NOUZ — Semantischer MCP-Server für Ihre Wissensdatenbank

Funktioniert mit Obsidian, Logseq und beliebigen Verzeichnissen mit Markdown-Dateien.

Struktur entsteht aus dem Inhalt.

Semantische Werkzeuge für Wissensdatenbanken, Projektspeicher und KI-Agenten.

🇬🇧 Englische Version

Warum Nouz?

Ordner zeigen, wo eine Datei liegt. Sie erklären einem Agenten jedoch nicht, wie Dokumente, Ideen und Materialien innerhalb der Datenbank miteinander verknüpft sind.

NOUZ gibt dem Agenten semantische Koordinaten. Jede Notiz erhält ein Domänenzeichen, eine Ebene in der Hierarchie und Verbindungen zu anderen Notizen. Die Domäne wird direkt aus dem Inhalt der Datei zugewiesen oder von Ihnen manuell festgelegt, falls Sie eine strikte Hierarchie wünschen.

Related MCP server: Semantic Mesh Memory (SEM) MCP Server

Was es tut

NOUZ fungiert als Zwischenschicht zwischen Ihrer Notizdatenbank und dem KI-Agenten. Es hilft dabei, verstreute Markdown-Dateien in einen Graphen zu verwandeln, mit dem über MCP gearbeitet werden kann:

1. Automatische Klassifizierung (Semantik) Sie definieren "Kerne" (Cores) — die Basisdomänen Ihrer Datenbank (z. B. Systems Analysis, Data & Science, Engineering). Wenn Sie eine neue Notiz hinzufügen, liest NOUZ den Text, vergleicht die Vektoren und schlägt ein Domänenzeichen oder eine Kombination von Domänen vor.

2. Suche nach Verbindungen zwischen Notizen Der Server erstellt einen gerichteten Graphen (DAG) und schlägt Verbindungen vor, die vor dem Speichern überprüft werden können:

   • Semantische Brücken: Zwei Notizen aus verschiedenen Domänen verweisen auf dieselbe Idee.

   • Tag-Brücken: Die Notizen haben gemeinsame verborgene Konzepte auf Tag-Ebene.

3. Nachverfolgung der Datenbankentwicklung (Drift) NOUZ aggregiert Daten von unten nach oben. Wenn ein Modul als eine Domäne begann, neue Notizen es aber allmählich in eine andere Richtung führen, zeigt der Server die Abweichung (core_drift) an.

Je nach Ihren Anforderungen arbeitet NOUZ in drei Modi: vom einfachen Graphen (LUCA) bis hin zur strikten 5-stufigen Hierarchie (SLOI).

Wie es funktioniert

1. Sie beschreiben die Domänen in der config.yaml — welchen Bereich jede Domäne abdeckt und anhand welcher Textmerkmale sie erkannt werden soll.

2. Der Server wandelt die Beschreibungen in Referenzvektoren um (lokal, über LM Studio oder Ollama).

3. Jede neue Notiz wird auf diese Achsen projiziert. Das Zeichen wird durch den Inhalt oder durch Sie bestimmt.

4. L4 erhält ein Domänenprofil aus der Textklassifizierung, und L3/L2 sammeln den core_mix aus den untergeordneten Knoten. Wenn das sign eines Moduls vom core_mix abweicht, meldet der Server einen core_drift.

Zwei Arten von Brücken finden Verbindungen zwischen Notizen aus verschiedenen Domänen: semantische (Texte sind ähnlich) und Tag-basierte (Konzepte überschneiden sich).

Schnelleinstieg

pip install nouz-mcp
OBSIDIAN_ROOT=/path/to/vault nouz-mcp

Ohne config.yaml startet der Server im LUCA-Modus — ein Graph ohne Semantik, der sofort funktioniert.

Um den semantischen Modus zu aktivieren, erstellen Sie eine lokale Konfiguration aus der Vorlage:

cp config.template.yaml config.yaml

In Windows PowerShell:

Copy-Item config.template.yaml config.yaml

Oder aus den Quellen:

git clone https://github.com/Semiotronika/NOUZ-MCP
cd NOUZ-MCP
pip install -r requirements.txt
cp config.template.yaml config.yaml
OBSIDIAN_ROOT=./vault python server.py

Verbindung zu Claude Desktop, Cursor, Opencode oder einem beliebigen MCP-Client:

{
  "mcpServers": {
    "nouz": {
      "command": "nouz-mcp",
      "env": {
        "OBSIDIAN_ROOT": "/path/to/vault",
        "NOUZ_CONFIG": "/absolute/path/to/config.yaml",
        "EMBED_API_URL": "http://127.0.0.1:1234/v1"
      }
    }
  }
}

