Skip to main content
Glama

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

Hipocampo

Version License: MIT MCP Server MCP Registry Glama hipocampo MCP server

⚠️ 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: knowledge-rag

🌐 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).

⚡ Instalación Zero-Touch — Auto-Installer v6.0

Una sola línea. La terminal hace todo: PostgreSQL + pgvector, embeddings, base de datos, venv, clientes MCP, servicio systemd con timer de mantenimiento automático.

🪟 ¿Usas Windows?

install.sh es un script de Linux/macOS. En Windows necesitas WSL2 (Windows Subsystem for Linux):

wsl --install

Abre la terminal de WSL (Ubuntu), actualiza los paquetes y vuelve a ejecutar el instalador:

sudo apt update && sudo apt install -y python3-venv python3-pip build-essential
curl -fsSL https://raw.githubusercontent.com/carrasquelalex1/hipocampo/main/install.sh | bash

⚠️ En Windows puro (CMD/PowerShell) el instalador NO funciona. Sin WSL2 verás errores como Package 'python3-venv' has no installation candidate o apt: command not found.

🚀 Instalar en 10 segundos

curl -fsSL https://raw.githubusercontent.com/carrasquelalex1/hipocampo/main/install.sh | bash

Máquinas sin interacción (VPS, contenedores):

curl -fsSL https://raw.githubusercontent.com/carrasquelalex1/hipocampo/main/install.sh | bash -s -- --unattended

🔄 Las 8 fases automáticas

Fase

Qué instala

🕐

①

Diagnóstico: OS, gestor de paquetes, RAM, disco

~2s

②

PostgreSQL 17 + pgvector (apt · dnf · pacman · brew)

~15s

③

Base de datos + esquema: 10 tablas, HNSW + GIN, ownership

~3s

④

Embeddings: Ollama local (qwen3-embedding:0.6b) o API externa

~60s

⑤

Python .venv + pip + archivo .env

~10s

⑥

Clientes MCP: OpenCode · Claude · Gemini/Antigravity · Cursor · VS Code · Windsurf

~2s

⑦

Servicio systemd + timer semanal de mantenimiento automático

~1s

⑧

Autodiagnóstico: health · save · search · cleanup

~3s

🛡️ Características del instalador

✅ Idempotente

Vuelve a ejecutarlo sin miedo — repara ownership, actualiza repo y configs

✅ 6 clientes MCP

OpenCode, Claude, Gemini/Antigravity, Cursor, VS Code, Windsurf

✅ Mantenimiento automático

Timer semanal (domingo 03:00) con Persistent=true — catch-up si la PC estaba apagada

✅ Sin root

Todo en ~/.local/share/hipocampo

✅ Opciones

--unattended, --embed-api, --install-dir, --db-user, --no-clients, --no-timer, --no-ollama

✅ Desinstalación limpia

bash uninstall.sh — para servicios, BD opcional, clientes, archivos

✅ Compilación desde fuente

Fallback si el paquete pgvector no está en el repositorio



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 configured embedding endpoint (Ollama local or NVIDIA NIM). 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 local embeddings (1024d, Ollama qwen3-embedding:0.6b by default), 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 configured embedding endpoint) 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 with Trigger-Based Prevention (v4.1): 🧠🧠 Three-level memory (episodic → semantic → automatic) inspired by human mnemonic consolidation. NEW: Tag memories with contextual triggers (trigger:php, trigger:chartjs, trigger:tomcat) — when the agent starts working in that context, it searches for matching automatica rules and reactivates past errors before making the same mistake. This mirrors the biological hippocampus: a partial cue (project + language) triggers full memory retrieval of the error and its solution. Automatic rules are permanent — never compressed, never deleted. set_nivel_hipocampo(id, nivel) + consolidate_hipocampo tools included.

  • Code Immune System — Regression Protection (v4.2): 🛡️ Prevents agents from breaking code that was working. 3-step cycle: (1) Snapshot functional state before editing, (2) Verify after editing, (3) If something broke → create a permanent automatica rule capturing the exact cause, symptom, and fix. Uses immune economy: pre-change snapshots are cheap episodica (auto-compressed if no damage), post-break rules are permanent automatica. Pre-loaded with fragile file catalog — header.php, conexion.php, utils.php, auth.php, etc. Agents search trigger:regression trigger:<file> before every edit to learn what other agents broke before.

  • 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.

  • MMR Diversity Anti-Cluster (v4.3): Maximum Marginal Relevance post-fusion re-ranking prevents dense embedding clusters from monopolizing search results. Iteratively selects results that balance relevance with diversity: diversity_lambda × relevance - (1-diversity_lambda) × max_similarity_to_selected. Configurable in hipocampo_hybrid_config.json.

  • Active Forgetting with Archive Tiers (v5.0): decay_hipocampo now archives old episodica memories to memoria_historica (cold storage) when they exceed age thresholds. Protected levels: automatica, semantica, critico — never archived. New critico parameter on save_hipocampo for mission-critical memories. restaurar_historica(id) restores cold memories back to active tier.

