MemoGraph 🧠

MemoGraph превращает папку с заметками в формате Markdown в доступный по запросу и готовый для ИИ граф знаний. Он решает проблему памяти больших языковых моделей: ваши ИИ‑ассистенты забывают решение, принятое в прошлый вторник, не могут найти связанную заметку в двух разных проектах, а потом снова приходят к тому же выводу. MemoGraph даёт им постоянный, навигируемый слой памяти с поддержкой источника, который хранится в обычных Markdown‑файлах, находящихся под вашим контролем.

Вы пишете заметки так, как привыкли. MemoGraph индексирует их, строит граф на основе [[wikilinks]], ранжирует записи по важности и по запросу отдаёт их вашему LLM — или вашей команде.

⚡ Попробуйте за 60 секунд

pip install memograph
memograph quickstart

И всё. Команда quickstart создаёт на вашем диске небольшое, связанное между собой демо‑хранилище (15 заметок о разработке на Python, связанных реальными вики‑ссылками), проводит его индексацию и запускает три живых демонстрационных запроса, чтобы вы могли увидеть граф и гибридный поиск в работе до того, как примете решение. Попробуйте, в частности, этот запрос:

memograph --vault ~/memograph-quickstart search "FastAPI dependency injection"

В хранилище есть заметка под названием FastAPI dependencies (про Depends(...)) — слова «dependency» и «injection» не появляются ни в одном заголовке заметки. MemoGraph всё равно находит её, потому что гибридный поиск понимает «dependency injection» семантически, а граф вики‑ссылок связывает связанные заметки между собой. В этом и есть весь продукт — продемонстрированный одним запросом.

Вы можете в любой момент заново запустить memograph quickstart --force, чтобы сбросить всё к свежему демо. Когда будете готовы, направьте MemoGraph на свои настоящие заметки: memograph --vault ~/your-notes ingest.

Related MCP server: exocortex

Что вы получаете

Как индивидуальный пользователь / специалист по работе со знаниями

• Хранилище из человекочитаемых Markdown‑файлов — ничего проприетарного, никакой жёсткой привязки. Ваши заметки переживут любой инструмент.

• Гибридный поиск, который сочетает ключевые слова и семантическое сходство, и обход графа, — вы находите нужную заметку, даже когда не вспоминаете точных формулировок.

• ИИ‑помощь в тегировании, подсказки по ссылкам и обнаружение пустых зон, которые развивают базу знаний, а не дают ей «загнить».

• CLI и веб‑интерфейс для просмотра, редактирования и визуализации графа.

Для ИИ‑агента и пользователя IDE

• Полноценный сервер Model Context Protocol (MCP) с 30+ инструментами, который «из коробки» работает с Claude Desktop, Claude Code, Cursor, Cline, Windsurf, Continue, Zed, VS Code, Goose, Gemini CLI, OpenAI Codex CLI и другими.

• Автономные «хуки автоприсвоения» (auto‑save), которые автоматически фиксируют решения и контекст из ваших диалогов с ИИ прямо в хранилище.

• Восстановление памяти по диалогу — ваш ассистент может поднять «что мы решили за прошлые недели по вопросу X», без постоянного копирования вставки контекста.

Для предприятия / SaaS‑эксплуатации

• Мультитенهای развёртывание с изоляцией арендаторов на уровне файловой системы, сквозными тестами изоляции и тёплым LRU‑кэшем ядер.

• Аутентификация через OIDC + API‑ключи с поддержкой JWKS (Auth0, Clerk, WorkOS, Keycloak, Azure AD, Okta), строгими политиками CORS, ограничениями размера запроса и лимитами частоты.

• Планируемое удаление в соответствии с GDPR — процесс tombstone с льготным периодом, автоматически создаваемые финальные резервные копии, ежедневный «reaper»» и аудит‑журнал каждого удаления.

