # 配置管理
+│   ├── tools/                       # MCP 工具
+│   │   ├── retrieve_memory.py       # 检索记忆
+│   │   └── extract_memory.py        # 提取记忆
+│   ├── retrieval/                   # 检索策略
+│   │   ├── base.py                  # 抽象接口
+│   │   ├── factory.py               # 策略工厂
+│   │   └── strategies/              # 具体策略实现
+│   ├── deduplication/               # 去重策略（v0.2.0+）
+│   │   ├── base.py                  # 抽象接口
+│   │   ├── factory.py               # 策略工厂
+│   │   └── strategies/
+│   │       ├── hash_dedup.py        # 哈希去重
+│   │       └── semantic_dedup.py    # 语义去重
+│   ├── merge/                       # 合并策略（v0.2.0+）
+│   │   ├── base.py                  # 抽象接口
+│   │   ├── factory.py               # 策略工厂
+│   │   └── strategies/
+│   │       ├── llm_merge.py         # LLM智能合并
+│   │       └── voting_merge.py      # 投票选择
+│   ├── services/                    # 服务层（v0.2.0+）
+│   │   └── memory_manager.py        # 记忆管理服务
+│   ├── storage/                     # 存储后端
+│   │   ├── base.py                  # 抽象接口
+│   │   └── backends/                # 具体存储实现
+│   ├── llm/                         # LLM 客户端
+│   │   ├── base.py                  # 抽象接口
+│   │   ├── factory.py               # Provider 工厂
+│   │   └── providers/               # 具体 Provider 实现
+│   ├── prompts/                     # 提示词模板
+│   └── utils/                       # 工具函数
+└── data/                            # 数据存储目录
+    ├── memories.json                # 记忆数据库
+    ├── archived_memories.json       # 归档记忆（v0.2.0+）
+    └── embeddings.json              # 嵌入向量
+```
+
+## 🚀 快速开始
+
+### 1. 代码拉取并进入项目根目录
+```bash
+git clone https://github.com/hanw39/ReasoningBank-MCP.git
+cd ReasoningBank-MCP
+```
+
+### 2. 安装依赖
+
+```bash
+pip install -e .
+```
+
+### 3. 配置 MCP 客户端
+
+#### 方式一：STDIO 模式（适用于 Claude Desktop、Cursor、Qoder、Cherry Studio 等）
+
+
+```json
+{
+  "mcpServers": {
+    "reasoning-bank": {
+      "command": "reasoning-bank-mcp",
+      "env": {
+        "DASHSCOPE_API_KEY": "你的百炼APIKEY"
+      }
+    }
+  }
+}
+```
+
+#### 方式二：SSE 模式（适用于 Claude Desktop、Cursor、Qoder、Cherry Studio 等）
+
+**1) 启动服务器**：
+```bash
+# 使用默认配置 (127.0.0.1:8000)
+python3 -m src.server --transport sse
+
+# 或指定主机和端口
+python3 -m src.server --transport sse --host 0.0.0.0 --port 8080
+```
+
+**2) 客户端配置**：
+```json
+{
+  "mcpServers": {
+    "reasoning-bank": {
+      "url": "http://127.0.0.1:8000/sse"
+    }
+  }
+}
+```
+### 4. MCP客户端提示词示例
+#### Qoder
+```markdown
+  你是一个具备推理记忆能力的智能助手，你的agnet_id为`Qoder`,在使用MCP时必须传入“agent_id”=“Qoder”。拥有两个核心MCP工具：
+1. `retrieve_memory`：用于在任务开始或方向改变时检索相关经验。
+2. `extract_memory`：用于在任务结束或失败后提取并保存经验。
+
+你必须严格遵循以下行为准则：
+
+【记忆策略规则】
+
+① **任务开始前必须调用MCP的 `retrieve_memory`**