  • Memory Fatigue Boost (v5.0): New memory_access table tracks per-record access frequency. BIRE search applies a fatigue boost: boost = min(15, 5·log1p(accesses_7d))·e^(-age_hours/168). Frequently accessed memories naturally rank higher — mimicking how the human brain strengthens neural pathways through repeated recall.

  • Memory Budget & Tiering (v5.0): hipocampo_budget(dry_run) manages three storage tiers — HOT (embedding present, full semantic search), WARM (embedding=NULL, text-only search), COLD (memoria_historica archive). Hot tier cap: 5000 records. When the cap is exceeded, oldest episodica memories are automatically demoted to WARM. restaurar_historica(id) restores any cold memory back to active.

  • Contradiction Detection (v5.0): save_hipocampo runs _detectar_contradicciones() using negation-probe embeddings to detect factual contradictions with existing memories. When detected: logs a warning and creates a contradicts link — never blocks the save. contradicciones_hipocampo(id) performs on-demand contradiction audits across the memory graph. With the optional TypeSafe integration enabled, one batched Noul call replaces the embedding probe (see Optional: TypeSafe below).

  • File Watcher with Systemd (v5.0): hipocampo_watch.py watches configured directories for file changes and auto-reindexes modified files via index_project. Managed by hipocampo-watch.timer (10-minute interval). MCP tools: list_watch_dirs, add_watch_dir(path, patterns), remove_watch_dir(path), reindex_now(path?).

  • Link Weight Decay (v4.3): Exponential weight decay on memory graph links (half-life 90 days). Links that aren't traversed lose strength over time; links <0.01 are pruned. graph_hipocampo() and path_hipocampo() auto-reinforce traversed links. New decay_hipocampo(dry_run) tool for graph maintenance. Columns: last_accessed, reinforced_at.

  • Preservación de Conocimiento Latente (v4.3): 🧠 4 capas automáticas protegen el conocimiento del oficio: categorización trade_knowledge (nunca se decae), clasificación automática de reusabilidad (high→promoción a semántica), perfiles de decaimiento por dominio (infra 180d, proyecto 90d, temporal 14d), y recordatorio trimestral con review_trade_knowledge(). 266 memorias clasificadas en migración automática.

  • 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 40 tools, exposing seamless read/write capabilities to modern MCP clients (e.g., Claude Desktop, OpenCode).

🔬 Optional: TypeSafe (System One) — Calibrated Semantic Decisions

Bring your own API key. TypeSafe is in early access — if you already have an API key (or get one later), plug it in and Hipocampo upgrades its semantic judgments. Without a key the integration stays dormant and everything keeps working with the local embedding heuristics.

Hipocampo can optionally delegate its semantic judgments (not text generation) to TypeSafe — a System One model that answers typed questions (Choice / Score / Noul) with calibrated probabilities, many questions batched into a single parallel call with sub-second latency.

Why it's powerful:

  • Calibrated, not thresholded: a contradiction comes back as a probability (e.g. 0.96) — your code decides with confidence instead of magic cosine cutoffs.

  • One call, many questions: a whole post-save audit (3 candidates) or an entire dedup group is judged in a single sub-second request — cheaper and faster than 2 embeddings per candidate.

  • Catches what embeddings miss: contradictions between close paraphrases (cosine distance < 0.35, the dedup zone) that the embedding probe cannot see.

  • Safer destructive operations: dedup(merge=True) only merges groups TypeSafe confirms as the same fact.

When enabled (HIPOCAMPO_TYPESAFE=1 + API key), it upgrades every semantic decision point:

Decision

Without TypeSafe

With TypeSafe (typesafe_client.py)

Contradiction detection

Negation-probe embeddings (heuristic, 2 embeddings per candidate)

One Noul per candidate in a single call — calibrated probability; also catches contradictions between close paraphrases (cosine distance < 0.35) that the probe's window excludes

Post-save audit (unified)

Dedup warning, similar auto-links and contradiction probe run separately

One call per save judges contradiction + relation + duplicate + suggested tag for up to 6 neighbors at once

Auto-link typing

Every link above cosine 0.75 becomes similar

Choice per neighbor → similar, follow_up (the new memory updates the old one), or no link

Tag suggestion

Tags only via regex rules

Primary tag chosen from the existing vocabulary → appended to metadatos.tags

Semantic dedup (dedup(merge=True))

Merges every group above the cosine threshold (destructive)

Embeddings propose, TypeSafe confirms (same fact / related / different) — unconfirmed groups are skipped

Post-save dedup warning

Cosine > 0.9 only

TypeSafe confirms "same fact" before warning (fewer false positives)

Profile merge (profile_hipocampo)

Merges profile entries above cosine 0.85

TypeSafe confirms "same fact" before merging

Search re-rank (opt-in)

Fixed hybrid ordering

search_hipocampo(..., rerank="auto") re-orders the top-N only when the lexical top is weak/tied (one extra call); "always" / "never" available

  • Graceful fallback: if TypeSafe is off, fails, or times out (10s default), every path falls back to the local embedding heuristics — saves and searches never block.

