christina
Project Christina: Amplificador Cognitivo Autónomo
Inicio rápido • Arquitectura • Herramientas MCP • Referencia de CLI • Documentación • Contribución
🌟 Resumen ejecutivo: Eliminar el Context Rot
Los agentes de IA modernos de codificación fallan en bases de código extensas (más de $10\text{M}+$ tokens) no por limitaciones de razonamiento, sino por el Context Rot (deterioro del contexto): dispersión de la atención, contaminación no indexada de los prompts, restricciones de la arquitectura perdidas en los borrados de contexto y colisiones descoordenadas del enjambre.
Project Christina lo resuelve mediante una trinidad cognitiva integrada y de alto rendimiento:
RLM (Modelos de Lenguaje Recursivos — Contexto como Variable): saca las bases de código masivas de las transcripciones conversacionales de los prompts para colocarlas en variables de heap aisladas (
context). Los agentes ejecutan subconsultas acotadas ($D \le 2, N \le 20$) y bucles de control de Python transaccionales con copia en escritura (CoW), con reversión automática.Graphify (Radar CPG y AST determinista): construye un grafo de llamadas en memoria con SQLite3 WAL que ofrece consultas CTE recursivas en menos de 0.3 ms, cálculo del radio de impacto transitivo y ranking de centralidad de los nodos God, con un reducción del descubrimiento de tokens de 71.5x.
OKF (Memoria Semántica Duradera y Evolución Epistémica): análisis de frontmatter con regex en menos de un microsegundo ($6.72\ \mu\text{s}$/doc), revisión formal de creencias AGM, decaimiento de Ebbinghaus y recolección de basura epistémica con Mark-and-Sweep, más un anclaje automático de recuperación de memoria de $\le 400$ tokens después de la compactación.
Destilación epistémica entre proyectos: anonimiza el código propietario para convertirlo en arquetipos matemáticos, con un estricto invariante de Cero Fuga de Información ($\mathcal{I} = 0$), limpieza de secretos mediante entropía de Shannon multibase y agregación de invariantes bayesiana entre repositorios de código.
Control de concurrencia del enjambre: ejecución multiagente descentralizada mediante control optimista de concurrencia (OCC) de Kung-Robinson, fusión AST de tres vías con Tree-CRDT9 y un apoyo de espacio de tuplas Linda.
Related MCP server: onto-agent
🏛️ Arquitectura de tres pilares cognitivos
┌─────────────────────────────────────────┐
│ SUPERVISOR / AGENT │
│ (Antigravity / OpenCode / Claude / AI) │
└────────────────────┬────────────────────┘
│ JSON-RPC 2.0 (stdio)
▼
┌───────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ PROJECT CHRISTINA FAST-MCP GATEWAY │
├──────────────────────────────────────┬────────────────────────────────────┬───────────────────────────────────────┤
│ PILLAR 1: RLM ENGINE │ PILLAR 2: GRAPHIFY CPG │ PILLAR 3: OKF MEMORY │
│ (Context as Variable) │ (AST Code Radar) │ (Semantic Evolution) │
├──────────────────────────────────────┼────────────────────────────────────┼───────────────────────────────────────┤
│ • Out-of-core Heap Variables │ • In-Memory SQLite3 WAL Graph │ • Sub-microsecond OKF Regex Parser │
│ • Transactional CoW Rollback │ • Sub-0.3ms Transitive Blast Query │ • Formal AGM Belief Revision │
│ • 3-Phase EGRI Invariant Linter │ • Composite God-Node Centrality │ • Ebbinghaus Forgetting & GC │
│ • Dynamic Governor (D<=2, N<=20) │ • Circular Dependency & Wave Sort │ • Symbol-to-ADR Constraints │
└──────────────────────────────────────┴────────────────────────────────────┴───────────────────────────────────────┘
│
▼
┌───────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ DECENTRALIZED SWARM & DISTILLERY │
├───────────────────────────────────────────────────────────────────┬───────────────────────────────────────────────┤
│ SWARM CONCURRENCY BLACKBOARD │ GLOBAL EPISTEMIC DISTILLERY │
├───────────────────────────────────────────────────────────────────┼───────────────────────────────────────────────┤
│ • Kung-Robinson Optimistic Concurrency Control (OCC) │ • Zero-Information Leakage (I = 0) │
│ • Semantic Tree-CRDT 3-Way AST Merge Resolution │ • Multi-Base Shannon Entropy Secret Redaction │
│ • Linda Tuple Space (`out`, `rd`, `in`, `eval`, `digest`) │ • Bayesian Invariant Distillation (0700 Fence)│
