hipocampo

title: Hipocampo MCP emoji: 🧠 colorFrom: blue colorTo: purple sdk: docker pinned: false

⚠️ Transport Note: SSE transport is deprecated since MCP spec 2025-03-26. Hipocampo now uses Streamable HTTP (single endpoint /mcp) as the recommended remote transport. SSE (/sse) remains available for backward compatibility but will be removed in a future release.

Related MCP server: nexus-mcp-ci

🌐 MCP Server — Live on Hugging Face

Hipocampo runs as a free MCP server on Hugging Face Spaces. Connect from any MCP client:

URL: https://alexbell1-hipocampo-mcp.hf.space/mcp

🧪 Interactive Playground: Try saving and searching memories from your browser at https://alexbell1-hipocampo-mcp.hf.space/ — no registration or MCP client needed.

⚠️ Important: The Hugging Face free tier is ephemeral — data is lost on restart/deploy. This instance is intended for testing only. For persistent storage, run Hipocampo locally (see Quick Start) or connect an external database (Neon, Supabase, etc.).

{
  "mcpServers": {
    "hipocampo": {
      "url": "https://alexbell1-hipocampo-mcp.hf.space/mcp",
      "type": "streamable-http"
    }
  }
}

Embedding model: sentence-transformers/all-MiniLM-L6-v2 (384 dims) via Hugging Face Inference API (free, no credit card required).

Hipocampo is an advanced dual-memory persistence architecture designed for autonomous AI agents. By maintaining both technical knowledge and user profiling data across sessions, Hipocampo provides a reliable, stateful context that enables agents to learn, adapt, and scale efficiently.

Built on top of PostgreSQL 17 with pgvector, it features BIRE v3.7 — a hybrid retrieval engine combining semantic embeddings (1024d), lexical expansion, and GIN trigram search with dynamic score fusion. Also includes Sparse Selective Caching (SSC) as an experimental pipeline.

💡 Why Prompt Compression?

Hipocampo already reduces context through SSC (selective retrieval). But even the top-5 most relevant memories can consume 500-2000+ tokens when concatenated — a significant portion of any LLM's context window.

Hybrid compression adds a second reduction layer:

• Extractive phase: Removes redundant sentences (filtering by keyword relevance to your query). Reduces generic text by 30-50% instantly, with no API calls.

• LLM phase: Summarizes technical/code content using the same NVIDIA NIM endpoint already used for embeddings. Preserves all code, variable names, and syntax while dropping explanatory verbosity.

• Combined: 20-50% token reduction with near-zero quality loss. A 1500-token memory block becomes 750-1200 tokens — that's real savings on every LLM call.

Real impact: If you call compress_hipocampo before every search_hipocampo → LLM round-trip, you save 200-800 tokens per interaction. At scale (hundreds of queries), this translates to meaningful cost reduction and faster responses.

🚀 Key Features

• Dual-Memory Architecture: Distinct storage layers for technical records (memoria_vectorial) and user profile data (memory_items), each utilizing 1024-dimensional embeddings.

• BIRE v3.7 (default): Hybrid search engine combining NVIDIA embeddings (1024d), query expansion, GIN trigram, and composite scoring — used by all MCP tools.

• SSC (experimental): Alternative four-phase progressive pipeline: Tag Router → pgvector Top-K → GIN Trigram → ILIKE Fallback.

• Logarithmic Checkpointing: Intelligently compresses historical memories based on time decay, shrinking 24-hour granular details into unified 90-day checkpoints.

• Automated Tagging Engine: A robust, Regex-based rule engine that autonomously categorizes and tags records upon persistence.

• Cross-System Vector Search: Unified semantic search across over 1,100 records for deep cross-referencing.

• Hybrid Prompt Compression (v4.0): Two-phase compression pipeline — extractive (sentence-level) for generic text and LLM summarization (via NVIDIA NIM) for technical/code content. Reduces prompt tokens by 20-50% while preserving critical information. Available as compress_hipocampo MCP tool.

• Memory Graph (v4.0): Directed graph of semantic relationships between memories. Link related records, navigate with BFS tree, find shortest paths. Available as link_hipocampo, graph_hipocampo, path_hipocampo MCP tools.

• Memory Hierarchy (v4.0): Three-level memory (episodic → semantic → automatic) inspired by human mnemonic consolidation. Episodic = raw detail; semantic = compressed knowledge; automatic = permanent reflexes. Checkpoint respects levels — automatic memories are never compressed.

• Code RAG (v4.0): Index project source code (PHP, JS, TS, Python, SQL) as semantic embeddings. Search with search_code(query, language) — returns real code snippets with file paths and line numbers, not just summaries.

• Exponential Time Decay (v4.0): final_score = relevance × exp(-λ × days) with λ=0.05 configurable and 20% floor. Recent knowledge naturally outranks old memories.

• Session Memory & Auto-Summarization: Session-isolated save/search. After 20+ saves, Hipocampo auto-generates a consolidated session summary in the background.

• Proactive Context Preloading: preload_context(project_path) extracts meaningful keywords from the project path, searches relevant memories, and returns a compressed summary — ideal for session start.

• Context Budget Awareness: compress_hipocampo auto-estimates token budget and adjusts k dynamically. budget_ratio parameter gives fine-grained control over output size.

• Auto-Linking: save_hipocampo(..., auto_link=True) auto-discovers semantically similar memories (>0.75 cosine) and creates similar edges in the memory graph.

• HNSW Auto-Recovery: hipocampo_health() checks the HNSW index on startup and auto-creates it if missing — no more manual CREATE INDEX commands.

• Model Context Protocol (MCP): Native integration via a FastMCP server with 22+ tools, exposing seamless read/write capabilities to modern MCP clients (e.g., Claude Desktop, OpenCode).

⚡ Why PostgreSQL + pgvector (Not SQLite)?

You might wonder why Hipocampo uses PostgreSQL 17 with pgvector instead of a lighter stack like SQLite. The answer: hybrid search requires more than vector similarity alone.

Hipocampo's retrieval pipeline combines pgvector (HNSW) for semantic search, pg_trgm (GIN) for lexical expansion, and ILIKE for fallback — fused into a single weighted score. SQLite extensions like sqlite-vec offer vector search, but lack:

• GIN trigram indexes for fuzzy/partial matching

• Full-text + vector hybrid fusion in a single query

• Production-grade HNSW indexing with concurrent writes

• pg_trgm-based query expansion when embeddings alone are insufficient

With ~1,100+ records across two memory tables and growing, Hipocampo needs a database that scales without sacrificing retrieval quality. PostgreSQL + pgvector isn't "heavy" for the sake of it — it's the minimum viable stack to deliver the hybrid accuracy that BIRE and SSC require.