  • Config: HIPOCAMPO_TYPESAFE=1 in ~/.hipocampo/.env; key via TYPESAFE_API_KEY or key file (TYPESAFE_KEY_FILE, default ~/.config/typesafe/api_key). See docs/TYPESAFE.md.

  • Measured impact: docs/BENCHMARK-CONTRADICCIONES.md — 27-pair evaluation on a real memory base (methodology, results, caveats).

  • Privacy note: judge calls send the compared memory texts to TypeSafe's API (same trust model as the LLM compression endpoint).


⚡ 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.

🧠 Context-Aware Error Prevention (NEW v4.1) — Proactive, not Reactive

Going beyond reactive learning, Hipocampo v4.1 introduces trigger-based automatic rules that fire before the agent writes a single line of code:

┌─ 1. DETECT CONTEXT ───────────────────────────────┐
│  Agent is about to edit a PHP file in SGV.pro:     │
│  File: analisis_visual.php                         │
│  Library: Chart.js                                 │
│  Language: PHP                                     │
└────────────────────┬───────────────────────────────┘
                     │
┌─ 2. SEARCH TRIGGERS ───▼───────────────────────────┐
│  search_hipocampo("trigger:sgv trigger:chartjs     │
│                     trigger:php trigger:json_encode")│
└────────────────────┬───────────────────────────────┘
                     │
┌─ 3. REACTIVATE RULES ─▼────────────────────────────┐
│  REGLA AUTOMÁTICA FOUND (score 31.0):              │
│  "NUNCA usar variables JS (C.red, C.primary)       │
│   dentro de <?= json_encode() ?> en PHP.            │
│   PHP las evalúa como constantes → Fatal Error."   │
│  Solución: usar literales #ef4444 / #408AEC        │
└────────────────────┬───────────────────────────────┘
                     │
┌─ 4. ACT WITH CONSTRAINT ─▼─────────────────────────┐
│  Agent generates code using color literals instead │
│  of JS variables. Error avoided BEFORE it happens. │
└────────────────────────────────────────────────────┘

How to implement:

# 1. When saving an error, tag it with contextual triggers and elevate to automatica
save_hipocampo(
    content="NUNCA usar variables JS en json_encode() PHP. Usar literales de color.",
    memory_type="decision",
    categories=["trigger:sgv", "trigger:chartjs", "trigger:php", "trigger:json_encode"],
    nivel="automatica"
)

# 2. Before editing code in any project, search matching triggers
search_hipocampo("trigger:<project> trigger:<language> trigger:<tech>")

# 3. Automatic rules surface → agent applies them preventively

This mirrors the biological hippocampus: a partial cue triggers full memory retrieval — the brain doesn't wait for the error to happen before remembering it hurts.

🛡️ Regression Protection — Code Immune System (NEW v4.2)

Sometimes the agent breaks code that was working fine — not repeating an old error, but creating a new one. Hipocampo v4.2 implements a 3-step immune cycle that mirrors how the body generates antibodies:

┌─ 1. SNAPSHOT ──────────────────────────────────┐
│  Before editing header.php, save what works:    │
│  "header.php depends on session_start().         │
│   Verify: open dashboard.php, must load OK."    │
│  Cost: episodica (cheap, auto-compressed)       │
└───────────────────┬─────────────────────────────┘
                    │
┌─ 2. VERIFY ───────▼─────────────────────────────┐
│  After editing, run the snapshot verification:  │
│  - Dashboard loads OK → no cost, snapshot fades │
│  - HTTP 500 on all pages → immune response!     │
└───────────────────┬─────────────────────────────┘
                    │
┌─ 3. IMMUNIZE ─────▼─────────────────────────────┐
│  Save permanent automatica rule:                │
│  "Editing header.php: removed session_start(),  │
│   broke 40+ pages. Fix: restore session_start() │
│   at top of file. NEVER touch this line."       │
│  Cost: automatica (permanent, never compressed) │
└─────────────────────────────────────────────────┘

Fragile file catalog (pre-loaded): header.php, conexion.php, utils.php, auth.php, db_connection.php — these files have cascading dependencies. One wrong edit breaks dozens of pages. Hipocampo ships with fragile file rules so agents know what to handle with care.

Before every edit: search_hipocampo("trigger:regression trigger:<file> trigger:<project>") — learn what other agents broke on this file before you touch it.

⚙️ 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:

Agent

Configuration file

Example

OpenCode

AGENTS.md (project root) or ~/.opencode/AGENTS.md

See example

Claude Code

CLAUDE.md or ~/.claude/CLAUDE.md

Similar approach

Cursor

.cursorrules

Add instructions in plain text

Windsurf

.windsurfrules

Same structure

Cline

CLINE.md

Same structure

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.

🖥️ Display Truncation — OpenCode & Large Results

BIRE search results can be large (especially after increasing the per-result display limit to 8000 characters). OpenCode clients truncate tool output by default at 2000 lines / 51 KB. You'll see ...N bytes truncated... at the bottom when this happens. The full output is saved to a file for later reading, but to avoid truncation entirely, add to your opencode.json or ~/.config/opencode/opencode.jsonc:

{
  "tool_output": {
    "max_lines": 5000,
    "max_bytes": 256000
  }
}

Restart OpenCode for the change to take effect.