└───────────────────────────────────────────────────────────────────┴───────────────────────────────────────────────┘Diagrama de flujo Mermaid
flowchart TD
Host[Host Agent Context] -->|JSON-RPC 2.0 stdio| MCP[Christina FastMCP Server]
subgraph Trinity["Autonomous Cognitive Trinity"]
MCP -->|cpg_query| CPG[Graphify CPG Radar<br/><i>sub-0.3ms SQLite WAL</i>]
MCP -->|rlm_execute| RLM[RLM Sandbox<br/><i>Transactional CoW REPL</i>]
MCP -->|memory_evolve| OKF[OKF Semantic Memory<br/><i>AGM Revision & Epistemic GC</i>]
end
subgraph SwarmDistill["Swarm & Cross-Project Substrate"]
MCP -->|swarm_blackboard| OCC[Swarm Concurrency<br/><i>Kung-Robinson OCC + Tree-CRDT</i>]
OKF -->|distill_global| Distill[Global Epistemic Distillery<br/><i>Anonymized Archetypes (I=0)</i>]
end
CPG -.->|Blast Radius & Waves| OCC
RLM -.->|Isolated Sub-Calls| Host
OKF -.->|ADR Anchor <=400 Tokens| Host🚀 Instalación en 1 comando, sin fricción
Christina se instala en segundos sin demonios en segundo plano, sin compilación nativa y sin privilegios de root:
cd christina
./install.shVerificación preliminar de diagnóstico automatizada
./install.sh doctor================================================================
Christina Cognitive Amplifier Diagnostics (v1.0.0)
================================================================
✓ Python Version: 3.11+ (Requirement satisfied)
✓ SQLite3 in-memory WAL Engine: Ready
✓ OKF Semantic Memory Engine: Ready
✓ Google Antigravity Plugin: Registered
✓ OpenCode Plugin: Registered
✓ Global memory directory: ~/.config/christina/global_memory (0700 fenced)
================================================================
✅ All systems functional.Ejecutar la suite de pruebas completa (62/62 superadas en <1.2s)
./install.sh test
# Or with pytest directly:
pytest tests/ -v🛠️ La matriz canónica de herramientas FastMCP
Christina expone 4 herramientas stdio unificadas de JSON-RPC 2.0 para cualquier host MCP:
Herramienta | Categoría | Capacidades y modos clave | Límite de rendimiento |
| Radar de código AST |
| Recorrido en memoria de menos de 0.3 ms |
| Ejecución en entorno aislado | MapReduce de subagentes, REPL de la transacciones (CoW), linting EGRI de 3 fases, gobernador de cómputo | Límite de recursión $D \le 2, N \le 20$ |
| Memoria semántica |
| Análisis de $6.72\ \mu\text{s}$/doc |
| Concurrencia de enjambre |
| Validación optimista sin bloqueos |
Invocaciones de herramientas MCP
1. Análisis del radio de explosión (cpg_query)
{
"name": "cpg_query",
"arguments": {
"symbol": "PaymentGateway",
"mode": "blast_radius",
"depth": 3
}
}Ejecución transaccional de subconsultas (rlm_execute)
{
"name": "rlm_execute",
"arguments": {
"query": "Audit error recovery handling in database connection pool",
"scope_paths": ["src/db/", "src/pools/"]
}
}Búsqueda en memoria semántica con restricción de símbolo (memory_evolve)
{
"name": "memory_evolve",
"arguments": {
"action": "search",
"query": "zero-trust authentication policy",
"linked_symbols": ["AuthMiddleware"]
}
}Validación de conflictos OCC de enjambre
{
"name": "swarm_blackboard",
"arguments": {
"action": "occ_validate",
"worker_id": "worker_security_audit",
"read_version": 4,
"read_set": ["AuthMiddleware", "SessionToken"],
"write_set": ["AuthMiddleware"]
}
}⚡ Referencia rápida de CLI
# 1. Scan codebase and index AST knowledge graph into in-memory SQLite3 WAL
python3 -m christina.cli scan .
# 2. Calculate static blast radius for a target symbol
python3 -m christina.cli blast AuthService --depth 3
# 3. List top God Nodes ranked by composite degree centrality
python3 -m christina.cli god-nodes --limit 10
# 4. Search OKF institutional memory, ADRs, and symbol constraints
python3 -m christina.cli memory "connection pool timeout" --symbol DatabasePool
# 5. Run FastMCP JSON-RPC 2.0 stdio server
python3 -m christina.cli serve
# 6. Execute system diagnostics
python3 -m christina.cli doctor🔌 Compatibilidad y configuración multi-host
Christina incluye un sistema de registro en un comando, sin fricciones, para todos los hosts estándar de agentes de IA:
1. Google Antigravity CLI (agy)
Se crea automáticamente un enlace simbólico en ~/... no, again.
