# 工具集

> 全部已收录的资源，编辑推荐的排在前面。下面几种条件可以同时用。

- 可以搜索：在地址后加 `?q=<关键词>`，多个关键词用空格分隔，要同时命中。搜的是名称、仓库、标签、职业、简介与 README。
- 可以按类型过滤：在地址后加 `?type=<cli|skill|plugin|mcp>`。
- 可以按职业过滤：在地址后加 `?profession=<职业编号>`，多个用逗号分隔，资源适合其中任意一个即可。编号见 https://hebbmind.com/api/v1/professions
- 可以按标签过滤：在地址后加 `?tag=<标签>`，多个用逗号分隔，资源要同时带有这些标签。标签见 https://hebbmind.com/api/v1/tags

适合全栈 / 独立开发或算法 / AI的资源，带标签 `knowledge-graph`，共 3 项。

> - 全栈 / 独立开发：跨前后端的通用研发：编码 Agent 工作流、代码评审、调试与 Git 协作。
> - 算法 / AI：模型训练、评测与大模型应用开发。

- [Knowledge Graph Memory Server](https://hebbmind.com/zh-TW/mcp/memory.md): [MCP] 用本地知识图谱（实体、关系、观察）为 agent 保存跨会话的长期记忆，数据落在本地 JSONL 文件，可随时查询与增删。MCP 官方参考实现。
- [Cognee MCP](https://hebbmind.com/zh-TW/mcp/cognee-mcp.md): [MCP] 把 cognee 记忆引擎作为 MCP 服务运行，通过 remember、recall、forget 三个工具把文档与对话写入知识图谱和向量库，供 agent 跨会话检索。需先用 Docker 或 uv 启动服务，默认需要 LLM API Key，也可连接 Cognee Cloud。
- [Graphiti MCP Server](https://hebbmind.com/zh-TW/mcp/getzep-mcp-server.md): [MCP] 把对话与业务数据写入 Graphiti 时序知识图谱，让 agent 按实体、事实和时间检索长期记忆。Zep 开源维护，需先用 Docker 启动 FalkorDB 或 Neo4j 与服务，并配置 LLM API Key。