Graphthulhu MCP Server verleiht KI-Agenten Wissensgraphen-Gedächtnis für Logseq/Obsidian

Graphthulhu ist ein MCP-Server, der KI-Agenten vollen Lese- und Schreibzugriff auf einen Logseq- oder Obsidian-Vault gewährt. Anstatt Textabschnitte in Vektoren einzubetten, schreibt der Agent strukturierte Seiten mit Eigenschaften und [[Verknüpfungen]] zwischen ihnen und erzeugt so ein Wissensdiagramm als Erinnerung.

Wie es funktioniert

Das System speichert Agentenerinnerungen als einfache Markdown-Dateien auf der Festplatte. Jede Seite hat einen Typ (Projekt/Entscheidung/Recherche/Lektion/Information), einen Status sowie Zeitstempel für Erstellung und Aktualisierung. Der Agent schreibt nach dem Lernen, verknüpft verwandte Seiten und hält sich an Eigenschaftsstandards. Während periodischer Herzschläge überprüft der Agent kürzliche tägliche Notizen und befördert wichtige Inhalte in das Diagramm.

Ergebnisse nach einem Monat

• 404 Seiten erstellt
• 1.451 Querverweise zwischen Seiten
• Projekte verknüpfen mit Entscheidungen, die mit Recherchen verknüpfen, die mit gelernten Lektionen verknüpfen
• Die Erinnerung wird zu einem Netz verbundenen Wissens, das mit der Zeit dichter wird

Behandelte Probleme mit Vektorerinnerung

Der Autor identifiziert drei Probleme mit typischen vektorbasierten Erinnerungssystemen:

• Einwinkel-Abruf: Suchanfragen müssen dem Winkel entsprechen, unter dem die Erinnerung gespeichert wurde. „Fitbit-Authentifizierungsfehler“ und „Browser-Cookie-Problem“ könnten dieselbe Erinnerung sein, aber Vektoren verbinden sie nicht, es sei denn, Sie suchen nach beiden.
• Keine Struktur: Alles wird als Einbettungen mit gleichem Gewicht gespeichert. Eine Kernpräferenz und ein einmaliges Ereignis sehen für das Abrufsystem gleich aus.
• Keine Beziehungen: Zu wissen, dass Fakt A und Fakt B existieren, ist nutzlos, wenn man nicht sehen kann, dass A B verursacht hat.

Vorteile von Wissensdiagrammen

• Mehrfachhaken-Abruf: Jede [[Verknüpfung]] ist ein Abrufpfad. Suchen Sie nach „OpenChaos“ und Sie erhalten die Projektseite, dann folgen Sie Verknüpfungen, um Governance-Krisen, Wettbewerbsanalysen und akademische Forschung zu finden.
• Typen sind nativ: Das Diagramm weiß strukturell, dass eine Präferenz und ein Ereignis unterschiedliche Dinge sind. Keine gelernten Abklingraten erforderlich.
• Persistenz: Agentenabstürze, Sitzungsrücksetzungen, Modellaustausch – das Wissen bleibt bestehen. Keine Datenbank, keine neu zu berechnenden Einbettungen, kein Vektorspeicher zu warten. Sichern Sie es mit git für versionierte Erinnerung.

Technische Details

• Einzelne Go-Binärdatei
• 37 MCP-Tools
• Funktioniert mit Logseq- und Obsidian-Backends
• Open Source auf GitHub

Kompromisse und Zukunftspläne

Der Ansatz erfordert mehr anfängliche Struktur als „einfach alles einbetten“. Der Agent benötigt Disziplin, um nach dem Lernen zu schreiben, immer verwandte Seiten zu verknüpfen und Eigenschaftsstandards zu befolgen. Der Autor tauscht Bequemlichkeit gegen Tiefe ein.

Zukunftspläne umfassen das Hinzufügen von RAG über dem Diagramm: Seiteninhalte für unscharfe semantische Suche einbetten, um den Einstiegspunkt zu finden, dann Diagrammdurchquerung verwenden, um alles damit Verbundene einzubeziehen. Dies folgt dem Muster von Microsofts GraphRAG-Papier: semantische Suche zur Entdeckung und Diagrammverknüpfungen zur Kontexterweiterung.