🎯 Use Cases

Error → Learn → Never Repeat (AI Agent Learning Loop)

Hipocampo enables AI agents to learn from mistakes across sessions using a simple cycle:

┌─ 1. SEARCH ─────────────────────────────┐
│  Before executing a command, the agent   │
│  searches Hipocampo for similar errors:  │
│  search_hipocampo("error <context>")     │
└───────────────────┬──────────────────────┘
                    │
┌─ 2. EXECUTE ──────▼──────────────────────┐
│  If match found → apply known solution   │
│  If not → attempt new approach           │
└───────────────────┬──────────────────────┘
                    │
┌─ 3. EVALUATE ─────▼──────────────────────┐
│  Did it fail? Capture:                   │
│  - error context & exit code             │
│  - what was attempted                    │
│  - what happened                         │
└───────────────────┬──────────────────────┘
                    │
┌─ 4. PERSIST ──────▼──────────────────────┐
│  save_hipocampo(                          │
│    content="Error X: tried Y, result Z", │
│    memory_type="decision",               │
│    code="error_<hash>",                  │
│    categories=["bugfix", "<tool>"]       │
│  )                                        │
└──────────────────────────────────────────┘

Real example: An agent tries flatpak install npm and fails. It saves the error to Hipocampo: "npm is a Node.js package manager, not a Flatpak package. Use npm directly." Next time the same command is attempted, the agent finds this record and knows the solution immediately — without repeating the mistake.

Over time, the agent's error knowledge base grows organically. Each failure makes future sessions smarter. This turns Hipocampo from a simple archive into a continuous learning system for AI agents.

⚙️ How to configure your agent

To enable this behavior, you need to instruct your agent to use the cycle above. This is done by adding instructions to the agent's configuration file, depending on the client:

Minimal example for AGENTS.md / CLAUDE.md:

## Error Learning Cycle

1. Before running any command, search: `search_hipocampo("error <command> <context>")`
2. If a similar error is found, apply the documented solution and skip the failing attempt
3. If the command fails (exit code != 0, timeout, "error"/"failed" in output):
   - Save to Hipocampo: `save_hipocampo(content="Error: {stderr[:500]}. Attempt: {what was tried}. Result: {what happened}.", memory_type="decision", code="error_<hash>", categories=["bugfix", "<language/tool>"])`

💡 Tip: For MCP-native agents (OpenCode, Claude Code), Hipocampo tools are available directly. For others, use the HTTP endpoint or CLI scripts.

Other use cases

• Persistent user profile: Remember preferences, configs, and personal data across sessions

• Project state tracking: Keep context on ongoing projects, decisions made, and pending tasks

• Cross-session knowledge: Build on previous work without repeating context

🛠️ Quick Start

Prerequisites

• PostgreSQL 17+ (with pgvector and pg_trgm extensions enabled)

• Python 3.13+

• NVIDIA API Key (for nvidia/nv-embedqa-e5-v5 embeddings) — or Hugging Face API Key for sentence-transformers/all-MiniLM-L6-v2 (free via HF Inference API)

Installation

# 1. Clone the repository
git clone https://github.com/carrasquelalex1/hipocampo.git
cd hipocampo

# 2. Setup the PostgreSQL Database
createdb hipocampo_db
psql -d hipocampo_db -c "CREATE EXTENSION vector; CREATE EXTENSION pg_trgm;"
psql -d hipocampo_db -f esquema.sql

# 3. Initialize Python Environment
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt

# 4. Environment Configuration
cp .env.example .env
# Edit .env with your DB_HOST, DB_USER, and NVIDIA_API_KEY

Basic Usage

Hipocampo provides specialized scripts to interact with the core engine:

# Perform a search using BIRE v3.7 (modern, recommended)
python3 scripts/hipocampo_search.py "query term"

# Perform a search using SSC v1.0 (experimental, legacy)
python3 scripts/hipocampo_ssc_search.py "query term"

# Compress older memories using Logarithmic Checkpointing
python3 scripts/hipocampo_checkpoint.py --dry-run
python3 scripts/hipocampo_checkpoint.py --force

# Hybrid prompt compression (extractive + LLM)
python3 scripts/hipocampo_compress.py "your query" --k 5 --method hybrid
python3 scripts/hipocampo_compress.py "your query" --method extractive  # fastest, no API cost

🧠 System Architecture

The core of Hipocampo is backed by a relational and vector hybrid design:

hipocampo_db (PostgreSQL 17 + pgvector + pg_trgm)
├── memoria_vectorial (Technical Knowledge)
│   ├── Columns: contenido (text), metadatos (jsonb), embedding (vector 1024d)
│   └── Indexes: HNSW (cosine similarity, 1024d), GIN (trigram)
├── memory_items (User Profile & Events)
│   ├── Columns: memory_type (profile|event|decision), summary, embedding, extra
│   └── Indexes: HNSW (cosine similarity, 1024d), GIN (trigram)
├── memory_categories (Classification Taxonomy)
├── category_items (M:N Mapping)
└── resources (Referenced Assets & URLs)

BIRE v3.7 — Hybrid Search Engine

BIRE (Búsqueda Integrada por Relevancia Expansiva) is the default search engine used by all MCP tools. It combines vector and lexical search with dynamic score fusion:

1. Query Expansion — Expands terms using synonyms and stemming before search.

2. Vector Search — NVIDIA embeddings (1024d) cosine similarity across both tables.

3. GIN Trigram — Lexical expansion when vector confidence is low.

4. Composite Scoring — Weighted fusion of vector + lexical scores with adaptive cutoff.

An SSC (Sparse Selective Caching) pipeline is also available as an experimental alternative:

1. Phase 1: Tag Router – Classifies the query intent (profile vs. technical) and dynamically assigns weights.

2. Phase 2: PGVector Top-K – Semantic search across both tables. Execution halts here if confidence ≥ 70%.

3. Phase 3: GIN Trigram – Lexical expansion via Trigram indexing if semantic confidence is < 70%.

4. Phase 4: ILIKE Scan – Final fallback full-table scan triggered only if confidence falls < 40%.

🔌 MCP Server Integration

Hipocampo includes a fully functional FastMCP server, allowing LLM agents to autonomously read and write memories.

Available MCP Tools (22+ tools)

Memory Operations:

• search_hipocampo(query, session_id?): Unified semantic and lexical search (auto-records metrics). Optionally filter by session.

