TestGraph

Experimenteller KI-nativer Erfahrungsgraph für geteiltes, überprüfbares Gedächtnis über KI-Assistenten hinweg.

Status: working vorab release research system. Die Architektur und die MCP-Workflows wurden mit mehreren KI-Clients erprobt, aber das Projekt wird noch nicht als stabiler Produktionsdienst oder API bereitgestellt.

TestGraph speichert menschliche Bewertungen und KI-abweichende Strukturen als dauerhaftes Graphwissen, während Beweise, Quelle und serverseitig überprüfbarer Ablauf getrennt von den Modellannahmen gehalten werden. Es ist so konzipiert, dass verschiedene KI-Systeme zum gleichen Wissen beitragen und es wiederverwenden können, ohne dass vorab ein vollständiges Domänschema erforderlich ist.

Projektziele

1. Schema-Entstehung: Geben Sie mehreren KIs unerfahrene Erfahrungen und erhalten Sie eine nützliche Struktur, ohne die Kategorien vorher zu entwerfen.

2. Gesteuerte Diskrepanz: Konkfliktierende Klassifikationen konvergieren durch die Analyse von Beweisen und durch Server-Steuerung, anstatt Hin-und-Her zu wechseln.

3. Wahrheitsgetreue Ausführung: Modelle können nicht behaupten, dass Discovery, Anreicherung oder Abgleich stattgefunden haben, wenn der Server es nicht bestätigen kann.

4. Übergeordnete Wie: TestGraph nutzt die aufrufende KI bewusst als seine semantische und Entdeckungs-Engine. Die KI soll ihre verfügbaren Denk-, Abruf- und Werkzeugfähigkeiten auf unbesprochene Themen anwenden, Strukturen und Beziehungen ableiten und Beweise harmonisieren, ohne dass TestGraph die domänspezifische Form vorgibt. TestGraph stellt die stabilen Graph-Präprodukte, Persistenz und Serversseitige Verifizierung; Eine aufrufende KI trägt die offene Intelligenz.

Diese Ziele sind Abnahme-Kriterien für TestGraph’s Architektur und die zugrundeliegende Architektur, nicht weniger instruction für einzelne KI-Clients.

Related MCP server: Graph-Mem MCP

Standard-Wörterbuchmodell

• Reviews werden gegen stabile IDs gespeichert, nicht gegen D verpasste Standort-Pfade. Flexible Eingabe wird über mehrere Standard-Typen und globale Aliase identischen; Schreibweise, Satzzeichen, Besitzform und normale Pluralformen werden automatisch normalisiert. Unbekannte können Typen nach einer Zuführung von Wörterbuch-Kandidaten erstellt werden.

• Klassifizierung ist eigene Metadaten. z., ferry gehört zu transportation, ergibt ein kombinierbares Filtersystem für typisierte Reviews, behindert aber nicht den Bereich, in wuw ein ERP-Typ gespeichert wird. review ist der Rekordtyp, kein Vokabular-Knoten. Wiederverwendbare Strukturwerte haben eigene IDs und Aliase und sind an mehreren Subjekttypen anbringbar.

• Migration 0009_flat_standard_vocabulary verwirft bewusst die alten v2-Konzept-/Review-Daten, erhält aber Benutzer, OAuth-Zustand, Fähigkeiten-Schlüssel und die benutzereigene Zugangsdaten unbeeinflusst.

Lokales Setup

1. Python 3.11+ Virtualenv erstellen.

2. Dependencies installieren.

pip install -r requirements.txt

3. .env.example nach .env kopieren und jeden Platzhalter-Secret-Wertpunkte A ersetzen.

4. Migrationen anwenden.

alembic upgrade head

5. Schemas und Demozugänge bereitstellen.

python -m scripts.seed

6. Anwendungsstart.

python run.py

Öffnen Sie http://127.0.0.1:8000 und http://127.0.0.1:8000/docs.

