Statey 实战教程：用 MCP 给 AI Agent 装上一个共享数据库，跨会话持久化
AI Agent 有一个老毛病：出了这个聊天窗口，它就把你忘得一干二净。你在 Claude Code 里建了一个任务跟踪表，换到 Cursor 后又是白纸一张。Agent 之间没有共享记忆，数据被锁在各个聊天窗口里。
Statey 就是来解决这个问题的。它是一个通过 MCP 协议提供的 Agent 原生数据库——你不需要 SDK，不需要管理 API 密钥，你的 Agent 用 MCP 连上去就能读写结构化数据。而且同一个工作区跨会话、跨客户端持久化：在 Claude 里写的记录，ChatGPT 里也能读到。
Statey 是什么
Statey 的本质是一个「Agent 原生数据库」，通过 MCP 的 streamable-HTTP 协议交付。这句话拆开来看：
- Agent 原生：数据库的操作接口不是 SQL 或 REST API，而是 9 个 MCP 工具（create_collection、create_records、query_records 等）。Agent 根据你的自然语言描述自己选工具调用。
- 通过 MCP 交付：不需要安装数据库服务器、不需要配置网络。Agent 连上 MCP 端点就能用，就像连一个天气查询工具一样简单。
- 跨会话持久化：数据存在 Statey 的云端工作区，不是存在临时聊天上下文里。你今天建的记录，明天打开另一个客户端还能查。
从定价看，Statey 走的是实用路线：免费版提供 1 个工作区、1 GB 存储、无限读写、3 个 Agent Key。写入和查询永远免费，只对存储空间收费（超过 1GB 后按用量计费）。
快速接入：一分钟配好 MCP 连接
Statey 支持所有主流 MCP 客户端，配置方式统一。
Claude Code（终端 Agent）
claude mcp add --transport http statey https://mcp.statey.ai/mcp
--transport http 告诉 Claude Code 使用 streamable-HTTP 协议。添加后会触发 OAuth 认证流程，浏览器弹窗让你用 Google 或 GitHub 账户登录，然后工作区自动创建——全程不需要手动创建表或配置 Schema。
Claude 桌面版 / Web
打开 Settings → Connectors 标签页 → Add custom connector，粘贴 https://mcp.statey.ai/mcp 保存。首次使用时 Agent 会自动引导你完成 OAuth 登录。
Cursor / Windsurf / 其他 MCP 客户端
在客户端的 MCP 配置文件中添加新服务端条目：
- Transport 类型：streamable-HTTP（或 http）
- URL：
https://mcp.statey.ai/mcp
如果客户端只支持 SSE 传输，可以用备选端点 https://mcp.statey.ai/sse。
你还可以通过 console.statey.ai 在浏览器中查看工作区、管理账户和检查用量。
上手实战：让 Agent 帮你建一个任务跟踪系统
配好连接后，你不需要记任何 API 语法。用自然语言描述需求，Agent 会自动选择正确的 Statey 工具来执行。
第一步：看看工作区有啥
我的工作区里有什么？
Agent 会调用 get_workspace_overview 工具，返回你的集合列表、记录计数和当前 Agent 的权限。新建工作区返回空列表和两个 Starter 模板（Tasks 和 Tickets）。
第二步：建一个记录集合
帮我建一个任务跟踪表，包含标题、状态（todo/in-progress/done）、优先级和负责人
Agent 调用 create_collection 工具，Statey 根据你的描述生成 Schema，验证字段类型，然后返回集合摘要。整个过程在几秒内完成，你不需要写 CREATE TABLE。
第三步：添加记录
加三条任务：设置 CI（高优先级，待开始）、写 README（中优先级，待开始）、部署到 Staging（高优先级，进行中）
Agent 调用 create_records 批量插入三条记录。这个调用是 all-or-nothing 的——如果一条记录格式不对，整批都不会写入。每条记录都会获得唯一的 id、版本计数器，以及一条操作日志。