• quick_hipocampo_search(query): Shorthand alias for rapid queries.

• preload_context(project_path, k=8): Extract keywords from project path, search relevant memories, return compressed summary. Ideal for session initialization.

• compress_hipocampo(query, k=5, method="hybrid", budget_ratio=1.0, include_metadata=False): Search + hybrid compression with context budget awareness. Auto-estimates tokens and adjusts k dynamically. Three methods: "hybrid" (recommended), "extractive" (fastest, no API cost), "llm" (highest quality).

• save_hipocampo(content, memory_type, code, categories, session_id?, force?, auto_link=False, nivel="episodica"): Persist data into memoria_vectorial. Supports session isolation, auto-dedup, auto-linking, and hierarchical memory levels.

• profile_hipocampo(summary, extra, categories): Store personal or event-driven user data (memory_items).

Memory Graph (v4.0):

• link_hipocampo(source_id, target_id, relation_type, weight): Create a directed edge between two memories. Relation types: related, follow_up, part_of, references, similar, chain.

• unlink_hipocampo(id / source+target+type): Remove edge(s) from the memory graph.

• graph_hipocampo(node_id, depth=2): BFS tree traversal from a root node. Use node_id=0 for an overview of all connected nodes and edge counts.

• path_hipocampo(from_id, to_id, max_depth=5): Find the shortest BFS path between two memories.

Code RAG (v4.0):

• index_project(project_path, force=False): Scan and index source code files as semantic embeddings. Incremental — only re-indexes changed files (by mtime). Supports PHP, JS, TS, Python, SQL, HTML, CSS, JSON, YAML.

• search_code(query, k=5, language=""): Vector search specifically in indexed code snippets. Returns real code with file paths, language, and line numbers.

CRUD Operations:

• update_hipocampo(id, content?, memory_type?, code?, categories?): Update an existing memory. Regenerates embedding if content changes.

• delete_hipocampo(id): Permanently delete a memory by ID.

• set_nivel_hipocampo(id, nivel): Promote/demote a memory between hierarchical levels (episodica, semantica, automatica).

• consolidate_hipocampo(min_age_days=7, dry_run=True): Migrate old episodic memories to semantic level with optional content compression.

Self-Diagnosis & Auto-Repair:

• hipocampo_health(): Full system health check (PostgreSQL, NVIDIA API, disk, extensions, HNSW index).

• hipocampo_auto_repair(): Automatically repairs detected issues (restart PostgreSQL, create missing tables, create HNSW index).

Performance Optimization (Fase 2):

• hipocampo_stats(): Query performance metrics, latency analysis, and optimization recommendations.

• hipocampo_tune(): Auto-adjusts BIRE/SSC thresholds and hybrid weights based on real usage data.

Memory Maintenance (Fase 3):

• hipocampo_dedup(merge): Detects and merges duplicate memories (exact + semantic via cosine similarity).

• hipocampo_checkpoint(dry_run): Logarithmic checkpointing to compress old memories.

• hipocampo_maintenance(): Full maintenance cycle (repair → dedup → checkpoint → tune).

Time Decay:

• Scores of memories >7 days old automatically decay ~5% per week (floor at 30%), keeping recent knowledge at the top.

Webhook Watches:

• watch_hipocampo(pattern, webhook_url): Register a webhook that fires on save/update/delete events matching a text pattern.

• unwatch_hipocampo(id): Remove a registered webhook.

• list_watches(): List all registered webhooks and their targets.

Starting the Server

# Standard I/O mode (default for local desktop clients)
python3 scripts/hipocampo_mcp_server.py

# Streamable HTTP mode (recommended for remote clients)
python3 scripts/hipocampo_mcp_server.py --http 8001

# Legacy SSE mode (deprecated, only for backward compatibility)
python3 scripts/hipocampo_mcp_server.py --sse 8001

For advanced configuration, please refer to the MCP Server Guide.

Modular Architecture

DB connection, config loading, and embedding generation are centralized in the hipocampo package:

hipocampo/
├── __init__.py       # Package init (version 3.8)
└── db.py             # get_conn(), get_embedding(), load_config()

All scripts in scripts/ import from hipocampo.db instead of duplicating the boilerplate. The MCP server also imports search/health/stats/dedup/checkpoint functions directly — no subprocess calls.

Before: Each MCP search spawned subprocess.run() → fork Python interpreter → re-import everything → connect DB → generate embedding → run query → parse stdout. That's ~200–500ms of process + serialization overhead alone.

After: Direct function call within the same process. The DB connection pool, OpenAI client, and modules are already cached. Overhead drops to microseconds.

For individual searches the difference is marginal (~200ms), but for hipocampo_maintenance() it previously ran 4 serial subprocess forks — now it's one direct call per phase, saving ~1–2 seconds.

Async & Connection Pool (v3.8)

The MCP server now runs all 16 tools as async Python coroutines in HTTP mode, and uses a PostgreSQL connection pool instead of creating a new connection per call:

Before:

• Each MCP tool opened a new TCP + SSL connection to PostgreSQL → connect() latency on every call

• Sync tools blocked uvicorn's event loop → one slow search froze the server for all concurrent clients

• In HTTP mode with concurrent requests: risk of too many connections on the database

After:

• init_pool(minconn=1, maxconn=10) creates a ThreadedConnectionPool at server startup — connections are reused across calls, handshake happens once

• All 16 tools are async def — blocking I/O (DB queries, NVIDIA API) runs in asyncio.to_thread(), freeing the event loop for other requests

• A thin _PooledConnection proxy transparently returns connections to the pool when .close() is called — zero caller-side changes

Impact: Concurrent requests no longer block each other; PostgreSQL connection overhead drops from ~10–50ms per call to near zero.

Integration Tests:

• 6 schema tests verify tool registration, annotations, parameters, and async signature — no database required, run in CI

• 3 live integration tests (marked @pytest.mark.integration) start the server in stdio mode and verify tools/list, resources/list, and a real search call

• 102 total tests, all passing

Config Validation, Rate Limiting & Granular Errors (v3.8)

Before:

• Missing NVIDIA_API_KEY or DB_HOST → server started without errors, failed with cryptic fe_sendauth / 401 on the first query

• Any client could hammer the NVIDIA API ($ per embedding) and the free-tier PostgreSQL — no limits at all

• Every error caught with except Exception: logger.error("msg: %s", e) — no traceback, impossible to tell if it was a DB, network, or validation failure

After:

• validate_config() runs at startup and logs clear warnings for each missing variable. init_pool() and get_conn() reject early with messages like "PostgreSQL connection incomplete: DB_HOST, DB_USER not configured in .env"

• Three sliding-window rate limiters protect the system: embedding_limiter (30/min — shields NVIDIA API cost), tool_limiter (60/min — shields PostgreSQL), watch_limiter (20/min). Clients get "⏳ Too many requests. Limit: 30 per 60s. Wait 12s."