+   - 在你开始执行任何复杂任务（如写代码、分析、规划、调试、总结等）之前，先调用此工具。
+   - 输入的 `query` 应描述当前任务目标或用户需求。
+   - 如果当前任务与上一次任务在主题、目标或上下文上存在明显差异，也必须再次调用 `retrieve_memory`。
+
+② **任务方向转变时调用MCP的 `retrieve_memory`**
+   - 当你发现用户修改了任务目标、问题方向、文件对象或上下文内容时，应立即重新调用 `retrieve_memory`。
+   - 保证你始终基于最新的上下文记忆进行思考。
+
+③ **任务结束后必须调用MCP的 `extract_memory`**
+   - 当你认为任务已经完成时（即输出最终答案或解决方案前），必须调用 `extract_memory`。
+   - 轨迹（trajectory）应包含任务执行的重要步骤、对话与关键推理。
+   - 即使用户没有明确要求保存，也必须执行。
+   
+④ **出现失败时调用 `extract_memory`**
+   - 如果任务执行失败、报错、或用户表示“不成功”“不对”“需要重新来”等情况，也必须调用一次 `extract_memory`。
+   - 在失败情境下记录失败原因和改进线索。
+
+⑤ **至少调用一次**
+   - 每个独立任务周期中，必须至少：
+     - 1 次 `retrieve_memory`
+     - 1 次 `extract_memory`
+```
+### 5. 命令行参数
+
+```bash
+python3 -m src.server --help
+
+# 可用参数：
+# --transport {stdio,sse}  传输方式 (默认: stdio)
+# --host HOST              SSE 模式的主机地址 (默认: 127.0.0.1)
+# --port PORT              SSE 模式的端口号 (默认: 8000)
+```
+
+
+## 🔧 配置文件（可选）
+
+如果需要自定义配置，可以编辑 `config.yaml`：
+
+```yaml
+# LLM Provider 配置
+llm:
+  provider: "dashscope" # dashscope | openai | anthropic
+  dashscope:
+    api_key: "${DASHSCOPE_API_KEY}"
+    chat_model: "qwen-plus"
+
+# Embedding Provider 配置
+embedding:
+  provider: "dashscope" # dashscope | openai
+  dashscope:
+    model: "text-embedding-v3"
+
+# 检索策略配置
+retrieval:
+  strategy: "hybrid"
+  min_score_threshold: 0.85  # 最小相关度阈值
+  hybrid:
+    weights:
+      semantic: 0.6
+      confidence: 0.2
+      success: 0.15
+      recency: 0.05
+
+# 记忆管理器配置（v0.2.0+）
+memory_manager:
+  enabled: true  # 启用记忆管理器
+
+  # 去重配置
+  deduplication:
+    strategy: "semantic"  # semantic
+    on_extraction: true   # 提取时实时去重
+    semantic:
+      threshold: 0.90     # 相似度阈值
+      top_k_check: 5      # 检查前K条相似记忆
+
+  # 合并配置
+  merge:
+    strategy: "llm"       # llm | voting
+    auto_execute: true    # 自动执行合并
+    trigger:
+      min_similar_count: 3         # 最少相似记忆数
+      similarity_threshold: 0.85   # 相似度阈值
+    llm:
+      temperature: 0.7
+    original_handling: "archive"   # 原始经验归档
+```
+
+## 🔧 MCP 工具
+
+### `retrieve_memory`
+
+检索相关的历史经验记忆，帮助指导当前任务的执行。
+
+**参数**：
+- `query` (string, 必填): 当前任务的查询描述
+- `top_k` (number, 可选): 检索的记忆数量，默认 1
+- `agent_id` (string, 可选): Agent ID，用于多租户隔离
+  - 只检索指定 agent 的记忆
+  - 不提供时检索所有记忆
+  - 建议 SubAgent 传递自己的 name 作为 agent_id
+  - 例如：`"claude-code"`、`"code-reviewer"` 等
+
+**返回**：
+```json
+{
+  "status": "success",
+  "min_score_threshold": 0.85,
+  "filtered_count": 2,
+  "memories": [
+    {
+      "memory_id": "mem_001",
+      "score": 0.92,
+      "title": "完整历史查询策略",
+      "content": "...",
+      "success": true,
+      "agent_id": "claude-code"
+    }
+  ],
+  "formatted_prompt": "以下是我从过去与环境的交互中积累的一些记忆项..."