Duplikate von Beispiel-, Entwicklungs- und System-Zugangs zum ersten Mal mit anderen Zielgerichts. Als – TOKEN, API-Keys, OAuth-Verbindungscodes und Owner-Kennungen dürfen nie ins Git-Repository festgelegt werden.

MCP und OAuth

TestGraph beinhaltet derzeit eine Tool-MCP-App. Der Multi-Modell-Integrationsfluss wird über /mcp-v2 ausgeführt. Die Produktionsverbindung verwendet OAuth 2.1 Authorization Code + PKCE. Ein verbundener KI erhält ein kurzlebiges Token mit definierten Berechtigungen; er bekommt keine Verbindungscodes, API-Key oder TestGraph-Owner-Id.

Die MCP-Oberfläche enthält der Mitgliedsfunktionen Suchen/Abrufen/Speichern für Reviews und die neueren Graph-/Verarbeitungsfunktionen für Multi-Modell-Experimente. Die bereitgestellte MCP-Schema ist der Maßstab, sie ist permanent unvoll.

Vor einer Produktion werden Sie eine lange variable OAUTH_CONNECTION_CODESetzen Sie den korrekten OAUTH_OWNER_USER_ID und vermeiden Sie, dass die Produktions-Secrets nur in dem Umgebung bleiben.

Import der Verweil-UCI-Rezept Reviews

Nach der Migration und dem Aufruf python -m scripts.seed führen Sie folgenden Check durch:

python -m scripts.import_uci_recipe_reviews --representative-reviews 100 --load

Dieses lädt den CC BY 4.0 UCI-Datensatz herunter und sucht aus jedem der 100 Rezepte eine dichte Rezension aus. Es schreibt die konvertierten Daten nach data/uci_recipe_reviews_100.json und setzt sie in der DB. Der Start ist gefahrlos: Bereits vorhandene Ids verhindern Duplikate.

Der Review-Text selbst, 0-5-Sterne-Wertung, Zeitstempel, Votes, Quellen-Id, Lizenz und Attribution werden in Provenance-Einträgen abgelegt. Der Import beinhaltet Auswertung von Aussagen zu Geschmack, Rezeptionsniveau, Timing, Zutatenverfügbarkeit, Schwierigkeit, Wiederholbarkeit und Modifikationen. Jede Zeile hat eine zugehörige Quelle; Unbelegtes bleibt darauf null.

Um die bereits vorhandene ohne zusätzlichen Netzwerkrundruf zu verwenden:

python -m scripts.import_uci_recipe_reviews --load-bundle data/uci_recipe_reviews_100.json

Entwicklung-Version Löschung

Eine Implementierungs-Lösch-Seite ist verfügbar unter /devdemo/reset. Sie ist geschützt und klein; bei Aufruf wird nur unter injektiver Freischaltung eine Anfrage akzeptiert.

ENABLE_DEVELOPMENT_RESET=true

Die Seite löscht alle v1-v2-Kennwerte und Wissensdaten zurück, während Benutzerdaten, OAuth - komplexes Verknüpfungen und Capability-Schlüssel beibehalten werden. Diese Seite muss in einer normalen Bereitstellung für die Production die Empfehlung nicht aktiv sein.

Tests

pytest -q

Ein Fortschritt darf nur ausgeliefert werden, wenn die gesamte Testsuite für den Release-Stand läuft und der Release-Check RELEASE_CHECKLIST.md zufriedenstellend bestanden ist.

Railway- Deploy

1. Das Git-Repository an GitHub pushen.

2. Railway-Projekt aus dem GitHub-Repo erstellen.

3. PostgreSQL hinzufügen.

4. Dafür die DATABASE_URL des Postgres-Dienstes angeben; keine entwickelte URL als String verwenden.

5. Product. Variablen mit eindeutigen zufälligen Tokens:

ENVIRONMENT=production
APP_SECRET=<random secret>
DEVELOPMENT_API_KEY=<long random key; development/admin use only>
CLIENT_API_KEYS={}
OAUTH_OWNER_USER_ID=<owner UUID>
OAUTH_CONNECTION_CODE=<long random connection code>
PUBLIC_BASE_URL=https://<your-domain>
ALLOWED_HOSTS=["<your-domain>","<railway-domain>"]
CORS_ORIGINS=["https://<your-domain>"]
ENABLE_DEVELOPMENT_RESET=false

railway.json steuert Migrationen vor Deploy, Uvicorn start using Railway's $PORT, und den Start Gesundheitsstatus unter /health/ready.