• _tool_err() helper differentiates by exception type: psycopg2.Error → logger.exception() with full traceback, ValueError / TypeError → logger.warning() (client error), others → logger.exception(). _fire_webhooks catches urllib.error.URLError separately

Impact: Failures are caught before they reach the database, costs are capped, and logs are actionable — you know instantly if it's a misconfiguration, a network blip, or a code bug.

Retry with Backoff, Consistent CLI & Pre-commit Hooks (v3.8)

Before:

• get_embedding() failed on the first NVIDIA API timeout or rate limit — no retry at all

• All 12 scripts used manual sys.argv parsing — no --help, no type validation, inconsistent interfaces

• No pre-commit hooks — easy to push code with lint errors or broken tests

After:

• get_embedding() uses tenacity with wait_exponential(mult=1, min=1, max=30), 5 attempts, retrying only on RateLimitError/APITimeoutError/APIConnectionError/InternalServerError. No retry on AuthenticationError or BadRequestError. Each retry is logged at warning level

• All 12 scripts have argparse with --help, typed arguments, and consistent names: hipocampo_mcp_server.py --http 8001

• .pre-commit-config.yaml with ruff lint+format (pre-commit) and pytest (pre-push). pyproject.toml configures ruff with line-length 120

Impact: The server tolerates transient API failures without the client seeing errors. CLI is self-documenting. Every commit is verified before reaching GitHub — no more broken tests on main.

Local Fixes, compress_hipocampo Tool, and symlink-based Structure (v3.9)

Before:

• Scripts in scripts/ were independent copies of the repo — each git pull required manual sync, and new files like hipocampo_compress.py were missing

• Local scripts (user-owned) lived in the same scripts/ directory — no separation from repo files

• The hipocampo/ Python package was also a copy: load_config() looked for .env in project_root/.env instead of ~/.hipocampo/.env, loading incorrect credentials (alex/hipocampo123)

• If NVIDIA NIM API returned transient HTTP errors (403, 429, timeout), compress operations failed with a generic exception

• The query_stats table existed in esquema.sql but was never auto-created — hipocampo_health reported DEGRADED

• 4 scripts called register_vector(conn) on the _PooledConnection from get_conn() — psycopg2 rejected it with TypeError, breaking all vector operations

• Integration tests sent raw JSON-RPC to FastMCP v1.27+ — missing the initialize handshake, failing with Invalid request parameters

Now:

• ~/.hipocampo/ is the canonical home: repo/ (git clone), ~/.hipocampo/scripts/ → repo/scripts/ (symlink), ~/.hipocampo/hipocampo/ → repo/hipocampo/ (symlink). Local user scripts moved to ~/.hipocampo/local_scripts/. git pull on repo/ auto-updates everything

• _find_env() in db.py loads .env in deterministic order: ENV_PATH env var → ~/.hipocampo/.env (explicit user config) → project_root/.env (Docker/Fly). No more wrong credentials

• ensure_stats_table() runs at module import time in the MCP server — query_stats table auto-created on start

• hipocampo_compress.py with explicit exception handling: RateLimitError, APITimeoutError, APIConnectionError, APIStatusError → immediate fallback to extractive compression. All other errors → fallback with distinct warning level

• register_vector(conn) removed from hipocampo_search.py, hipocampo_checkpoint.py, hipocampo_calibrate.py, mm_brain_tool.py — get_conn() already registers the vector adapter on the real connection

• Integration tests rewritten with mcp[client] SDK (stdio_client + ClientSession + initialize()) — proper MCP 2025-03-26 handshake

• 105 tests total, all passing

Impact: Zero-touch maintenance after git pull. Transient NVIDIA API errors degrade gracefully. Config loading is deterministic and secure. Vector operations work reliably. Tests follow the official MCP protocol.

☕ Support / Donaciones

If this project helps you, consider supporting its development:

• PayPal: paypal.me/carrasquealex

• USDT (TRC-20): (próximamente)

• Cada grano de arena ayuda a mantener el proyecto vivo 🧠✨

⚡ Performance Optimizations (v3.9)

Optimizations applied in July 2026 to address latency and threshold drift:

Embedding Cache

get_embedding() now uses an LRU cache (128 entries) — repeated queries for identical text skip the NVIDIA API call entirely, saving ~450ms each. The OpenAI client is also reused across calls instead of being recreated.

SSC Search Acceleration

• SSC_TOP_K reduced from 20 → 15: fewer vector results per table means faster vector search

• hnsw.ef_search = 20: lower HNSW breadth-of-search for approximate (faster) nearest neighbors (default was 40)

• CONFIANZA_ALTA lowered from 70 → 60: early exit from the SSC pipeline sooner when vector results are already good

• Early exit: if ≥3 results already exceed the minimum threshold, trigram and ILIKE phases are skipped entirely

• register_vector cached per connection to avoid redundant SQL introspection

Threshold Reset & Sane Auto-Tune

• alpha reset from 0.6 → 0.5 (balanced 50% vector + 50% lexical), vectorial_confidence_min from 0.75 → 0.70

• Auto-tune (hipocampo_tune()) now capped: alpha stays within 0.4–0.6, confidence within 0.5–0.75

• Auto-tune can now decrease alpha too (if scores are high enough, reduces vector bias)

Health Check Improvements

• Reports PostgreSQL version and pgvector version for compatibility diagnostics

• Verifies register_vector() and detects the pgvector/PG17 indam incompatibility with a clear upgrade message

🧪 Testing

Hipocampo includes 105+ unit tests covering all core logic and MCP integration:

# Run all tests
python3 -m pytest tests/ -v

# Run with coverage
python3 -m pytest tests/ --cov=scripts --cov-report=term-missing

Tests run automatically on every push via GitHub Actions on Python 3.11–3.13.

📄 License

This project is licensed under the MIT License.

🇪🇸 Versión en Español

⚠️ Nota de Transporte: SSE está deprecado desde spec MCP 2025-03-26. Hipocampo ahora usa Streamable HTTP (endpoint único /mcp) como transporte remoto recomendado.