+}
+```
+
+**说明**：
+- `min_score_threshold`: 使用的最小相关度阈值
+- `filtered_count`: 被过滤掉的低相关度记忆数量
+- `score`: 记忆的相关度分数（0.0-1.0），只返回高于阈值的记忆
+
+### `extract_memory`
+
+从任务轨迹中提取推理经验并保存到记忆库。
+
+**参数**：
+- `trajectory` (array, 必填): 任务执行的轨迹步骤列表
+  - 每个步骤包含: `step` (number), `role` (string), `content` (string), `metadata` (object, 可选)
+- `query` (string, 必填): 任务查询描述
+- `success_signal` (boolean, 可选): 任务是否成功，null 时自动判断
+- `async_mode` (boolean, 可选): 是否异步处理，默认 true
+- `agent_id` (string, 可选): Agent ID，用于多租户隔离
+  - 标记记忆属于哪个 agent
+  - 建议 SubAgent 传递自己的 name 作为 agent_id
+  - 例如：`"claude-code"`、`"java-developer"` 等
+
+**返回**（异步模式）：
+```json
+{
+  "status": "processing",
+  "message": "记忆提取任务已提交，正在后台处理",
+  "task_id": "extract_12345",
+  "async_mode": true
+}
+```
+
+**返回**（同步模式）：
+```json
+{
+  "status": "success",
+  "message": "记忆提取成功",
+  "memory_id": "mem_123",
+  "agent_id": "claude-code"
+}
+```
+
+## ⚙️ 配置说明
+
+### 检索策略
+
+支持两种检索策略：
+
+1. **cosine**：纯余弦相似度（论文基线方法）
+2. **hybrid**：混合评分（推荐）
+   - 语义相似度 (60%)
+   - 置信度 (20%)
+   - 成功偏好 (15%)
+   - 时效性 (5%)
+
+#### 相关度阈值过滤
+
+通过 `min_score_threshold` 配置项可以过滤低相关度的记忆：
+
+- **默认值**: 0.85（即相关度低于 85% 的记忆不会返回）
+- **作用**: 确保返回的记忆都与当前查询高度相关
+- **效果**: 提高记忆质量，避免低质量记忆干扰决策
+
+```yaml
+retrieval:
+  strategy: "hybrid"
+  min_score_threshold: 0.85  # 可调整，范围 0.0-1.0
+  hybrid:
+    weights:
+      semantic: 0.6
+      confidence: 0.2
+      success: 0.15
+      recency: 0.05
+```
+
+**推荐配置**：
+- 严格模式：0.90+ （只返回高度相关的记忆）
+- 标准模式：0.85 （平衡相关性和召回率）
+- 宽松模式：0.75 （更多候选记忆）
+
+### LLM Provider
+
+支持多种模型 API：
+
+- **dashscope**：通义千问（推荐）
+- **openai**：OpenAI 或兼容 API
+- **anthropic**：Claude
+
+```yaml
+llm:
+  provider: "dashscope"
+  dashscope:
+    api_key: "${DASHSCOPE_API_KEY}"
+    chat_model: "qwen-plus"
+
+embedding:
+  provider: "dashscope"
+  dashscope:
+    model: "text-embedding-v3"
+```
+
+### 记忆管理系统（v0.2.0+）
+
+记忆管理系统提供自动化的去重和合并功能，提升记忆质量和存储效率。
+
+#### 去重策略
+
+1. **semantic**：基于语义相似度的智能去重（推荐）
+   - 识别内容相似的经验
+   - 可配置相似度阈值（建议 0.90+）
+   - 适合生产环境
+
+#### 合并策略
+
+支持两种合并策略：
+
+1. **llm**：LLM驱动的智能合并（推荐）
+   - 使用大模型提炼多条相似经验的共性
+   - 生成抽象的通用规则
+   - 支持自定义温度参数
+
+2. **voting**：投票式选择
+   - 从相似经验组中选择最优代表
+   - 按检索次数、成功率、时效性排序
+   - 适合快速去重场景
+
+#### 工作流程
+
+```
+提取记忆时:
+  1. LLM 提取经验
+  2. 去重检查（按 agent_id 隔离）