第四步：查询数据
显示所有未完成的高优先级任务
Agent 调用 query_records 工具，返回过滤后的分页结果。你可以在查询中自由组合过滤、排序和分组条件，按字段排序或按负责人分组——全部用自然语言描述即可。
第五步：更新和删除
把第一条任务状态改为 in-progress
Agent 使用乐观并发控制的 update_record 工具做局部更新。如果记录在你读和写之间被其他 Agent 修改过，调用不会静默覆盖，而是返回当前版本让你确认。
删除操作是软删除——记录从查询中消失，但保留在活动日志中可追溯。
工具全景：Statey 的 11 个 MCP 工具
Statey 提供 11 个 MCP 工具，按功能分为四组：
工作区导航
| 工具 | 用途 | 示例 |
|---|---|---|
get_workspace_overview | 查看集合、记录数、权限 | “看看我工作区有啥” |
describe_collection | 查看集合 Schema | “Tasks 表有哪些字段？” |
数据架构
| 工具 | 用途 | 示例 |
|---|---|---|
create_collection | 从描述创建集合 | “建一个客户表，包含名称和计划” |
update_schema | 增量更新 Schema | “给客户表加一个续费日期字段” |
数据操作
| 工具 | 用途 | 示例 |
|---|---|---|
create_records | 批量插入 1-100 条 | “导入这 30 个任务” |
get_record | 按 ID 获取单条 | “查一下 TIC-206” |
query_records | 过滤/排序/分组查询 | “按负责人分组的未完成任务” |
update_record | 乐观并发控制的局部更新 | “把 TIC-206 标为进行中” |
delete_record | 软删除 | “归档那条记录” |
审计与用量
| 工具 | 用途 | 示例 |
|---|---|---|
query_activity | 搜索不可变操作日志 | “这周谁碰了这个记录？” |
get_usage | 查询当前用量和预算 | “这月用了多少存储？” |
Reacting to changes（基于事件的触发器）在 Phase 2 规划中，届时将支持当记录变更时自动触发 Agent 或 Webhook。
几个值得注意的设计
写操作全归因：每次写入都会记录操作者是谁。不管是一个 Agent 还是多个 Agent 协作，审计日志里每条记录都有明确的操作者。
乐观并发控制：当多个 Agent 同时操作同一条记录时，update_record 不会静默覆盖——如果数据在你读取后被修改过，调用返回最新版本而不是覆盖。这在多 Agent 协作场景中尤其重要。
Schema 即服务：不需要提前设计数据库 Schema。create_collection 从自然语言描述生成 Schema，update_schema 支持增量变更（加字段即时生效，破坏性变更需确认）。这借鉴了 TerminusDB 和 Datomic 的「Schema as Data」理念，但对 AI Agent 工作方式做了优化。
适用场景
Statey 最适合的场景是需要跨会话、跨 Agent 共享结构化数据的场景：
- 开发工作流：Claude Code 里建的任务列表，在 Cursor 里也能看到，不会被对话上下文清空
- 日常管理：让 Agent 帮你跟踪项目状态、管理待办事项，数据永久存在
- Agent 协作：多个 Agent 读写同一个工作区，通过
query_activity追踪每次变更 - 研究笔记：做技术调研时把发现记到 Statey，下次打开另一个客户端继续查
它的局限也很明显：只存储结构化记录（类似 NoSQL 文档集合），不支持复杂 JOIN 或全文搜索。如果你需要的是 SQL 级别的查询能力，更适合用 Dinobase 或 BetterDB 一类的工具。
结语
Statey 解决了一个被很多人忽视但实际上很棘手的问题——AI Agent 的记忆碎片化。它没有选择做「记忆层」「上下文压缩」这些炫技方案，而是老老实实给你一个 MCP 数据库，让 Agent 自己决定存什么、怎么查。免费版 1GB 的存储对日常开发足够了——毕竟存的是结构化记录而非大文件。
相关链接