🌐 Servidor MCP — Live en Hugging Face

Hipocampo corre como servidor MCP gratuito en Hugging Face Spaces. Conéctate desde cualquier cliente MCP:

{
  "mcpServers": {
    "hipocampo": {
      "url": "https://alexbell1-hipocampo-mcp.hf.space/mcp",
      "type": "streamable-http"
    }
  }
}

🧪 Playground interactivo: Prueba guardar y buscar recuerdos desde el navegador en https://alexbell1-hipocampo-mcp.hf.space/ — sin registro ni cliente MCP.

⚠️ Importante: El tier gratuito de Hugging Face es efímero — los datos se pierden al reiniciar/desplegar. Esta instancia es solo para pruebas. Para persistencia real, ejecuta Hipocampo localmente o conecta una base externa.

Hipocampo es una arquitectura avanzada de persistencia de memoria dual diseñada para agentes de Inteligencia Artificial. Al mantener tanto el conocimiento técnico como los datos del perfil del usuario entre sesiones, Hipocampo proporciona un contexto con estado confiable que permite a los agentes aprender, adaptarse y escalar eficientemente.

Construido sobre PostgreSQL 17 y pgvector, utiliza BIRE v3.7 — un motor híbrido que combina embeddings semánticos (1024d), expansión léxica y búsqueda GIN trigram con fusión dinámica de puntuación. Incluye también Caché Selectivo (CS/SSC) como pipeline experimental.

💡 ¿Por qué Compresión de Prompts?

Hipocampo ya reduce el contexto mediante SSC (búsqueda selectiva). Pero incluso las 5 memorias más relevantes pueden consumir 500-2000+ tokens al concatenarse — una porción significativa de la ventana de contexto del LLM.

La compresión híbrida añade una segunda capa de reducción:

• Fase extractiva: Elimina oraciones redundantes (filtrando por relevancia de keywords a la consulta). Reduce texto genérico entre 30-50% al instante, sin llamadas API.

• Fase LLM: Resume contenido técnico/código usando el mismo endpoint NVIDIA NIM ya configurado para embeddings. Preserva todo el código, nombres de variables y sintaxis, eliminando verbosidad explicativa.

• Combinado: 20-50% de reducción de tokens con pérdida de calidad casi nula. Un bloque de memoria de 1500 tokens se convierte en 750-1200 tokens — ahorro real en cada llamada al LLM.

Impacto real: Si usas compress_hipocampo antes de cada search_hipocampo → LLM, ahorras 200-800 tokens por interacción. A escala (cientos de consultas), esto se traduce en reducción significativa de costos y respuestas más rápidas.

🚀 Características Principales

• Arquitectura de Memoria Dual: Capas de almacenamiento separadas para registros técnicos (memoria_vectorial) y datos de perfil (memory_items), ambas utilizando embeddings de 1024 dimensiones.

• BIRE v3.7 (por defecto): Búsqueda híbrida con embeddings NVIDIA (1024d), expansión de consulta, GIN trigram y puntuación compuesta — usado por todas las tools MCP.

• Caché Selectivo (CS/SSC, experimental): Pipeline alternativo de 4 fases: Tag Router → pgvector Top-K → GIN Trigram → ILIKE Fallback.

• Checkpointing Logarítmico: Compresión inteligente basada en el decaimiento del tiempo, consolidando detalles granulares en un solo registro tras 90 días.

• Auto-MeJORA MCP: Autodiagnóstico (health check + auto-repair), optimización dinámica (stats + tune), y mantenimiento de memoria (dedup + checkpoint) — todo desde herramientas MCP.

• Compresión Híbrida de Prompts (v4.0): Pipeline de dos fases — compresión extractiva (nivel de oraciones) para texto genérico y resumen LLM (vía NVIDIA NIM) para contenido técnico/código. Reduce tokens del prompt entre 20-50% preservando información crítica. Disponible como herramienta MCP compress_hipocampo.

• Grafo de Memoria (v4.0): Grafo dirigido de relaciones semánticas entre recuerdos. Enlaza registros relacionados, navega con árbol BFS, encuentra caminos más cortos. Tools: link_hipocampo, graph_hipocampo, path_hipocampo.

• Jerarquía de Memoria (v4.0): Tres niveles (episódica → semántica → automática) inspirado en consolidación mnémica humana. Episódica = detalle crudo; semántica = conocimiento comprimido; automática = reflejos permanentes. El checkpoint respeta niveles — lo automático nunca se comprime.

• RAG de Código (v4.0): Indexa código fuente de proyectos (PHP, JS, TS, Python, SQL) como embeddings semánticos. Busca con search_code(consulta, lenguaje) — devuelve código real con ruta de archivo y números de línea.

• Decaimiento Temporal Exponencial (v4.0): score_final = relevancia × exp(-λ × días) con λ=0.05 configurable y piso 20%. El conocimiento reciente pesa naturalmente más.

• Memoria por Sesión y Auto-resumen: Búsqueda/guardado aislado por sesión. Cada 20 guardados, Hipocampo genera un resumen consolidado de fondo.

• Precarga Proactiva de Contexto: preload_context(ruta_proyecto) extrae keywords del proyecto, busca memorias relevantes y devuelve resumen comprimido. Ideal al inicio de sesión.

• Presupuesto de Contexto Inteligente: compress_hipocampo auto-estima tokens y ajusta k dinámicamente. budget_ratio da control fino sobre el tamaño de salida.

• Auto-Enlace: save_hipocampo(..., auto_link=True) descubre recuerdos semánticamente similares (>0.75 cosine) y crea aristas similar en el grafo.

• Recuperación Automática de HNSW: hipocampo_health() verifica el índice HNSW al arrancar y lo crea si falta — sin comandos CREATE INDEX manuales.

• Protocolo MCP (Model Context Protocol): Integración nativa mediante servidor FastMCP con 22+ herramientas, otorgando capacidades directas de lectura/escritura y mantenimiento a clientes MCP como Claude Desktop y OpenCode.

⚡ ¿Por qué PostgreSQL + pgvector (y no SQLite)?

Quizás te preguntes por qué Hipocampo usa PostgreSQL 17 con pgvector en lugar de algo más ligero como SQLite. La respuesta: la búsqueda híbrida necesita más que solo similitud vectorial.