+  3. 跳过重复经验
+  4. 检测合并机会
+  5. 后台触发合并任务（不阻塞）
+
+后台合并:
+  1. 调用合并策略
+  2. 生成合并后的经验
+  3. 原始经验归档
+  4. 保持完整追溯链
+```
+
+#### 配置建议
+
+```yaml
+# 生产环境
+memory_manager:
+  deduplication:
+    strategy: "semantic"  # 高质量
+    semantic:
+      threshold: 0.92     # 更严格
+  merge:
+    strategy: "llm"       # 最佳效果
+    auto_execute: true
+```
+
+## 📖 使用示例
+
+### 基本使用
+
+```
+# 1. 任务开始前，检索相关经验
+result = await mcp_call("retrieve_memory", {
+    "query": "在购物网站上找到用户最早的订单日期",
+    "top_k": 1,
+    "agent_id": "claude-code"  # 可选：指定 agent ID
+})
+
+# AI 获得提示：
+# "以下是从过去经验学到的：
+#  记忆 1 [✓ 成功经验] - 完整历史查询策略
+#  不要只查看 'Recent Orders'，需要导航到完整的订单历史页面..."
+
+# 2. 执行任务（生成轨迹）
+trajectory = [
+    {"step": 1, "role": "user", "content": "找到最早的订单"},
+    {"step": 2, "role": "assistant", "content": "点击订单历史"},
+    {"step": 3, "role": "tool", "content": "成功找到 2020-01-15 的订单"}
+]
+
+# 3. 任务完成后，提取经验
+await mcp_call("extract_memory", {
+    "trajectory": trajectory,
+    "query": "在购物网站上找到用户最早的订单日期",
+    "agent_id": "claude-code",  # 可选：标记记忆所属 agent
+    "async_mode": True  # 异步处理，不阻塞
+})
+```
+
+### 多租户隔离（Multi-Agent Isolation）
+
+使用 `agent_id` 参数实现不同 Agent 之间的记忆隔离：
+
+```python
+# 顶级 Agent (Claude Code)
+await mcp_call("retrieve_memory", {
+    "query": "优化 Python 代码性能",
+    "agent_id": "claude-code",  # 只检索 claude-code 的记忆
+    "top_k": 2
+})
+
+# 子代理 (Code Reviewer)
+await mcp_call("retrieve_memory", {
+    "query": "检查代码安全性问题",
+    "agent_id": "code-reviewer",  # 只检索 code-reviewer 的记忆
+    "top_k": 2
+})
+
+# 子代理 (Java Developer)
+await mcp_call("retrieve_memory", {
+    "query": "实现 Spring Boot API",
+    "agent_id": "java-developer",  # 只检索 java-developer 的记忆
+    "top_k": 2
+})
+
+# 不指定 agent_id：检索所有记忆
+await mcp_call("retrieve_memory", {
+    "query": "通用编程最佳实践",
+    "top_k": 3
+})
+```
+
+**记忆隔离规则**：
+- 不同 `agent_id` 的记忆完全隔离
+- 同一 `agent_id` 的记忆可跨会话共享
+- 不提供 `agent_id` 时检索所有记忆
+- 建议 SubAgent 使用自己的名称作为 `agent_id`
+
+## 🔬 开发
+
+### 运行测试
+
+```bash
+pytest tests/
+```
+
+### 代码格式化
+
+```bash
+black src/
+ruff check src/
+```
+
+## 📚 参考文献
+
+基于论文：**ReasoningBank: Memory as Test-Time Compute Scaling**
+
+- 论文核心思想：从成功和失败经验中提取推理模式
+- 检索机制：基于语义嵌入的相似度检索
+- 扩展点：支持更高级的检索策略和存储后端
+
+## 📝 License
+
+MIT License
+
+## 📋 更新日志
+