MCP-Werkzeuge

Konfiguration

Minimale config.yaml:

mode: prizma

etalons:
  - sign: S
    name: Systems Analysis
    text: >
      Methodology for analysing complex objects: feedback loops,
      emergent properties, self-regulation, bifurcation points.
      Cybernetics, synergetics, dissipative structures, catastrophe
      theory, autopoiesis — tools for understanding how the whole
      exceeds the sum of its parts. Not data and not code — a way
      of thinking about how parts form a whole and why systems
      behave non-linearly.
  - sign: D
    name: Data & Science
    text: >
      Physics and cosmology: from subatomic particles to the large-scale
      structure of the Universe. Lagrangians, curvature tensors, scattering
      cross-sections, quarks, bosons, fermions, plasma, vacuum fluctuations,
      cosmic microwave background, cosmological constant, decoherence.
      Pure science about the nature of matter, energy and spacetime.
  - sign: E
    name: Engineering
    text: >
      Software engineering, machine learning and infrastructure: writing
      and debugging code, deployment, containerisation, neural networks,
      inference, tokenisation, data serialisation, microservices, CI/CD,
      automated testing, refactoring, Git, Docker, Kubernetes, APIs.
      The practical discipline of building computational systems from
      architecture to production.

thresholds:
  sign_spread: 0.05
  confident_spread: 60.0
  pattern_second_sign_threshold: 30.0
  semantic_bridge_threshold: 0.55
  parent_link_threshold: 0.55

artifact_signs:
  - sign: n
    name: Note
    text: Short note, observation, fragment.
  - sign: c
    name: Concept
    text: Definition, concept, entity description.
  - sign: r
    name: Reference
    text: External source, documentation, link, citation.
  - sign: l
    name: Log
    text: Session log, chronology, dialogue record.
  - sign: u
    name: Update
    text: Update, release note, changelog entry.
  - sign: h
    name: Hypothesis
    text: Hypothesis, assumption, speculative idea.
  - sign: s
    name: Specification
    text: Technical specification, instruction, requirements.

Führen Sie nach der Einrichtung calibrate_cores aus — der Server erstellt die Referenzvektoren. Überprüfen Sie die paarweisen Kosinus-Ähnlichkeiten: Der mean-centered Wert zwischen verschiedenen Domänen sollte deutlich niedriger sein als der Rohwert. Wenn alle Paare ungefähr gleich sind, verstärken Sie die Unterschiede in den Texten.

etalons sind die semantischen Domänen, die über Embeddings verglichen werden. artifact_signs ist der Materialtyp für L5-Artefakte: Notiz, Konzept, Link, Log, Update, Hypothese oder Spezifikation. Dies ist eine heuristische Markierung, kein separater Referenzwert für Embeddings. Im öffentlichen Schema werden Domänen normalerweise mit Großbuchstaben (S/D/E) und Materialtypen mit Kleinbuchstaben (n/c/r/l/u/h/s) gekennzeichnet; diese können in der Konfiguration geändert werden, wenn die Zeichen kurz sind und nicht mit den Domänen kollidieren. Bei Bedarf können für jeden Typ keywords hinzugefügt werden: Dann verwendet der Server Ihre Wörter für die Heuristik anstelle des eingebauten RU/EN-Sets.

Reales Berechnungsbeispiel

Hier sind die tatsächlichen Ergebnisse für die Referenzwerte S/D/E mit dem Modell text-embedding-granite-embedding-278m-multilingual:

=== Pairwise Cosine (raw) ===
S↔D: 0.5894    S↔E: 0.5862    D↔E: 0.6022

=== Pairwise Cosine (mean-centered) ===
S↔D: -0.5059   S↔E: -0.5117   D↔E: -0.4822

Negative mean-centered Werte sind hier ein gutes Ergebnis: Nach Abzug des Durchschnittsvektors gehen die Domänen gut auseinander. Selbstklassifizierung: S→99.4%, D→97.5%, E→96.9%.

Datenschutz

Alles Kritische bleibt auf Ihrem Rechner.

Entwicklung

git clone https://github.com/Semiotronika/NOUZ-MCP
cd NOUZ-MCP
pip install -e .
python test_server.py

Links

• 🌐 semiotronika.ru

• 📦 PyPI

• 🗂️ Glama Registry

• 💬 Telegram

• 🐙 GitHub

MIT License © 2026 Semiotronika

Kosinusse werden berechnet. Die Syntax ändert sich. Die Semantik bleibt.