El pipeline de recuperación combina pgvector (HNSW) para búsqueda semántica, pg_trgm (GIN) para expansión léxica e ILIKE como fallback — todo fusionado en un solo score ponderado. Extensiones de SQLite como sqlite-vec ofrecen búsqueda vectorial, pero carecen de:

• Índices GIN trigram para coincidencias difusas/parciales

• Fusión híbrida texto + vector en una sola consulta

• Indexación HNSW de nivel productivo con escrituras concurrentes

• Expansión por pg_trgm cuando los embeddings no bastan

Con más de 1,100 registros en dos tablas de memoria y creciendo, Hipocampo necesita una base de datos que escale sin sacrificar calidad de recuperación. PostgreSQL + pgvector no es "pesado" por capricho — es el stack mínimo viable para la precisión híbrida que BIRE y SSC exigen.

🎯 Casos de Uso

Error → Aprender → No Repetir (Ciclo de Aprendizaje para Agentes IA)

Hipocampo permite que agentes de IA aprendan de sus errores entre sesiones con un ciclo simple:

┌─ 1. BUSCAR ─────────────────────────────┐
│  Antes de ejecutar, el agente busca     │
│  errores similares en Hipocampo:        │
│  search_hipocampo("error <contexto>")   │
└───────────────────┬──────────────────────┘
                    │
┌─ 2. EJECUTAR ─────▼──────────────────────┐
│  Si hay match → aplicar solución conocida│
│  Si no → intentar nuevo enfoque         │
└───────────────────┬──────────────────────┘
                    │
┌─ 3. EVALUAR ──────▼──────────────────────┐
│  ¿Falló? Capturar:                      │
│  - contexto del error y exit code       │
│  - qué se intentó                       │
│  - qué pasó                             │
└───────────────────┬──────────────────────┘
                    │
┌─ 4. PERSISTIR ────▼──────────────────────┐
│  save_hipocampo(                          │
│    content="Error X: intenté Y, pasó Z",│
│    memory_type="decision",               │
│    code="error_<hash>",                  │
│    categories=["bugfix", "<herramienta>"]│
│  )                                        │
└──────────────────────────────────────────┘

Ejemplo real: Un agente intenta flatpak install npm y falla. Guarda el error en Hipocampo: "npm es un gestor de paquetes de Node.js, no un paquete Flatpak. Usar npm directamente." La próxima vez que se intente el mismo comando, el agente encuentra este registro y aplica la solución de inmediato.

Con el tiempo, la base de conocimiento de errores crece orgánicamente. Cada fallo hace más inteligentes las sesiones futuras. Esto convierte a Hipocampo de un simple archivo en un sistema de aprendizaje continuo para agentes de IA.

⚙️ Cómo configurar tu agente

Para activar este comportamiento, hay que instruir al agente. Se hace agregando reglas en su archivo de configuración:

Ejemplo mínimo para AGENTS.md / CLAUDE.md:

## Ciclo de Aprendizaje de Errores

1. Antes de ejecutar un comando, busca: `search_hipocampo("error <comando> <contexto>")`
2. Si hay error similar, aplica la solución documentada y omite el intento fallido
3. Si el comando falla (exit code != 0, timeout, "error"/"failed" en output):
   - Guarda en Hipocampo: `save_hipocampo(content="Error: {stderr[:500]}. Intento: {qué se probó}. Resultado: {qué pasó}.", memory_type="decision", code="error_<hash>", categories=["bugfix", "<lenguaje/herramienta>"])`

💡 Tip: Para agentes nativos MCP (OpenCode, Claude Code), las tools de Hipocampo están disponibles directamente. Para otros, usa el endpoint HTTP o los scripts CLI.

Otros casos de uso

• Perfil de usuario persistente: Recordar preferencias, configuraciones y datos personales entre sesiones

• Seguimiento de proyectos: Mantener contexto de proyectos activos, decisiones tomadas y tareas pendientes

• Conocimiento entre sesiones: Continuar trabajos previos sin repetir contexto

🛠️ Instalación Rápida

# 1. Clonar y configurar BD
git clone https://github.com/carrasquelalex1/hipocampo.git
cd hipocampo
createdb hipocampo_db
psql -d hipocampo_db -c "CREATE EXTENSION vector; CREATE EXTENSION pg_trgm;"
psql -d hipocampo_db -f esquema.sql

# 2. Entorno Python y dependencias
python3 -m venv venv && source venv/bin/activate
pip install -r requirements.txt

# 3. Configurar variables de entorno
cp .env.example .env
# Editar .env con DB_HOST, DB_USER, NVIDIA_API_KEY

Para usar la búsqueda directamente desde la terminal:

python3 scripts/hipocampo_search.py "término de búsqueda"       # BIRE v3.7 (recomendado)
python3 scripts/hipocampo_ssc_search.py "término de búsqueda"   # SSC v1.0 (experimental)
python3 scripts/hipocampo_compress.py "término" --k 5           # Búsqueda + compresión híbrida

Para inicializar el servidor MCP:

python3 scripts/hipocampo_mcp_server.py
python3 scripts/hipocampo_mcp_server.py --http 8001   # Streamable HTTP (recomendado)
python3 scripts/hipocampo_mcp_server.py --sse 8001    # legacy (deprecado)

Herramientas MCP Disponibles (22+ herramientas)

Operaciones de Memoria:

• search_hipocampo(consulta, session_id?): Búsqueda semántica + léxica híbrida (auto-registra métricas). Filtro opcional por sesión.

• quick_hipocampo_search(consulta): Alias rápido para búsquedas.

• preload_context(ruta_proyecto, k=8): Extrae keywords del proyecto, busca memorias relevantes y devuelve resumen comprimido. Ideal para inicio de sesión.

• compress_hipocampo(consulta, k=5, method="hybrid", budget_ratio=1.0, include_metadata=False): Búsqueda + compresión híbrida con presupuesto de contexto. Auto-estima tokens y ajusta k dinámicamente. Tres métodos: "hybrid" (recomendado), "extractive" (más rápido, sin costo API), "llm" (máxima calidad).

• save_hipocampo(contenido, tipo, codigo, categorias, session_id?, force?, auto_link=False, nivel="episodica"): Guarda datos técnicos en memoria_vectorial. Soporta auto-dedup, auto-enlace y niveles jerárquicos.

• profile_hipocampo(resumen, extra, categorias): Guarda datos de perfil en memory_items.

Grafo de Memoria (v4.0):

• link_hipocampo(origen, destino, tipo_relacion, peso): Crea enlace dirigido entre recuerdos. Tipos: related, follow_up, part_of, references, similar, chain.

• unlink_hipocampo(id / origen+destino+tipo): Elimina enlaces del grafo.