+### v0.2.0 (2025-10-29)
+
+**新增功能**：
+- ✨ 智能记忆管理系统
+  - 自动去重（语义去重）
+  - 智能合并（LLM驱动合并 + 投票式合并）
+  - 经验归档（保持完整追溯链）
+  - 后台异步处理（不阻塞主流程）
+- 🏗️ 插件化架构
+  - 去重策略工厂模式
+  - 合并策略工厂模式
+  - 记忆管理服务层
+- 💾 存储增强
+  - 支持归档记忆存储
+  - 批量操作接口
+  - agent_id 安全隔离
+
+**性能优化**：
+- 通过去重节省 20-30% 存储空间
+- 通过合并节省 40-60% 存储空间
+- 归档不保留 embedding，节省 90% 归档空间
+
+**文档更新**：
+- 完整的使用文档和配置说明
+- 开发和生产环境配置建议
+- 工作流程说明和最佳实践
+
+### v0.1.0 (初始版本)
+
+- ✅ 记忆提取和智能检索
+- ✅ 多种检索策略（余弦相似度、混合评分）
+- ✅ 异步处理支持
+- ✅ 多模型支持（DashScope、OpenAI、Claude）
+- ✅ 记忆隔离（SubAgent 支持）
+

iflow_mcp_hanw39_reasoning_bank_mcp-0.2.0.dist-info/RECORD

@@ -0,0 +1,55 @@
+src/__init__.py,sha256=s8ZEsD9GzP8-ZGfBaJMRTSAb9fdnDOgxhNiLzSxG7g0,494
+src/__main__.py,sha256=vNxoyEuo0IfCRdBnweI5PvUK6Hzf-cdVo-N73fOMEzA,121
+src/config.py,sha256=HmIJ-tZ8tQvV2_aJxqVJbtPLVF7jHO0Ljp_8S6O60B8,9403
+src/default_config.yaml,sha256=DpgevLVS9kpAnL5Kw7-iZr9td1pVDwFyifrFnY2Hrnc,3410
+src/server.py,sha256=5DH120HKgjK5ZQ8cVj0yUGhR-oliAULZNrX6i4S_zBI,11885
+src/deduplication/__init__.py,sha256=v6dpyB3IDpirQxe_FGY-JHFfCfmwHCWvgGs_TMvYJFQ,508
+src/deduplication/base.py,sha256=rY1ujNBzXZZDZaf_hm5n5VxnNXnWxmFvEnoTmqoDrn8,2679
+src/deduplication/factory.py,sha256=jJB9-dQyAQ3WW1XRCLt2hKTg1unDLPRu6BxelKtlZdo,1842
+src/deduplication/strategies/__init__.py,sha256=jnSn4jYAIxJhMSPvTLk4IEAxbKnrn-SlZfVPU4TMmXE,27
+src/deduplication/strategies/semantic_dedup.py,sha256=e9SpNltx2SuzZMyllKva0d5NBtA9C32-GKomKC7eOEo,6349
+src/initializers/__init__.py,sha256=vsmXqbUtDWJL3s9yn3mapnKExh7c6EOQZLkJGo6wiFA,1380
+src/initializers/base.py,sha256=A-uuLtsQnNewJuYRDAGyk1GR9enk19iyZbpeD-pXsuo,6031
+src/initializers/embedding_initializer.py,sha256=3u9U_uC8fh_ub91cxQs1WOwhAbHvi16r3c-7x4pXdpk,606
+src/initializers/llm_initializer.py,sha256=x7Lxv1TnNbBSuKelSiErUBejLomp36AMOH5VywXs_nA,546
+src/initializers/memory_manager_initializer.py,sha256=Kyq8dgHpPfNntguLwY5W3Hs7RqMMrQ-3ckkFR4Rdw2c,1747
+src/initializers/retrieval_initializer.py,sha256=lm4EK-nno3ttHjn1i0Xc86tOPUXurjR_nmYOGFS0GkI,961
+src/initializers/storage_initializer.py,sha256=ZF7PG7oWVBKkV5VcHEK8LUVHLeuI5jrcXY-B5eTDRyE,575
+src/initializers/tools_initializer.py,sha256=fsXvc3IrhbuosuiNjFVKwW5AB2AsalxhbC5HY70YRMY,1351
+src/llm/__init__.py,sha256=ngu8na7i9tLWNSw_gJUfxdaGNp0pl5rtGpXxSPwTlP8,217