• Наблюдаемость из коробки — трассировки OpenTelemetry + Prometheus /metrics, структурированные JSON‑логи с идентификаторами запросов, отдельные /healthz и /readyz для оркестрации.

• Операционные плейбуки в коде: установка, настройка SSO, RBAC, резервное копирование и восстановление, процедуры GDPR.

Какую выгоду получают пользователи

✨ Возможности кратко

1 Базовый движок памяти

• Память на основе графа — двунаправленные [[wikilinks]] автоматически строят навигируемый граф знаний.

• Гибридный поиск — ключевые слова + семантический embedding + обход графа, результаты объединяются и переранжируются.

• Типы памяти по мотивам когнитивной науки: эпизодическая, семантическая, процедурная, фактическая.

• Скоринг значимости (0–1), убывает со временем и усиливается при доступе.

• Умная индексация — кэш по mtime, повторно разбираются только изменившиеся файлы.

• Сжатие контекста — оптимизация для лимитов токенов LLM.

• Markdown‑оригинальное хранилище — каждая запись является .md файлом с YAML frontmatter; никаких проприетарных форматов.

ИИ‑возможности

• Smart Auto‑Organization Engine — извлекает из записей темы, людей, пункты действий, решения, вопросы, тональность, риски, идеи и события временной шкалы.

• AutoTagger — предлагает теги на основе семантическом анализе, структурных и распознавании шаблонов.

• LinkSuggester — предлагает [[wikilinks]] к похожим заметкам, включая обратные ссылки.

• GapDetector — показывает недостающие темы, слабые зоны, изолированные заметки и отсутствующие связи.

• Анализ знаний — статистика хранилища, кластеризация тем, учебные траектории, анализ связей.

Интерфейсы

• Python API — MemoryKernel : синхронная, асинхронная и пакетная версии.

• CLI — 24+ команды: ingest, поиск, пакетная обработка, импорт, экспорт, бэкапы и ИИ‑функции.

• MCP‑сервер — 30+ инструментов, stdio‑транспорт, drop‑in для любого MCP‑совместимого клиента.

• Веб‑интерфейс — React + D3 для визуализации графа, поиска и публ. редактирования (бэкенд FastAPI + front на Vite).

• HTTP API — версия /api/v1/, OpenAPI snapshot в CI, готов к интеграции междун системами.

Enterprise и SaaS‑готовность

• Мультиаренторность — изоляция арендаторов через файловую систему, LRU‑реестр «тёплых» ядер, аудит‑логи арендаторов, end‑to‑end тесты изоляции на выпуск.

• Аутентификация через OIDC (JWKS) или хэш‑ключи; визуально авторитетные указания; Id с привязкой в audit‑логах.

• Защита веб‑стороны — строгие CORS, SlowAPI‑rate limit, лимиты размеров запроса, журнал без утечек, 500‑handler без утечек.

• Защита хранилища — защита от path traversal, мягкие и жёсткие лимиты объёма, версии кэша по схеме.

• Однознаtage удаление по GDPR — tombstone с grace, авто‑финальные бэкапы, реper; endpoint для отмены до истечения grace.

• Наблюдаемость — auto‑instrumentation FastAPI/asyncio в OpenTelemetry, /metrics Prometheus, экспорт OTLP.

• Надёжность — консant over под «кэш»? Ошибка: запросив заново — read: "Надёжность — аудит параллелизма, стресс‑тесты конкурентных записей, версионированный формат бэкапов с проверкой целостности."

• Распространение — зафиксированные зависимости (pinned locked), Docker‑compose для self‑hosting, безопасность через workflow (bandit + pip-audit).

См. docs/INSTALL_ENTERPRISE.md, docs/SSO_SETUP.md, docs/GDPR_RUNBOOK.md, docs/BACKUP_RESTORE_RUNBOOK.md, docs/OBSERVABILITY_GUIDE.md, и docs/RBAC_GUIDE.md — с деталями для эксплуатации.