• graph_hipocampo(nodo_id, profundidad=2): Árbol BFS desde un nodo raíz. nodo_id=0 muestra vista general.

• path_hipocampo(origen, destino, max_depth=5): Camino más corto BFS entre dos recuerdos.

RAG de Código (v4.0):

• index_project(ruta_proyecto, force=False): Indexa archivos de código como embeddings semánticos. Incremental — solo re-indexa archivos modificados. Soporta PHP, JS, TS, Python, SQL, HTML, CSS, JSON, YAML.

• search_code(consulta, k=5, lenguaje=""): Búsqueda vectorial en código indexado. Devuelve código real con ruta, lenguaje y líneas.

Operaciones CRUD:

• update_hipocampo(id, contenido?, tipo?, codigo?, categorias?): Actualiza un recuerdo existente. Regenera embedding si cambia el contenido.

• delete_hipocampo(id): Elimina un recuerdo permanentemente por ID.

• set_nivel_hipocampo(id, nivel): Promueve/degrada un recuerdo entre niveles jerárquicos (episodica, semantica, automatica).

• consolidate_hipocampo(dias_min=7, seco=True): Migra recuerdos episódicos antiguos a nivel semántico con compresión opcional.

Autodiagnóstico y Reparación:

• hipocampo_health(): Health check completo (PostgreSQL, API NVIDIA, disco, extensiones, índice HNSW).

• hipocampo_auto_repair(): Repara problemas automáticamente (crea tablas, índice HNSW, reinicia PostgreSQL).

Optimización de Rendimiento (Fase 2):

• hipocampo_stats(): Métricas de rendimiento, latencia, y recomendaciones de optimización.

• hipocampo_tune(): Ajusta thresholds BIRE/SSC y pesos híbridos según uso real.

Mantenimiento de Memoria (Fase 3):

• hipocampo_dedup(fusionar): Detecta y fusiona memorias duplicadas (exactas + semánticas).

• hipocampo_checkpoint(seco): Checkpointing logarítmico para comprimir memorias antiguas.

• hipocampo_maintenance(): Ciclo completo de mantenimiento (reparar → dedup → checkpoint → tune).

Decaimiento Temporal:

• Scores de memorias >7 días decaen ~5% por semana (piso 30%), priorizando conocimiento reciente.

Webhooks (Watch):

• watch_hipocampo(patron, webhook_url): Registra un webhook que se dispara en eventos save/update/delete cuando el contenido coincide con un patrón.

• unwatch_hipocampo(id): Elimina un webhook registrado.

• list_watches(): Lista todos los webhooks activos.

Arquitectura Modular

La conexión a BD, configuración y generación de embeddings están centralizadas en el paquete hipocampo:

hipocampo/
├── __init__.py       # Inicialización del paquete (v3.8)
└── db.py             # get_conn(), get_embedding(), load_config()

Todos los scripts en scripts/ importan de hipocampo.db en lugar de duplicar el boilerplate. El servidor MCP importa las funciones de búsqueda/salud/estadísticas/dedup/checkpoint directamente — sin llamadas subprocess.

Antes: Cada búsqueda MCP ejecutaba subprocess.run() → fork del intérprete Python → re-importar todo → conectar DB → generar embedding → ejecutar query → parsear stdout. ~200–500ms solo de overhead de proceso y serialización.

Ahora: Llamada directa a función en el mismo proceso. La DB connection pool, OpenAI client y módulos ya están cacheados. El overhead se reduce a microsegundos.

Para búsquedas individuales la diferencia es marginal (~200ms), pero para hipocampo_maintenance() antes ejecutaba 4 forks subprocess en serie — ahora es una llamada directa por fase, ahorrando ~1–2 segundos.

Async & Connection Pool (v3.8)

El servidor MCP ahora ejecuta las 16 herramientas como corutinas async en modo HTTP, y usa un pool de conexiones PostgreSQL en lugar de crear una conexión nueva por cada llamada:

Antes:

• Cada herramienta abría una conexión TCP + SSL nueva a PostgreSQL → latencia de connect() en cada llamada

• Tools sincrónicas bloqueaban el event loop de uvicorn → una search lenta congelaba el servidor para todos los clientes concurrentes

• En modo HTTP con requests concurrentes: riesgo de too many connections en la BD

Ahora:

• init_pool(minconn=1, maxconn=10) crea un ThreadedConnectionPool al arrancar — las conexiones se reúsan, el handshake ocurre una sola vez

• Las 16 herramientas son async def — I/O bloqueante (queries BD, API NVIDIA) corre en asyncio.to_thread(), liberando el event loop para otras requests

• Un proxy _PooledConnection devuelve las conexiones al pool automáticamente al llamar .close() — sin cambios en el caller

Impacto: Requests concurrentes ya no se bloquean entre sí; el overhead de conexión PostgreSQL baja de ~10–50ms por llamada a casi cero.

Tests de Integración:

• 6 tests de schema verifican registro de herramientas, anotaciones, parámetros y firma async — sin BD, corren en CI

• 3 tests de integración en vivo (marcados @pytest.mark.integration) arrancan el servidor en modo stdio y verifican tools/list, resources/list y una búsqueda real

• 105 tests totales, todos pasando

Validación de Config, Rate Limiting y Errores Granulares (v3.8)

Antes:

• NVIDIA_API_KEY o DB_HOST faltantes → el server arrancaba sin errores y fallaba con un críptico fe_sendauth / 401 recién en el primer query

• Cualquier cliente podía saturar la API de NVIDIA ($ por embedding) y el PostgreSQL gratuito — sin ningún límite

• Todos los errores se capturaban con except Exception: logger.error("msg: %s", e) — sin traceback, imposible saber si era error de BD, red o validación

Ahora:

• validate_config() se ejecuta al arranque y logea warnings claros para cada variable faltante. init_pool() y get_conn() rechazan temprano con mensajes como "PostgreSQL connection incomplete: DB_HOST, DB_USER no configurados en .env"

• Tres rate limiters sliding-window protegen el sistema: embedding_limiter (30/min — protege el costo de la API NVIDIA), tool_limiter (60/min — protege PostgreSQL), watch_limiter (20/min). Los clientes reciben "⏳ Demasiadas solicitudes. Límite: 30 por 60s. Espera 12s."

• _tool_err() diferencia por tipo de excepción: psycopg2.Error → logger.exception() con traceback completo, ValueError / TypeError → logger.warning() (error del cliente), otros → logger.exception(). _fire_webhooks captura urllib.error.URLError por separado

Impacto: Los errores se detectan antes de llegar a la BD, los costos están limitados, y los logs son accionables — sabés al instante si es una mala configuración, un problema de red o un bug de código.