+src/llm/base.py,sha256=1VPO2irslvCdsA7JSOsxqH6ayREpnU0KNjpGrvmqZnk,1309
+src/llm/factory.py,sha256=Gq0PD_KH-cBxUwbQk4G5Z1K_7R2bhBSfCaAip7sYQ7Y,2105
+src/llm/providers/__init__.py,sha256=Jtpr47MH8_mFOEM5ddV_aqB_UHJSgHjQo-L5MYyUo0o,359
+src/llm/providers/anthropic.py,sha256=GF_TEX0L7NTcQ1d4oLbC8wwTuc719PDnt8t8kO23QME,1939
+src/llm/providers/dashscope.py,sha256=Rwq9-joH2XwRn-w15HHay44djkfmb8ymNlwwa74LPXo,2458
+src/llm/providers/openai.py,sha256=Hkd6tQzfsscBzt3lDf0Tu9xDYKfGsH8FANiYgt55S7Q,2383
+src/merge/__init__.py,sha256=OnxEXXTgnTj-XSOF2Jm0FMZLBoulyJlK06LwXrbTJSE,524
+src/merge/base.py,sha256=uIQFZV9n62I-YFeN2WOOPc3Z9ADgLIRXzYsaDsJ3wZc,2432
+src/merge/factory.py,sha256=7CE6l8lQNivJK3IxIg8HFpdBmY28WEkbDyNMY90aAGw,1719
+src/merge/strategies/__init__.py,sha256=jnSn4jYAIxJhMSPvTLk4IEAxbKnrn-SlZfVPU4TMmXE,27
+src/merge/strategies/llm_merge.py,sha256=2pNC49qJwFK11DtQYXc1Hn0W83yNA31A6UP-FjvIsOc,5823
+src/merge/strategies/voting_merge.py,sha256=HziN0O_IzwKvsFPIKChsx15UZwpzD1VNH9ZYNIY12gs,3448
+src/prompts/__init__.py,sha256=ZZgv67rfEgTtynN0TymcvMSzjTU9HAYHyEuYgLfFZoQ,507
+src/prompts/formatters.py,sha256=QyLsDLExY6gx4k9VX-YG2Xovl7pPto2WPswu-dGu2JQ,2218
+src/prompts/templates.py,sha256=igAv9rIpbUKlZOdeueaRyqzlrjN9FKl52E2Tdj0xF0g,5355
+src/retrieval/__init__.py,sha256=EV3_r5rdqocmB98TLhaXi02FWvzHqimLpwsz-pwuVIY,157
+src/retrieval/base.py,sha256=Jpm4tqWxklMFwcLDj9DKaxohCM8fNfrhgiQ63fXh3mg,886
+src/retrieval/factory.py,sha256=IaQJIDf4fU11c81GEZSlqgsocaGgrc-DTfajVZoHr6w,1551
+src/retrieval/strategies/__init__.py,sha256=8QZpX95GHMn-9u8CjVbZ8jDm3uPRPBPY6NkyzOpQYvU,207
+src/retrieval/strategies/cosine_retrieval.py,sha256=GPn_lhTOpIDFvMOwPp7hkzXwVijsMCl6sN98Vmf24Ho,1347
+src/retrieval/strategies/hybrid_retrieval.py,sha256=QAWTYlUXYi05wtILG2TS6ay1YQASOVceRhc7F3_GGZ8,4516
+src/services/__init__.py,sha256=EcNgB7LlO7n4fcyPwX9oqLaOScvoIpM9bNSK-hOtE_4,159
+src/services/memory_manager.py,sha256=s292HEtMeBHCmiZ-pMt8AtN0Fn1d20rStuD9dceBhnY,13692
+src/storage/__init__.py,sha256=GwTqABPDLmK39WLssXsHrDRUiPjagcpQ7hXg53_agHQ,1123
+src/storage/base.py,sha256=5bJjskrQ3RKZ8o_uNJAByLz6tIHeff_Y1zOq3GC_kkU,3578
+src/storage/backends/json_backend.py,sha256=eS55sCbpbtyErHBSqSaA_E-nupQarJq2DnbqOCt0Nrk,10669
+src/tools/__init__.py,sha256=Gf4_sZf6-jgtu1OYNF8lkOWq_FE-XLGFU0dzQkt4ZFU,183
