Graphthulhu MCP Server Proporciona a los Agentes de IA Memoria de Grafo de Conocimiento para Logseq/Obsidian

Graphthulhu es un servidor MCP que otorga a los agentes de IA acceso completo de lectura y escritura a una bóveda de Logseq u Obsidian. En lugar de incrustar fragmentos de texto en vectores, el agente escribe páginas estructuradas con propiedades y [[enlaces]] entre ellas, creando un grafo de conocimiento como memoria.

Cómo funciona

El sistema almacena la memoria del agente como archivos markdown simples en el disco. Cada página tiene tipo (proyecto/decisión/investigación/lección/información), estado y marcas de tiempo de creación/actualización. El agente escribe después de aprender, enlaza páginas relacionadas y sigue estándares de propiedades. Durante latidos periódicos, el agente revisa las notas diarias recientes y promueve contenido importante al grafo.

Resultados después de un mes

• 404 páginas creadas
• 1.451 referencias cruzadas entre páginas
• Los proyectos enlazan a decisiones, que enlazan a investigaciones, que enlazan a lecciones aprendidas
• La memoria se convierte en una red de conocimiento conectado que se densifica con el tiempo

Problemas con la memoria vectorial abordados

El autor identifica tres problemas con los sistemas de memoria basados en vectores típicos:

• Recuperación de ángulo único: Las consultas de búsqueda deben coincidir con el ángulo en el que se almacenó la memoria. "Fallo de autenticación de Fitbit" y "problema de cookies del navegador" podrían ser la misma memoria, pero los vectores no las conectarán a menos que busques ambas.
• Sin estructura: Todo se almacena como incrustaciones con igual peso. Una preferencia central y un evento puntual parecen iguales para el sistema de recuperación.
• Sin relaciones: Saber que existen el hecho A y el hecho B es inútil si no puedes ver que A causó B.

Ventajas del grafo de conocimiento

• Recuperación multi-gancho: Cada [[enlace]] es una ruta de recuperación. Busca "OpenChaos" y obtienes la página del proyecto, luego sigue los enlaces para encontrar crisis de gobernanza, análisis competitivo e investigación académica.
• Los tipos son nativos: El grafo sabe estructuralmente que una preferencia y un evento son cosas diferentes. No se necesitan tasas de decaimiento aprendidas.
• Persistencia: Fallos del agente, reinicios de sesión, cambios de modelo: el conocimiento persiste. Sin base de datos, sin incrustaciones que recalcular, sin almacén vectorial que mantener. Haz una copia de seguridad con git para memoria versionada.

Detalles técnicos

• Binario único en Go
• 37 herramientas MCP
• Funciona con backends de Logseq y Obsidian
• Código abierto en GitHub

Compensaciones y planes futuros

Este enfoque requiere más estructura inicial que "simplemente incrustar todo". El agente necesita disciplina para escribir después de aprender, siempre enlazar páginas relacionadas y seguir estándares de propiedades. El autor está intercambiando conveniencia por profundidad.

Los planes futuros incluyen añadir RAG sobre el grafo: incrustar contenidos de páginas para búsqueda semántica difusa y encontrar el punto de entrada, luego usar recorrido del grafo para incorporar todo lo conectado a él. Esto sigue el patrón del artículo GraphRAG de Microsoft de búsqueda semántica para descubrimiento y enlaces de grafo para expansión de contexto.