📄 Want your agent to use ALL of Hipocampo? Append AGENTS_TEMPLATE.md sections into your AGENTS.md / CLAUDE.md / .cursorrules — safe to share, no credentials.

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

💡 ¡Recomendado! En vez de seguir los pasos manuales, ejecuta el instalador automático:

curl -fsSL https://raw.githubusercontent.com/carrasquelalex1/hipocampo/main/install.sh | bash

El instalador configura PostgreSQL + pgvector, embeddings, base de datos, venv, clientes MCP y el timer de mantenimiento. Ver Auto-Installer v6.0 para más detalles.

Prerequisites

  • SO: Ubuntu 22.04+, Debian 12+, Fedora 39+, Arch Linux, macOS (Homebrew) o Windows vía WSL2

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

  • Python 3.13+

  • Ollama (default, local) — or NVIDIA API Key (for NVIDIA NIM cloud embeddings)

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 EMBED_BASE_URL/EMBED_MODEL (defaults to Ollama local)

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 — Embeddings (1024d) cosine similarity across both tables (Ollama local by default).

  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 (40 tools)

Memory Operations:

  • search_hipocampo(query="", code="", categories=None, nivel="", memory_type="", ids=None, created_after="", created_before="", include_pending=True, rerank="auto", rerank_top_k=8, rerank_budget_ms=800, k=5, offset=0, format="compact", snippet_chars=300, include_scores=False, explain=False): Structured + semantic search. Accepts code:/category:/id:/after: syntax, exact filters, pagination, compact/full/json output and rerank="auto"|"always"|"never". See docs/MCP_SEARCH_FASES_1_3_20261020.md.

  • quick_hipocampo_search(...): Shorthand alias for rapid queries (same arguments).

  • get_hipocampo(id, format="compact"): Deterministic retrieval by 4039, #4039, v4039 or vmi<uuid> without ranking.

  • preload_context(project_path, k=8, rerank=False): 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).

  • save_hipocampo now supports critico=True parameter to protect mission-critical memories from decay and archiving.

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, embedding 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.

Active Forgetting & Tiering (v5.0):

  • decay_hipocampo(dry_run=True): Extended to archive old episodica memories to memoria_historica (cold storage). Protected: automatica, semantica, critico. Dry run shows what would be archived.

  • hipocampo_budget(dry_run=True): Shows memory distribution across HOT/WARM/COLD tiers. Hot cap: 5000. When exceeded, oldest episodica are auto-demoted.

  • restaurar_historica(id): Restore a cold memory from memoria_historica back to active memoria_vectorial.

  • contradicciones_hipocampo(id=None): On-demand contradiction audit. With ID: checks one memory. Without: scans all memories for contradictions.

Trade Knowledge Preservation (v4.3):

  • review_trade_knowledge(dry_run=True): Lists infrastructure memories approaching their decay limit (>150 days). Use to manually reinforce trade knowledge before it auto-decays.

  • list_trade_knowledge(): Lists all memories tagged as trade_knowledge=true with their reusability and domain profile.

File Watcher (v5.0):

  • list_watch_dirs(): List all directories being watched for auto-reindexing.

  • add_watch_dir(path, patterns=["*.php","*.py","*.js"]): Add a directory to the watch list.

  • remove_watch_dir(path): Remove a directory from the watch list.

  • reindex_now(path=None): Trigger immediate reindex of watched files (or all if no path given).

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 6.0.0)
└── 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, embedding 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 DB_HOST or embedding config → server started without errors, failed with cryptic fe_sendauth / 401 on the first query

  • Any client could hammer the embedding API 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 embedding 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 embedding 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 the embedding 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 embedding API errors degrade gracefully. Config loading is deterministic and secure. Vector operations work reliably. Tests follow the official MCP protocol.


🧹 Automatic Maintenance (v5.1)

Unattended consolidation, decay, and pruning — the memory system now cleans itself. Three complementary mechanisms:

1. Async Background Scheduler (server-side)

The MCP server can run a maintenance loop every 24h (configurable). Off by default — activate with an environment variable:

HIPOCAMPO_AUTO_MAINTENANCE=true   # activates the scheduler on next restart

Env var

Default

Purpose

HIPOCAMPO_AUTO_MAINTENANCE

false

Enables the scheduler in the HTTP lifespan

HIPOCAMPO_AUTO_MAINT_INTERVAL_S

86400

Seconds between maintenance cycles

HIPOCAMPO_MAINT_MIN_AGE_DAYS

7

Min age to consolidate episódica → semántica

HIPOCAMPO_MAINT_DECAY_MIN_AGE_DAYS

60

Min age to archive unaccessed episódica (active forgetting)

Each cycle runs: consolidation (episodic → semantic promotion), decay (link weight half-life 90d + active forgetting of unaccessed episodic memories), dedup merge, and access-log purge (>30d). All protections intact: automatica, semantica, critico, and linked memories are never archived.

2. Save-Triggered Micro-Maintenance

Every 50 saves (configurable via HIPOCAMPO_SAVE_TRIGGER_EVERY, 0 disables), a background thread runs a lighter cycle: consolidation + decay + purge — no dedup merge (irreversible). The system cleans itself in proportion to how much it's used, no external services required.