🚀 Быстрый Старт

Хоста́ хранить у себя? docs/HOSTING_GUIDE.md — там описаны четыре по-настоящему компактных бесплатных пути — Oracle Free Tier, Cloudflare Tunnel + ваше оборудование (рекомендовано для большинства), GCP бесплатный «сборка» уровня и GitHub‑репозиторий в качестве хранилища. Workspace identity через OIDC и Drive как переносимое резервное копирование описаны в docs/GOOGLE_WORKSPACE_SETUP.md.

Установка

pip install memograph

Установка с опциональными зависимостями:

# For OpenAI support
pip install memograph[openai]

# For Anthropic Claude support
pip install memograph[anthropic]

# For Ollama support
pip install memograph[ollama]

# For embedding support
pip install memograph[embeddings]

# Install everything
pip install memograph[all]

Использование Python

from memograph import MemoryKernel, MemoryType

# Initialize the kernel attached to your vault path
kernel = MemoryKernel("~/my-vault")

# Ingest all notes in the vault
stats = kernel.ingest()
print(f"Indexed {stats['indexed']} memories.")

# Programmatically add a new memory
kernel.remember(
    title="Meeting Note",
    content="Decided to use BFS graph traversal for retrieval.",
    memory_type=MemoryType.EPISODIC,
    tags=["design", "retrieval"]
)

# Retrieve context for an LLM query
context = kernel.context_window(
    query="how does retrieval work?",
    tags=["retrieval"],
    depth=2,
    top_k=8
)

print(context)

🔌 MCP Server (Model Context Protocol)

MemoGraph включает полноценный MCP‑сервер для бесшовной интеграции с ИИ‑ассистентами типа Cline и Claude Desktop.

📖 Впервом знакомые с MCP MemoGraph? Смотрите Руководство пользователя MCP — там инструкции и примеры!

🚨 Имеете проблемы с подключением? Смотрите ** Руков соанжет и устранение неполог** — как исправить типовые ошибки «cannot connect»!

19 доступных инструментов

Поддерживаемые клиенты

MCP-сервер MemoGraph — это stdio-сервер; он работает вместе с любым MCP-совместимым агентивным CLI или редактором. Полное руководство по настройке (пути к конфигурационным файлам, особенности форматов, шаги проверки) находится в docs/MCP_CLIENTS.md:

Запуск MCP-сервера

После pip install memograph (или uv tool install memograph) все три команды запуска эквивалентны:

memograph-mcp                              # console script (recommended)
python -m memograph.mcp.run_server         # module form (works with any Python)
uvx --from memograph memograph-mcp         # zero-install via uv

memograph-mcp и memograph зарегистрированы как консольные скрипты: первый запускает MCP-сервер, второй — CLI. Они не конфликтуют.

Режим только для чтения

Для общих развертываний или ненадежных клиентов установите MEMOGRAPH_READONLY=true. Сервер отказывает всем инструментам записи в хранилище — create_memory, import_document, update_memory, delete_memory, relate_memories, bulk_create, batch_update, batch_delete, import_backup_tool и хукам автосохранения — и вместо этого возвращает структурированный ответ {"success": false, "readonly": true, "error": "..."}. Инструменты чтения (search_vault, query_with_context, list_memories, get_memory, аналитика, обход графа) остаются полностью работоспособными.

Быстрая настройка Claude Desktop

Добавьте в claude_desktop_config.json:

{
  "mcpServers": {
    "memograph": {
      "command": "memograph-mcp",
      "env": {
        "MEMOGRAPH_VAULT": "/path/to/your/vault"
      }
    }
  }
}

Если бинарный файл memograph-mcp не находится в PATH клиента (что часто бывает, когда клиент запускается без вашего окружения оболочки), используйте вместо этого явную форму модуля:

{
  "mcpServers": {
    "memograph": {
      "command": "python",
      "args": ["-m", "memograph.mcp.run_server"],
      "env": {
        "MEMOGRAPH_VAULT": "/path/to/your/vault"
      }
    }
  }
}