Die app wandelt Railway's postgresql:// in SQLAlchemy's postgresql+psycopg:// um, weil sie die Psycopg 3 collection. In einer Produktion mit nicht resolberner Datenbank wird der Prozess gestoppt, und nicht unaufgefordet Fallback zu SQLite.

Umsetzung Architektur

Kurzangezüge GPT Exception. SampleMereIt may be.

• Calling-AI wird als eigener semantischer- und Entdecken-Engine mit Server-Verifizierung und der Persistenz-Server betrieben

• Fest definierte flache Subjekt-ID

• Einheitliche Benennung und Alias–Geltung

• Semantisch anstatt linearer Storage-Beziehungen

• Versionsk ан style Schema-registry

• mDB-Independent Py-Validation (JSON/JSONB)

• Berechtigungsfluss mit Versionsnummer

• Begrenzte Client Priviligen

• Zentral festgelegte Lesebedingungen

• Korrekte Auflösung von Metabereichen

• OAuth 2.1 Authorization Code + PKCE, Dynamic Client Provisioning, Token-Rotation und Scope-Level-API-Zugriff

• Ein MCP-Endpunkt für autorisierte KI-Anbindung

• Idempotent – Zustandsbeleg ohne Seiteneffekte

• Provenance+, Konsentum, Owner und Sichtbarkeit

• Reviewer/Reader-Relankspairing und spezifische Relevanzscore

• Audit-Log und Soft-Delete

• Request-IDs, konsistente JSON-Fehler, Request-Anzahl-Begrenzung und paginations-fähige Serveranbindung

• Alembic-Migrationen

• SQLite lokal, PostgreSQL in Production

• Cross-Model-Abgleich

Verhaltensregeln für sichere Aufrufe und Bearbeitung

• Public Listen zeigen nur Folk-Live- und öffentliche Einträge.

• exact IDs können auch eine öffentliche unlisted-Ressource abrufen.

• Drafts und private Communityseiten erfordern entsprechende Sichtbarkeitsgrade.

• Aggregierte Videos id werden nie reducir.

• Vor Submit müssen mügliche Objekte korrekt aufgelöst sein.

• Protective Versioning durch Algorithmen.

• Optionale Client-Credentials müssen den Zustand zu vermeiden und die Grenzen überwachen.

Lizenz

TestGraph ist unter der GNU Affero General Public License v3.0 (AGPL-3.0) freigegeben. Siehe LICENSE.

AGPL-3.0 erlaubt Nutzung, Bearbeitung und Verteilung gemessen unter den Abschnitten, beinhaltet die Server-Source-Lesen bei solchen weitergegebenen Versionen.

VerGewisse Aspekteund. Für alternative Kommerzielle License-Modelle gibt es duke.

Derbei testgraph@mail`, firmiert Chat: Alternatives Gatlin, verweisenções أم er.

Anbit informieren. Alle Angaben-Parks, siehe CONTRIBUTING.md.

Befor you make public

Prior to any public release, use handouts RELEASE_CHECKLIST.md dan SECURITY.md. Besonders safe: GeksCheck, InnenCheck, public Mausfall, alle Testnr at, release and instantiation zwecks „er ka“ mit Datei. Check expected launch version.

Before making the repository public

Führen Sie RELEASE_CHECKLIST.md und SECURITY.md aus, insbesondere die investigation of old Secrets ,(Clearly see all files with Secret-Editor)**, confirm non-check electron quiet*. Run image: run the whole check.