Cursor Chat History Vectorizer & Dockerized Search MCP

🛠️ Cursor Chat History Vectorizer & Dockerized Search MCP 是什么？

这是一个帮你把 Cursor IDE 里的聊天记录变成可检索知识库的工具。它不改写你的工作流，也不需要你学新语法，只是在后台默默把那些“问过就忘”的对话整理成结构化数据，让你之后能快速找回来。

为什么需要它？

以前你在 Cursor 里问 AI 的问题，比如“怎么优化这个 API 调用”或者“上次那个错误日志是怎么解决的”，这些对话虽然有用，但时间一长就沉底了。想找的时候只能手动翻，效率低还容易漏。

这个工具解决了这个问题：它定期扫描 Cursor 的 SQLite 数据库，自动提取所有聊天内容，生成文本向量并存入本地数据库。你不需要写 SQL、不用管嵌入模型怎么跑，只要指定 Cursor 数据文件的位置，剩下的全自动化处理。

核心能力速览

1. 自动化数据提取
直接读取 Cursor 的本地 SQLite 文件，解析聊天记录并清洗格式。你不用打开数据库浏览器，也不用手动导出，路径一配，数据自动进来。

2. 本地向量化处理 ⚡
使用你本机运行的 Ollama 实例生成语义向量，全程不联网。提问“如何重试失败的请求”时，系统会计算这句话和历史对话的相似度，找出最相关的几条记录，响应快且隐私可控。

3. 统一搜索接口 💡
通过 FastAPI 暴露 /search 接口，发个 POST 请求带上你的问题，就能返回匹配的聊天片段。你可以把它集成进自己的脚本、IDE 插件甚至命令行工具，查历史就像查文档一样简单。

4. 容器化部署
整个流程打包成 Docker 镜像，依赖隔离、环境一致。你在任何有 Docker 和 Ollama 的机器上拉镜像、跑容器，几分钟就能启动服务，适合多设备同步或团队共享配置。

适合谁？怎么用？

如果你是经常用 Cursor 写代码、靠对话式 AI 解决问题的开发者，尤其是需要回溯技术决策或复用旧方案的人，这个工具能减少重复提问，提升信息复用率。

建议这样开始：先在本地运行 Ollama，加载一个轻量嵌入模型（如 nomic-embed-text），然后启动这个 MCP 容器，指向你的 Cursor 数据库路径。等初始化完成后，用 curl 测试一次搜索，看看能不能找回一周前的某条对话。

整个过程不替代你的判断，只是让过去的经验更容易被记住。