Быстрая настройка Cline

Добавьте в ~/.cline/mcp_settings.json:

{
  "mcp": {
    "servers": {
      "memograph": {
        "command": "memograph-mcp",
        "env": {
          "MEMOGRAPH_VAULT": "/path/to/your/vault"
        }
      }
    }
  }
}

Для Claude Code, Cursor, Windsurf, Continue, Zed, VS Code, Goose, Gemini CLI, Codex CLI, LM Studio, Cherry Studio и Bob Shell см. docs/MCP_CLIENTS.md.

Установка из реестра MCP

Новое: MemoGraph теперь доступен в официальном реестре MCP! 🎉

URL реестра: https://github.com/modelcontextprotocol/servers/tree/main/src/memograph

pip install memograph

Затем вставьте фрагмент для вашего клиента в его конфигурационный файл (см. таблицу выше или docs/MCP_CLIENTS.md).

Преимущества регистрации в реестре MCP:

• ✅ Официальный реестр, поддерживаемый Anthropic, GitHub и Microsoft

• ✅ Обнаруживается всеми MCP-совместимыми клиентами

• ✅ Проверенная карточка сервера и метаданные

• ✅ Прямая ссылка из пакета PyPI

• ✅ Доверенное сообществом MCP

Примечание: реестр использует версию пакета PyPI. Когда вы выполняете pip install memograph, вы автоматически получаете последнюю зарегистрированную в реестре версию.

Полное руководство по отправке и настройке см. в MCP_REGISTRY_GUIDE.md.

Примеры использования

После настройки общайтесь с вашим AI-ассистентом на естественном языке:

"Search my vault for memories about Python"
"Create a memory titled 'Project Ideas' with content '...'"
"Update memory abc-123 to have salience 0.9"
"Delete memory xyz-456"
"What tools are available?"
"Get vault statistics"

Полное руководство по конфигурации MCP см. в CONFIG_REFERENCE.md.

Использование хуков автосохранения

MemoGraph предоставляет автономные хуки для автоматического сохранения разговоров:

• ⚠️ Важно: хуки — это пассивные инструменты — см. Руководство по автономным хукам для настройки.

• 📝 Быстрое решение: добавьте пользовательские инструкции в Claude Desktop (инструкции в руководстве).

• 🔧 Настройте с помощью MEMOGRAPH_AUTONOMOUS_MODE=true

Читайте полное руководство пользователя по автономным хукам →

🎯 Использование CLI

MemoGraph включает мощный CLI для управления вашим хранилищем и общения с ним.

Ввод

Индексируйте ваши markdown-файлы в графовую базу данных:

memograph --vault ~/my-vault ingest

Принудительная повторная индексация всех файлов:

memograph --vault ~/my-vault ingest --force

Remember

Быстро добавьте память из командной строки:

memograph --vault ~/my-vault remember \
    --title "Team Sync" \
    --content "Discussed Q3 goals." \
    --tags planning q3

Context Window

Сгенерируйте контекст для запроса:

memograph --vault ~/my-vault context \
    --query "What did we decide about the database?" \
    --tags architecture \
    --depth 2 \
    --top-k 5

Ask (интерактивный чат)

Запустите интерактивный чат с контекстом вашего хранилища:

memograph --vault ~/my-vault ask --chat --provider ollama --model llama3

Или задайте один вопрос:

memograph --vault ~/my-vault ask \
    --query "Summarize our design decisions" \
    --provider claude \
    --model claude-3-5-sonnet-20240620