+src/tools/extract_memory.py,sha256=1UekRhGtJF_6i1H76lpE7VjITDuVWxq_81MBOtINRxY,10147
+src/tools/retrieve_memory.py,sha256=i4hgCNlI1MihiAeOOtSwtmMPa0HvSDIvPZAYSuKDseA,5056
+src/utils/__init__.py,sha256=H-yV67Ay8NGLeNBtLLr8dOxLpUip3LCbZKtW0_cQoww,150
+src/utils/similarity.py,sha256=XMAxPyUrKKPQjeSbvZy7cDTg50lekiochx8JNeSiPlE,1353
+iflow_mcp_hanw39_reasoning_bank_mcp-0.2.0.dist-info/METADATA,sha256=uXlX9XIcDWkl8SDBUIxvYy-r7JjFM7u6WmU-p-wUNAc,19102
+iflow_mcp_hanw39_reasoning_bank_mcp-0.2.0.dist-info/WHEEL,sha256=WLgqFyCfm_KASv4WHyYy0P3pM_m7J5L9k2skdKLirC8,87
+iflow_mcp_hanw39_reasoning_bank_mcp-0.2.0.dist-info/entry_points.txt,sha256=zUc_UrDMznJ_w-Wt8mDJez5_Y7k0iEujacS63QCVAaM,61
+iflow_mcp_hanw39_reasoning_bank_mcp-0.2.0.dist-info/licenses/LICENSE,sha256=R4ymlW1EhaJfuBQDdIBfOo4yRKTW-6qE9Xkc1l0_5DY,1063
+iflow_mcp_hanw39_reasoning_bank_mcp-0.2.0.dist-info/RECORD,,

iflow_mcp_hanw39_reasoning_bank_mcp-0.2.0.dist-info/WHEEL

@@ -0,0 +1,4 @@
+Wheel-Version: 1.0
+Generator: hatchling 1.28.0
+Root-Is-Purelib: true
+Tag: py3-none-any

iflow_mcp_hanw39_reasoning_bank_mcp-0.2.0.dist-info/entry_points.txt

@@ -0,0 +1,2 @@
+[console_scripts]
+reasoning-bank-mcp = src.server:run_server

iflow_mcp_hanw39_reasoning_bank_mcp-0.2.0.dist-info/licenses/LICENSE

@@ -0,0 +1,21 @@
+MIT License
+
+Copyright (c) 2025 hanw39
+
+Permission is hereby granted, free of charge, to any person obtaining a copy
+of this software and associated documentation files (the "Software"), to deal
+in the Software without restriction, including without limitation the rights
+to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
+copies of the Software, and to permit persons to whom the Software is
+furnished to do so, subject to the following conditions:
+
+The above copyright notice and this permission notice shall be included in all
+copies or substantial portions of the Software.
+
+THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
+IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
+FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
+AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
+LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
+OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
+SOFTWARE.