Wait, "a ~/.gemini/antigravity-cli/plugins/christina" yes.
Se crea automáticamente un enlace simbólico a ~/.gemini/antigravity-cli/plugins/christina y se registra en ~/.gemini/antigravity-cli/mcp_config.json.
2. OpenCode
Se registra automáticamente en ~/.config/opencode/plugins/christina y en ~/.config/opencode/opencode.json.
3. Claude Desktop
Se configura automáticamente en ~/.claude/claude_desktop_config.json (o en Library/Application Support/Claude/claude_desktop_config.json en macOS):
{
"mcpServers": {
"christina": {
"command": "python3",
"args": ["-m", "christina.bridge.mcp_server"],
"env": {
"PYTHONPATH": "/path/to/christina"
}
}
}
}4. OpenAI Codex CLI
Se registra automáticamente en ~/.config/codex/config.json.
🪮 Ponytail Ultra: Garantía de Cero Dependencias
Project Christina está estrictamente diseñado bajo la disciplina Ponytail Ultra:
Cero dependencias externas en tiempo de ejecución: utiliza solo la biblioteca estándar de Python (
ast,sqlite3,re,json,hashlib,fcntl,math,pathlib,typing).Cero demonios pesados: no hay Docker, Neo4j, ChromaDB ni Redis. La conexión con SQLite3 en modo WAL y los bloqueos de archivos POSIX ofrecen una ejecución en submilliseconds con $0\text{MB}$ de RAM en segundo plano.
Brevedad estricta del código: cada módulo es conciso (menos de 250 LOC), cohesivo y autónomo.
📚 Documentación y guías
Documento | Descripción |
**[ |
Available Tools
4 toolscpg_queryC
CPG & AST radar: def-use chains, CFG, virtual interfaces, blast radius.
Inputs: code, mode, depth, symbol.
memory_evolveC
Semantic memory: AGM revision, GC, distill_global, query_global, search, persist.
Inputs: code, tags, query, title, +6 more.
rlm_executeC
Sandboxed RLM REPL executor with transactional CoW rollback, 3-phase EGRI linter, governor.
Inputs: code, query, scope_paths.
swarm_blackboardD
Swarm blackboard & OCC concurrency: Kung-Robinson OCC validation, Tree-CRDT 3-way merge, Linda tuple space.
Inputs: action, channel, payload, read_set, +4 more.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 4 tools
Each tool targets a completely different subsystem: static code analysis, sandboxed execution, semantic memory, and concurrency/blackboard coordination. There is no overlap or plausible confusion between them.
All tools follow a readable two-part snake_case format with domain-specific prefixes. However, the suffixes mix verbs (query, execute, evolve) with a noun (blackboard), creating a minor deviation from a fully uniform pattern.
Four tools is a reasonable, focused count for a server whose scope appears to be a coordinated agent runtime: analyze, execute, remember, and coordinate. Each tool earns its place and none feel redundant.
The tool surface covers the major capabilities one would expect from this kind of system: code understanding, safe execution, memory persistence, and shared-state coordination. There are minor gaps such as explicit file/API interaction, but the broad sub-operations embedded in each tool make the overall surface feel fairly complete.
Maintenance
Related MCP Connectors
Company brain for AI agents — temporal knowledge graph search, exploration, and durable memory.
Shared memory for coding agents. Stop re-explaining your codebase every session.
Codebase intelligence for AI coding agents: graph, git history, docs, decisions, code health.
Hosted runtime for persistent agent teams, durable workflows, memory, schedules, and goals.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceEnables AI agents to query and analyze code across multiple repositories through a unified knowledge graph, with tools for symbol search, impact analysis, and graph algorithms.MIT
- AlicenseNot gradedqualityBmaintenanceProvides AI coding agents with an embedded knowledge graph and architecture governance tools, enabling blast radius analysis, compliance checks, and smart context extraction from codebases.Apache 2.0
- FlicenseNot gradedqualityBmaintenanceEnables developer agents to perform semantic codebase search, dependency and impact analysis, cross-file refactoring, and full-stack API tracing through a unified query DSL over a high-performance graph engine.-
- AlicenseNot gradedqualityCmaintenanceProvides persistent cross-session AI memory, code graph analysis, and subagent context compression so coding agents can resume work instantly and avoid re-reading the codebase.Elastic 2.0