Диагностика

Проверьте окружение и соединение с LLM-провайдерами:

memograph --vault ~/my-vault doctor

### Import Documents

Import documents (TXT, PDF, DOCX) and convert them to markdown:

```bash
# Import a single file
memograph --vault ~/my-vault import document.pdf --type episodic

# Import entire folder
memograph --vault ~/my-vault import ~/Documents --recursive

# Preview files without importing (dry run)
memograph --vault ~/my-vault import ~/Documents --dry-run

# Auto-ingest after import
memograph --vault ~/my-vault import document.pdf --auto-ingest

Пакетные операции

Эффективно управляйте несколькими воспоминаниями одновременно:

# Bulk create memories from JSON/CSV
memograph --vault ~/my-vault batch-create memories.json

# Bulk update memories by filter
memograph --vault ~/my-vault batch-update \
    --filter-tags outdated \
    --add-tags reviewed \
    --salience 0.8

# Bulk delete with safety checks
memograph --vault ~/my-vault batch-delete \
    --filter-type episodic \
    --filter-max-salience 0.3 \
    --dry-run

Управление данными

Экспортируйте, создавайте резервные копии и восстанавливайте хранилище:

# Export vault to JSON/CSV/Markdown
memograph --vault ~/my-vault export --format json --output backup.json

# Create timestamped backup
memograph --vault ~/my-vault backup --output ./backups

# Restore from backup
memograph --vault ~/my-vault import-backup backup.zip

Конфигурация и статистика

Управляйте настройками и просматривайте аналитику хранилища:

# View vault statistics
memograph --vault ~/my-vault stats

# Configure settings
memograph config set embedding_provider openai
memograph config get embedding_provider
memograph config list

# Manage profiles
memograph config profile create work --vault ~/work-vault
memograph config profile use work

Настройка MCP

Интерактивный мастер для настройки MCP-сервера для Claude Desktop или Cline:

# Run interactive setup wizard
memograph setup-mcp

# Verify MCP configuration
memograph verify-mcp

📖 Полная документация по CLI: см. Руководство по CLI для подробной документации с более чем 200 примерами, охватывающими все 24 команды.

🤖 AI-функции

MemoGraph включает мощные функции на базе ИИ для улучшения рабочего процесса управления знаниями. Полную документацию см. в Руководстве по AI-функциям.

🏷️ AutoTagger — Интеллектуальные предложения тегов

Автоматически предлагайте соответствующие теги с помощью семантического анализа, структуры контента и существующих шаблонов:

# Suggest tags for a note
memograph suggest-tags note.md

# Apply high-confidence suggestions automatically
memograph suggest-tags note.md --apply

# Adjust confidence threshold and limit
memograph suggest-tags note.md --min-confidence 0.5 --max-suggestions 10

Возможности: выделение по частоте • семантическое сходство • обнаружение структуры • обучение на шаблонах • оценка уверенности

🔗 LinkSuggester — Умные рекомендации вики-ссылок

Интеллектуально рекомендуйте вики-ссылки на связанные заметки с помощью семантического сходства и графового анализа:

# Suggest links for a note
memograph suggest-links note.md

# Apply suggestions automatically
memograph suggest-links note.md --apply

# Show bidirectional link opportunities
memograph suggest-links note.md --show-bidirectional

Возможности: семантический поиск • сопоставление ключевых слов • рекомендации на основе графа • обнаружение обратных ссылок • предпросмотр целей

🔍 GapDetector — Анализ базы знаний

Определите недостающие темы, слабое покрытие и изолированные заметки в хранилище:

# Detect all gaps
memograph detect-gaps

# Focus on high-severity gaps
memograph detect-gaps --min-severity 0.7

# Export results to JSON
memograph detect-gaps --output json > gaps.json

Типы пробелов: недостающие темы • слабое покрытие • изолированные заметки • недостающие ссылки

