Graphthulhu MCP Server Offre aux Agents IA une Mémoire de Graphe de Connaissances pour Logseq/Obsidian

Graphthulhu est un serveur MCP qui donne aux agents d'IA un accès complet en lecture-écriture à une base de données Logseq ou Obsidian. Au lieu d'incorporer des extraits de texte dans des vecteurs, l'agent écrit des pages structurées avec des propriétés et des [[liens]] entre elles, créant ainsi un graphe de connaissances comme mémoire.

Fonctionnement

Le système stocke la mémoire de l'agent sous forme de fichiers markdown simples sur le disque. Chaque page a un type (projet/décision/recherche/leçon/information), un statut, et des horodatages de création/mise à jour. L'agent écrit après avoir appris, lie les pages connexes et suit les normes de propriétés. Pendant les battements de cœur périodiques, l'agent examine les notes quotidiennes récentes et promeut le contenu important vers le graphe.

Résultats après un mois

• 404 pages créées
• 1 451 références croisées entre les pages
• Les projets renvoient aux décisions, qui renvoient à la recherche, qui renvoient aux leçons apprises
• La mémoire devient un réseau de connaissances connectées qui se densifie avec le temps

Problèmes de la mémoire vectorielle résolus

L'auteur identifie trois problèmes avec les systèmes de mémoire typiques basés sur des vecteurs :

• Récupération à angle unique : Les requêtes de recherche doivent correspondre à l'angle sous lequel la mémoire a été stockée. "Échec d'authentification Fitbit" et "problème de cookie de navigateur" pourraient être la même mémoire, mais les vecteurs ne les connecteront pas à moins de rechercher les deux.
• Aucune structure : Tout est stocké sous forme d'embeddings avec un poids égal. Une préférence fondamentale et un événement ponctuel apparaissent identiques au système de récupération.
• Aucune relation : Savoir que le fait A et le fait B existent est inutile si on ne peut pas voir que A a causé B.

Avantages du graphe de connaissances

• Récupération multi-accroche : Chaque [[lien]] est un chemin de récupération. Recherchez "OpenChaos" et vous obtenez la page du projet, puis suivez les liens pour trouver les crises de gouvernance, l'analyse concurrentielle et la recherche académique.
• Les types sont natifs : Le graphe sait structurellement qu'une préférence et un événement sont des choses différentes. Aucun taux de dégradation appris n'est nécessaire.
• Persistance : Plantages de l'agent, réinitialisations de session, changements de modèle - la connaissance persiste. Pas de base de données, pas d'embeddings à recalculer, pas de magasin vectoriel à maintenir. Sauvegardez-la avec git pour une mémoire versionnée.

Détails techniques

• Binaire Go unique
• 37 outils MCP
• Fonctionne avec les backends Logseq et Obsidian
• Open source sur GitHub

Compromis et plans futurs

Cette approche nécessite plus de structure initiale que de "simplement tout incorporer". L'agent a besoin de discipline pour écrire après avoir appris, toujours lier les pages connexes et suivre les normes de propriétés. L'auteur échange la commodité contre la profondeur.

Les plans futurs incluent l'ajout de RAG sur le graphe : incorporer le contenu des pages pour une recherche sémantique floue afin de trouver le point d'entrée, puis utiliser la traversée du graphe pour tout récupérer ce qui y est connecté. Cela suit le modèle du document GraphRAG de Microsoft : recherche sémantique pour la découverte et liens de graphe pour l'expansion du contexte.