3. CLI + systemd Timer with Persistent=true (recommended for desktops)

For machines that power off at night, cron loses scheduled runs. A user-level systemd timer with Persistent=true catches up on the missed run as soon as the PC boots:

# Dry-run first (read-only simulation — always do this)
python3 scripts/run_maintenance.py

# Apply real changes
python3 scripts/run_maintenance.py --apply --min-age 7 --decay-min-age 60

Install the weekly timer (Sunday 03:00, catch-up on boot):

mkdir -p ~/.config/systemd/user
cp scripts/hipocampo-maintenance.service scripts/hipocampo-maintenance.timer ~/.config/systemd/user/
# Edit the .service file: set the correct python path and repo path
systemctl --user daemon-reload
systemctl --user enable --now hipocampo-maintenance.timer
systemctl --user list-timers hipocampo-maintenance.timer   # verify next run

The CLI reuses _run_maintenance_cycle() from the MCP server — the exact same code path as the internal scheduler, zero logic duplication.

4. Embedding Self-Healing (md5 signature + sweeper)

Every embedding write (save/update background jobs, sweeper, backfills) also stores a sync signature — metadatos.embedding_src_md5, the MD5 of the exact truncated text it was generated from. Background jobs retry with backoff (5s/30s/120s). A periodic sweeper repairs any row that is behind: embedding IS NULL (unless intentionally WARM) or a signature mismatch — power cuts, network outages, crashes, or direct SQL edits included, because the pending state lives in PostgreSQL, not in process memory.

python3 scripts/hipocampo_embed_sweeper.py --dry-run      # list pending rows (read-only)
python3 scripts/hipocampo_embed_sweeper.py --max-rows 20  # repair, paced to spare local Ollama

# One-time on an existing database (assumes current embeddings match content):
python3 scripts/hipocampo_embed_sweeper.py --marcar-al-dia

Run by the hipocampo-embed-sweeper.timer user unit every 15 min (OnBootSec=3min catches up after a power-off). hipocampo_health() reports embeddings_pendientes (0 = everything in sync). Rows intentionally downgraded to WARM by hipocampo_budget (flagged warm_since) are respected, not re-embedded.

5. Source Layer (autoría, huella de lectura, repetición)

Retrieval now tells the agent where a memory came from and whether it has been read before — the distinction between re-encontrar (own episodic memory), reconocer (already retrieved this conversation) and consultar (reference lookup). Every search result carries one advisory line:

🔖 fuente: lo escribí yo (agente) (2026-10-17) | ↻ ya traído hace 40s (2 lecturas) | episodio

Three signals, all advisory:

  • Autoría — metadatos.autor: agente (written by an agent session, the save_hipocampo default), usuario (dictated by the human — the web UI stamps this) or catalogo (bulk-indexed documents). Rows saved before the layer read sin procedencia registrada (pre-capa).

  • Huella de lectura — every search records the physical rows it returned in memory_access (source='search_bire', top-10, ids normalized to the row: v<N> / vmi<uid>, so aliases like t55/l55/tv55 all count as the same memory). The annotation read happens before the current read is recorded, so "ya traído hace Ns" always points to a previous retrieval — a fresh timestamp means the same memory surfaced twice in this conversation.

  • Madurez — nivel: episodio / consolidado [×N] / regla permanente, straight from the existing memory hierarchy.

Bonus fix shipped with this: _record_access_batch never actually persisted before (its INSERT ran in an un-committed transaction), and fatigue/decay previously ignored aliased ids — both work now.

Env var

Default

Purpose

SWEEP_MAX_ROWS

8

Rows repaired per run (gentle on local Ollama)

SWEEP_MAX_SECONDS

600

Wall-clock cap per run

SWEEP_PAUSE_S

2

Pause between repaired rows

SWEEP_EMBED_TIMEOUT_S

900

Patient per-embedding timeout

Bug fixes in this release

  • decay_hipocampo never ran: the memory-level query mixed timestamptz and text in a COALESCE (COALESCE(max(accessed_at), metadatos->>'date')) → PostgreSQL error types timestamp with time zone and text cannot be matched. Fixed by casting (NULLIF(metadatos->>'date',''))::timestamptz. Same bug fixed in hipocampo_budget.

  • min_age_days was ignored: decay_hipocampo(dry_run=False, min_age_days=30) accepted the parameter but Part 2 (active forgetting) had no age filter in SQL — it would archive episodic memories of any age. Now the age threshold is parameterized in the query.