📊 Анализ знаний — Комплексная аналитика

Получите комплексный анализ всей вашей базы знаний:

# Full analysis with all features
memograph analyze-knowledge

# Export detailed report to JSON
memograph analyze-knowledge --output json > analysis.json

Анализ включает: статистику хранилища • тематическую кластеризацию • учебные траектории • обнаружение пробелов • анализ связей

Python API для AI-функций

from memograph import MemoryKernel
from memograph.ai import AutoTagger, LinkSuggester, GapDetector

kernel = MemoryKernel("~/my-vault")
kernel.ingest()

# Get tag suggestions
tagger = AutoTagger(kernel, min_confidence=0.4)
suggestions = await tagger.suggest_tags(
    content="Python is great for data science",
    title="Data Science with Python"
)

# Get link suggestions
suggester = LinkSuggester(kernel, min_confidence=0.5)
links = await suggester.suggest_links(
    content="Python async programming tutorial",
    title="Async Python"
)

# Detect knowledge gaps
detector = GapDetector(kernel, min_severity=0.5)
gaps = await detector.detect_gaps()

# Comprehensive analysis
analysis = await detector.analyze_knowledge_base()

📖 Полная документация:

• Руководство по AI-функциям — подробное руководство с примерами

• Руководство по веб-интерфейсу — использование AI-функций в браузере

• Руководство по MCP AI-инструментам — AI-функции для Claude и Cline

💡 Варианты использования: автоматизируйте заметки • находите связи • выявляйте пробелы • поддерживайте последовательность • создавайте учебные маршруты

📖 Основные понятия

Типы памяти

MemoGraph поддерживает различные типы памяти, вдохновленные когнитивной наукой:

• Эпизодическая: личный опыт и события (например, заметки встреч)

• Семантическая: факты и общие знания (например, документация)

• Процедурная: знание о том, как и в процессе (например, учебные пособия)

• Факт: дискретные фактические сведения (например, значения конфигурации)

Обход графа

Библиотека использует BFS (поиск в ширину) для обхода вашего графа знаний:

# Retrieve nodes with depth=2 (2 hops from seed nodes)
nodes = kernel.retrieve_nodes(
    query="graph algorithms",
    depth=2,  # Traverse up to 2 levels deep
    top_k=10  # Return top 10 relevant memories
)

Оценка значимости

Каждое воспоминание имеет оценку значимости (0.0–1.0), отражающую его важность:

---
title: "Critical Architecture Decision"
salience: 0.9
memory_type: semantic
---

We decided to use PostgreSQL for better ACID guarantees...

🏗️ Структура проекта

MemoGraph/
├── memograph/          # Main package
│   ├── core/           # Core functionality
│   │   ├── kernel.py   # Memory kernel
│   │   ├── graph.py    # Graph implementation
│   │   ├── retriever.py # Hybrid retrieval
│   │   ├── indexer.py  # File indexing
│   │   └── parser.py   # Markdown parsing
│   ├── adapters/       # LLM and embedding adapters
│   │   ├── embeddings/ # Embedding providers
│   │   ├── frameworks/ # Framework integrations
│   │   └── llm/        # LLM providers
│   ├── storage/        # Storage and caching
│   ├── mcp/            # MCP server implementation
│   └── cli.py          # CLI implementation
├── tests/              # Test suite
├── examples/           # Example usage
└── scripts/            # Utility scripts

🤝 Участие в разработке

Мы приветствуем вклад! Подробности см. в Руководстве по участию в проекте.

Настройка разработки

1. Склонируйте репозиторий:

   git clone https://github.com/Indhar01/MemoGraph.git
   cd MemoGraph

2. Установите в режиме разработки:

   pip install -e ".[all,dev]"

3. Установите pre-commit хуки:

   pre-commit install

4. Запустите тесты:

   pytest

Качество кода

Мы поддерживаем высокие стандарты качества кода:

• Линтинг: Ruff для быстрой проверки Python-кода