Consulte los manuales en la carpeta docs/ para información arquitectónica y configuraciones avanzadas.

Retry con Backoff, CLI Consistente y Pre-commit Hooks (v3.8)

Antes:

• get_embedding() fallaba al primer timeout o rate limit de la API de NVIDIA — sin reintentos

• Los 12 scripts usaban sys.argv manual — sin --help, sin validación de tipos, interfaces inconsistentes

• No había hooks de pre-commit — fácil pushear código con lint sucio o tests rotos

Ahora:

• get_embedding() usa tenacity con wait_exponential(mult=1, min=1, max=30), 5 intentos, reintenta solo en RateLimitError/APITimeoutError/APIConnectionError/InternalServerError. No reintenta en AuthenticationError o BadRequestError. Cada reintento se loguea en nivel warning

• Los 12 scripts tienen argparse con --help, argumentos tipados y nombres consistentes: hipocampo_mcp_server.py --http 8001

• .pre-commit-config.yaml con ruff lint+format (pre-commit) y pytest (pre-push). pyproject.toml configura ruff con line-length 120

Impacto: El server tolera fallos transitorios de la API sin que el cliente vea errores. El CLI es autodocumentado. Cada commit se verifica antes de llegar a GitHub — no más tests rotos en main.

Correcciones Locales, Tool compress_hipocampo y Estructura basada en Symlinks (v3.9)

Antes:

• Los scripts en scripts/ eran copias independientes del repo — cada git pull requería sincronización manual, y archivos nuevos como hipocampo_compress.py no se propagaban

• Scripts locales (del usuario) convivían en el mismo scripts/ — sin separación de archivos del repo

• El paquete hipocampo/ era también copia: load_config() buscaba .env en project_root/.env en vez de ~/.hipocampo/.env, cargando credenciales incorrectas (alex/hipocampo123)

• Si la API de NVIDIA NIM devolvía errores HTTP transitorios (403, 429, timeout), la compresión fallaba con excepción genérica

• La tabla query_stats existía en esquema.sql pero nunca se creaba automáticamente — hipocampo_health reportaba DEGRADED

• 4 scripts llamaban register_vector(conn) sobre el _PooledConnection devuelto por get_conn() — psycopg2 lo rechazaba con TypeError, rompiendo todas las operaciones vectoriales

• Los tests de integración enviaban JSON-RPC raw a FastMCP v1.27+ — sin el handshake initialize, fallaban con Invalid request parameters

Ahora:

• ~/.hipocampo/ es el directorio canónico: repo/ (clon git), ~/.hipocampo/scripts/ → repo/scripts/ (symlink), ~/.hipocampo/hipocampo/ → repo/hipocampo/ (symlink). Scripts locales del usuario movidos a ~/.hipocampo/local_scripts/. git pull en repo/ actualiza todo automáticamente

• _find_env() en db.py carga .env en orden determinista: ENV_PATH → ~/.hipocampo/.env (config explícita del usuario) → project_root/.env (Docker/Fly). Sin más credenciales incorrectas

• ensure_stats_table() se ejecuta al importar el módulo del MCP server — la tabla query_stats se crea automáticamente al iniciar

• hipocampo_compress.py con manejo explícito de excepciones: RateLimitError, APITimeoutError, APIConnectionError, APIStatusError → fallback inmediato a compresión extractiva. Otros errores → fallback con log de advertencia diferenciado

• register_vector(conn) eliminado de hipocampo_search.py, hipocampo_checkpoint.py, hipocampo_calibrate.py, mm_brain_tool.py — get_conn() ya registra el adaptador vectorial sobre la conexión real

• Tests de integración reescritos con el SDK mcp[client] (stdio_client + ClientSession + initialize()) — handshake MCP 2025-03-26 correcto

• 105 tests totales, todos pasando

Impacto: Mantenimiento cero tras git pull. Errores transitorios de NVIDIA API degradan gracefulmente. Carga de configuración determinista y segura. Operaciones vectoriales confiables. Tests siguen el protocolo MCP oficial.

⚡ Optimizaciones de Rendimiento (v3.9)

Optimizaciones aplicadas en Julio 2026 para reducir latencia y estabilizar thresholds:

Caché de Embeddings

get_embedding() ahora usa un caché LRU (128 entradas) — consultas repetidas con el mismo texto saltan la llamada a la API de NVIDIA, ahorrando ~450ms cada una. El cliente de OpenAI también se reutiliza entre llamadas.

Aceleración de Búsqueda SSC

• SSC_TOP_K reducido de 20 → 15: menos resultados vectoriales por tabla = búsqueda más rápida

• hnsw.ef_search = 20: menor amplitud de búsqueda HNSW para vecinos aproximados más rápidos (default era 40)

• CONFIANZA_ALTA bajada de 70 → 60: salida temprana del pipeline SSC cuando los resultados vectoriales ya son buenos

• Early exit: si ya hay ≥3 resultados sobre el umbral mínimo, se saltan las fases trigram e ILIKE

• register_vector cacheado por conexión para evitar introspección SQL redundante

Reset de Thresholds y Auto-Tune Controlado

• alpha reseteado de 0.6 → 0.5 (balanceado 50% vectorial + 50% léxico), vectorial_confidence_min de 0.75 → 0.70

• Auto-tune (hipocampo_tune()) ahora limitado: alpha se mantiene entre 0.4–0.6, confidence entre 0.5–0.75

• Auto-tune ahora también puede disminuir alpha (si los scores son altos, reduce el sesgo vectorial)

Mejoras en Health Check

• Reporta versión de PostgreSQL y versión de pgvector para diagnóstico de compatibilidad

• Verifica register_vector() y detecta la incompatibilidad pgvector/PG17 (indam) con un mensaje claro de actualización

🧪 Tests

Hipocampo incluye 105+ tests unitarios cubriendo toda la lógica central e integración MCP:

# Ejecutar todos los tests
python3 -m pytest tests/ -v

# Con cobertura
python3 -m pytest tests/ --cov=scripts --cov-report=term-missing

Los tests se ejecutan automáticamente en cada push vía GitHub Actions en Python 3.11–3.13.

☕ Donaciones

Si este proyecto te es útil, considera apoyarlo:

• PayPal: paypal.me/carrasquealex

• USDT (TRC-20): (próximamente)

• Cada aporte ayuda a mantener vivo el proyecto 🧠✨