☕ Support / Donaciones

If this project helps you, consider supporting its development:

PayPal GitHub Sponsors

  • 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 embedding 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 103 unit tests covering all core logic and MCP integration:

Test file

What it covers

tests/test_search.py

Query expansion (stem map + synonyms), score fusion with dynamic alpha, temporal decay (5%/week), result formatting

tests/test_autotag.py

All 17 tag rules, 16 category rules, memory_type auto-detection

tests/test_dedup.py

Cosine similarity (including 1024-dim vectors), exact and semantic duplicate detection logic

tests/test_checkpoint.py

Age scale classification, project grouping, summary generation

tests/test_mcp_integration.py

6 schema tests (tool registration, annotations, params, async signature) + 3 live integration tests (stdio server, mcp[client] SDK)

tests/test_rate_limit.py

Sliding-window rate limiter: acquire/release, prune, stats, default limiters

tests/test_db.py

Config validation: missing DB_HOST, embedding API config, comprehensive coverage

# 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

Hipocampo

Glama hipocampo MCP server MCP Server

⚠️ 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.

⚡ Instalación Zero-Touch — Auto-Installer v6.0

Una sola línea. La terminal hace todo: PostgreSQL + pgvector, embeddings, base de datos, venv, clientes MCP, servicio systemd con timer de mantenimiento automático.

🪟 ¿Usas Windows?

install.sh es un script de Linux/macOS. En Windows necesitas WSL2 (Windows Subsystem for Linux):

wsl --install

Abre la terminal de WSL (Ubuntu), actualiza los paquetes y vuelve a ejecutar el instalador:

sudo apt update && sudo apt install -y python3-venv python3-pip build-essential
curl -fsSL https://raw.githubusercontent.com/carrasquelalex1/hipocampo/main/install.sh | bash

⚠️ En Windows puro (CMD/PowerShell) el instalador NO funciona. Sin WSL2 verás errores como Package 'python3-venv' has no installation candidate o apt: command not found.

🚀 Instalar en 10 segundos

curl -fsSL https://raw.githubusercontent.com/carrasquelalex1/hipocampo/main/install.sh | bash

Máquinas sin interacción (VPS, contenedores):

curl -fsSL https://raw.githubusercontent.com/carrasquelalex1/hipocampo/main/install.sh | bash -s -- --unattended

🔄 Las 8 fases automáticas

Fase

Qué instala

🕐

①

Diagnóstico: OS, gestor de paquetes, RAM, disco

~2s

②

PostgreSQL 17 + pgvector (apt · dnf · pacman · brew)

~15s

③

Base de datos + esquema: 10 tablas, HNSW + GIN, ownership

~3s

④

Embeddings: Ollama local (qwen3-embedding:0.6b) o API externa

~60s

⑤

Python .venv + pip + archivo .env

~10s

⑥

Clientes MCP: OpenCode · Claude · Gemini/Antigravity · Cursor · VS Code · Windsurf

~2s

⑦

Servicio systemd + timer semanal de mantenimiento automático

~1s

⑧

Autodiagnóstico: health · save · search · cleanup

~3s

🛡️ Características del instalador

✅ Idempotente

Vuelve a ejecutarlo sin miedo — repara ownership, actualiza repo y configs

✅ 6 clientes MCP

OpenCode, Claude, Gemini/Antigravity, Cursor, VS Code, Windsurf

✅ Mantenimiento automático

Timer semanal (domingo 03:00) con Persistent=true — catch-up si la PC estaba apagada

✅ Sin root

Todo en ~/.local/share/hipocampo

✅ Opciones

--unattended, --embed-api, --install-dir, --db-user, --no-clients, --no-timer, --no-ollama

✅ Desinstalación limpia

bash uninstall.sh — para servicios, BD opcional, clientes, archivos

✅ Compilación desde fuente

Fallback si el paquete pgvector no está en el repositorio


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 endpoint de embeddings configurado (Ollama local o NVIDIA NIM). 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 locales (1024d, Ollama qwen3-embedding:0.6b por defecto), 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 endpoint de embeddings configurado) 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 con Prevención por Disparadores (v4.1): 🧠🧠 Tres niveles (episódica → semántica → automática) inspirado en consolidación mnémica humana. NOVEDAD: Etiqueta recuerdos con disparadores contextuales (trigger:php, trigger:chartjs, trigger:tomcat) — cuando el agente comienza a trabajar en ese contexto, busca reglas automatica coincidentes y reactiva errores pasados antes de cometer el mismo error. Esto replica el hipocampo biológico: una pista parcial (proyecto + lenguaje) dispara la recuperación completa del error y su solución. Las reglas automáticas son permanentes — nunca se comprimen, nunca se eliminan. Tools: set_nivel_hipocampo(id, nivel) + consolidate_hipocampo.

  • Sistema Inmunológico de Código — Protección contra Regresiones (v4.2): 🛡️ Evita que los agentes rompan código que funcionaba. Ciclo de 3 pasos: (1) Snapshot del estado funcional antes de editar, (2) Verificar después de editar, (3) Si algo se rompió → crear regla automatica permanente que capture la causa exacta, el síntoma y la solución. Usa economía inmune: los snapshots pre-cambio son episodica baratos (se autocomprimen si no hubo daño), las reglas post-rotura son automatica permanentes. Precargado con catálogo de archivos frágiles — header.php, conexion.php, utils.php, auth.php, etc. El agente busca trigger:regresion trigger:<archivo> antes de cada edición para aprender lo que otros agentes rompieron antes.

  • 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.