• Форматирование: форматер Ruff для единообразного стиля кода

• Проверка типов: MyPy для статического анализа типов

• Тестирование: Pytest с всесторонним тестовым покрытием

• Pre-commit hooks: автоматизированные проверки перед каждым коммитом

📚 Документация

Начало работы

Для разработчиков и контрибьюторов

• Руководство по MCP Registry — Публикация в официальном MCP Registry

• Стратегия версионирования — Семантическое версионирование и планирование релизов

• AGENTS.md — Руководство для ИИ‑агентов, работающих с этой кодовой базой

• Руководство по вкладу — Как внести вклад в проект

• Кодекс поведения — Правила сообщества

• Политика безопасности — Сообщение об уязвимостях и лучшие практики безопасности

• Журнал изменений — История версий и изменения

🔒 Безопасность

Подробнее о том, как сообщать об уязвимостях, см. нашу Политику безопасности.

📄 Лицензия

Проект распространяется по лицензии MIT — подробности в файле LICENSE.

🌟 Благодарности

Проект создан из‑за потребности в лучшем управлении памятью в LLM‑приложениях. В основе лежат:

• Графовое представление знаний

• Гибридные стратегии поиска

• Принципы когнитивной науки

📬 Контакты и поддержка

• Issues: GitHub Issues

• Discussions: GitHub Discussions

📣 Сообщество и обратная связь

Мы ценим обратную связь и вклад сообщества! Вот как вы можете участвовать:

Сообщение

Нашли ошибку или есть идея новой функции? Откройте issue на GitHub.

Discussion

Присоединяйтесь к обсуждениям в GitHub Discussions:

• Задавайте вопросы

• Делитесь вариантами использования

• Предлагайте улучшения

• Показывайте, что вы создали

Вклад в проект

Мы приветствуем вклад! Подробнее о том, как внести свой вклад, см. наше Руководство по вкладу, где описаны:

• Вклад в код

• Улучшения документации

• Сообщения об ошибках и запросы новых функций

• Поддержка сообщества

Оставайтесь на связи

• ⭐ Поставьте звезду репозиторию на GitHub

• 👁️ Следите за обновлениями и релизами

• 📦 Подписывайтесь на PyPI

• 🔗 Ознакомьтесь с публикацией в MCP Registry

🚦 Статус

Текущая версия: 0.3.0

Развёртывания с одним арендатором (single‑tenant) стабильны и рекомендуются для использования в production. Развёртывания с многопользовательской изоляцией (multi‑tenant) функционально полные; end‑to‑end тесты изоляции контролируют выпуск; публичный API стабилизируется на v1.0.

• ✅ Ядро стабильно и протестировано (172+ тестов в наборах безопасности, контракта и мультипользовательской изоляции)

• ✅ Весь пакет проверен типами с помощью MyPy

• ✅ Ruff lint + формат + pre‑commit хуки

• ✅ Контракт OpenAPI v1 в CI

• ✅ Инварианты многопользовательской изоляции проверяются e2e‑тестами

• ⚠️ Публичный API может меняться в минорных версиях до v1.0.0

Что появилось недавно

• Phase 3.7 — запланированное удаление тенанта в соответствии с GDPR: tombstone‑with‑grace‑period, ежедневный reaper, автоматические финальные резервные копии.

• Phase 3.5 — TenantRegistry добавлен в обработку запросов; не‑админские маршруты разрешают свой kernel для каждого тенанта.

• Phase 3 scaffold — ADR по многопользовательски™, TenantStorage, TenantRegistry, админ‑маршруты для жизненного цикла тенантов.

• Phase 2 — OpenTelemetry + Prometheus, структурирование JSON‑логирование, аудит конкурентности, стресс‑тесты.

• Phase 1 — OIDC + API‑key аутентификация, slowapi rate limiting, ограничений CORS, лимиты размер запросов, лимиты размера vault, schema‑versioned caches, контракт OpenAPI v1, набор тестов безопасности.

• Phase 0 — безопасные записи в vault, обработчики ошибок без утечек информации, зафиксированные зависимости, Docker Compose, CI‑workflow по безопасности.

• 📦 Опубликовано в официальном MCP Registry (io.github.indhar01/memograph)

Сделано с ❤️ для лучшего управления памятью в LLM