  • Diversidad MMR Anti-Cluster (v4.3): Reordenamiento post-fusión con Maximum Marginal Relevance para evitar que clusters densos monopolden los resultados. Selecciona iterativamente resultados balanceando relevancia con diversidad: diversity_lambda × relevancia - (1-diversity_lambda) × max_similitud_a_seleccionados. Configurable en hipocampo_hybrid_config.json.

  • Olvido Activo con Tiers de Archivo (v5.0): decay_hipocampo ahora archiva memorias episodica antiguas en memoria_historica (almacenamiento frío) al superar umbrales de edad. Niveles protegidos: automatica, semantica, critico — nunca se archivan. Nuevo parámetro critico en save_hipocampo para memorias críticas. restaurar_historica(id) restaura memorias frías al tier activo.

  • Boost de Fatiga de Memoria (v5.0): Nueva tabla memory_access rastrea frecuencia de acceso por registro. BIRE aplica un boost de fatiga: boost = min(15, 5·log1p(accesos_7d))·e^(-edad_horas/168). Las memorias accedidas con frecuencia en una ventana de 7 días suben naturalmente en el ranking — imitando cómo el cerebro fortalece vías neuronales mediante la recuperación repetida.

  • Presupuesto de Memoria y Tiering (v5.0): hipocampo_budget(dry_run) gestiona tres tiers — HOT (embedding presente, búsqueda semántica completa), WARM (embedding=NULL, búsqueda solo por texto), COLD (memoria_historica archivo). Cap del tier hot: 5000 registros. restaurar_historica(id) restaura memorias frías al tier activo.

  • Detección de Contradicciones (v5.0): save_hipocampo ejecuta _detectar_contradicciones() usando embeddings de sonda de negación para detectar contradicciones factuales. Cuando detecta: registra warning y crea enlace contradicts — nunca bloquea el guardado. contradicciones_hipocampo(id) realiza auditorías de contradicción bajo demanda. Con la integración opcional TypeSafe activa, una sola llamada Noul por lote reemplaza la sonda de embeddings (ver Opcional: TypeSafe abajo).

  • Watcher de Archivos con Systemd (v5.0): hipocampo_watch.py monitorea directorios configurados y auto-reindexa archivos modificados via index_project. Gestionado por hipocampo-watch.timer (intervalo 10 minutos). Tools MCP: list_watch_dirs, add_watch_dir(path, patterns), remove_watch_dir(path), reindex_now(path?).

  • Decaimiento de Pesos en Enlaces (v4.3): Decaimiento exponencial en enlaces del grafo con half-life de 90 días. Los enlaces no recorridos pierden fuerza; enlaces <0.01 se podan. graph_hipocampo() y path_hipocampo() refuerzan automáticamente los enlaces atravesados. Nueva tool decay_hipocampo(dry_run) para mantenimiento del grafo. Columnas: last_accessed, reinforced_at.

  • 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 40 herramientas, otorgando capacidades directas de lectura/escritura y mantenimiento a clientes MCP como Claude Desktop y OpenCode.

🔬 Opcional: TypeSafe (System One) — Decisiones Semánticas Calibradas

Trae tu propia API key. TypeSafe está en acceso anticipado — si ya tienes una API key (o la consigues después), conéctala y Hipocampo mejora sus juicios semánticos. Sin key, la integración queda dormida y todo sigue funcionando con las heurísticas locales de embeddings.

Hipocampo puede delegar opcionalmente sus juicios semánticos (no la generación de texto) a TypeSafe — un modelo System One que responde preguntas tipadas (Choice / Score / Noul) con probabilidades calibradas, muchas preguntas agrupadas en una sola llamada paralela con latencia sub-segundo.

Por qué es potente:

  • Calibrado, no umbralado: una contradicción vuelve como probabilidad (ej. 0.96) — tu código decide con confidence en vez de cortes coseno mágicos.

  • Una llamada, muchas preguntas: toda una auditoría post-save (3 candidatos) o un grupo de dedup completo se juzga en una sola petición sub-segundo — más barato y rápido que 2 embeddings por candidato.

  • Detecta lo que los embeddings no ven: contradicciones entre paráfrasis casi idénticas (distancia coseno < 0.35, zona de dedup) que la sonda de embeddings no puede separar.

  • Operaciones destructivas más seguras: dedup(merge=True) solo fusiona grupos que TypeSafe confirma como el mismo hecho.

Al activarlo (HIPOCAMPO_TYPESAFE=1 + key), mejora todos los puntos de decisión semántica:

Decisión

Sin TypeSafe

Con TypeSafe (typesafe_client.py)

Detección de contradicciones

Sonda de negación con embeddings (heurística, 2 embeddings por candidato)

Un Noul por candidato en una sola llamada — probabilidad calibrada; además detecta contradicciones entre paráfrasis casi idénticas (distancia coseno < 0.35) que la ventana de la sonda excluye

Auditoría post-save (unificada)

Aviso de dedup, auto-enlaces similar y sonda de contradicciones por separado

Una llamada por save juzga contradicción + relación + duplicado + tag sugerido para hasta 6 vecinos a la vez

Tipo de auto-enlace

Todo enlace sobre coseno 0.75 se vuelve similar

Choice por vecino → similar, follow_up (la nueva actualiza a la vieja) o sin enlace

Sugerencia de tag

Tags solo por reglas regex

Tag principal elegido del vocabulario existente → se agrega a metadatos.tags

Dedup semántico (dedup(merge=True))

Fusiona todo grupo sobre el umbral coseno (destructivo)

El embedding propone, TypeSafe confirma (mismo hecho / relacionado / distinto) — los grupos no confirmados se omiten

Aviso de duplicado post-save

Solo cosine > 0.9

TypeSafe confirma "mismo hecho" antes de avisar (menos falsos positivos)

Merge de perfiles (profile_hipocampo)

Fusiona perfiles sobre coseno 0.85

TypeSafe confirma "mismo hecho" antes de fusionar

Re-rank de búsqueda (opcional)

Orden híbrido fijo

search_hipocampo(..., rerank="auto") re-ordena el top-N solo si el top léxico es débil/empatado (una llamada extra); también "always" / "never"

  • Fallback garantizado: si TypeSafe está apagado, falla o excede el timeout (10s por defecto), todas las rutas caen a las heurísticas locales — guardados y búsquedas nunca se bloquean.

  • Config: HIPOCAMPO_TYPESAFE=1 en ~/.hipocampo/.env; key vía TYPESAFE_API_KEY o archivo (TYPESAFE_KEY_FILE, default ~/.config/typesafe/api_key). Ver docs/TYPESAFE.md.

  • Impacto medido: docs/BENCHMARK-CONTRADICCIONES.md — evaluación de 27 pares sobre una base real (metodología, resultados y salvedades).

  • Privacidad: las llamadas de juicio envían los textos comparados a la API de TypeSafe (mismo modelo de confianza que el endpoint de compresión LLM).


⚡ ¿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.

🧠 Prevención de Errores por Disparadores Contextuales (NUEVO v4.1) — Proactivo, no Reactivo

Más allá del aprendizaje reactivo, Hipocampo v4.1 introduce reglas automáticas con disparadores que se activan antes de que el agente escriba una sola línea de código:

┌─ 1. DETECTAR CONTEXTO ───────────────────────────┐
│  El agente va a editar un archivo PHP en SGV.pro: │
│  Archivo: analisis_visual.php                     │
│  Librería: Chart.js                               │
│  Lenguaje: PHP                                    │
└───────────────────┬───────────────────────────────┘
                    │
┌─ 2. BUSCAR DISPARADORES ──▼───────────────────────┐
│  search_hipocampo("trigger:sgv trigger:chartjs    │
│                    trigger:php trigger:json_encode")│
└───────────────────┬───────────────────────────────┘
                    │
┌─ 3. REACTIVAR REGLAS ─▼───────────────────────────┐
│  REGLA AUTOMÁTICA ENCONTRADA (score 31.0):        │
│  "NUNCA usar variables JS (C.red, C.primary)      │
│   dentro de <?= json_encode() ?> en PHP.           │
│   PHP las evalúa como constantes → Fatal Error."  │
│  Solución: usar literales #ef4444 / #408AEC       │
└───────────────────┬───────────────────────────────┘
                    │
┌─ 4. ACTUAR CON RESTRICCIÓN ─▼─────────────────────┐
│  El agente genera código usando literales de      │
│  color. Error EVITADO antes de que ocurra.        │
└───────────────────────────────────────────────────┘

Cómo implementarlo:

# 1. Al guardar un error, etiquetarlo con triggers contextuales y elevar a automatica
save_hipocampo(
    content="NUNCA usar variables JS en json_encode() PHP. Usar literales de color.",
    memory_type="decision",
    categories=["trigger:sgv", "trigger:chartjs", "trigger:php", "trigger:json_encode"],
    nivel="automatica"
)

# 2. Antes de editar código en cualquier proyecto, buscar disparadores coincidentes
search_hipocampo("trigger:<proyecto> trigger:<lenguaje> trigger:<tecnologia>")

# 3. Las reglas automáticas aparecen → el agente las aplica preventivamente

Esto replica el hipocampo biológico: una pista parcial dispara la recuperación completa de la memoria — el cerebro no espera a que ocurra el error para recordar que duele.

🛡️ Protección contra Regresiones — Sistema Inmunológico (NUEVO v4.2)

A veces el agente rompe código que funcionaba bien — no repite un error viejo, crea uno nuevo. Hipocampo v4.2 implementa un ciclo inmune de 3 pasos que replica cómo el cuerpo genera anticuerpos:

┌─ 1. SNAPSHOT ──────────────────────────────────┐
│  Antes de editar header.php, guardar qué sirve: │
│  "header.php depende de session_start().         │
│   Verificar: abrir dashboard.php, debe cargar." │
│  Costo: episodica (barato, se autocomprime)     │
└───────────────────┬─────────────────────────────┘
                    │
┌─ 2. VERIFICAR ────▼─────────────────────────────┐
│  Después de editar, verificar el snapshot:      │
│  - Dashboard carga OK → sin costo, se desvanece │
│  - HTTP 500 en todas las páginas → ¡respuesta!  │
└───────────────────┬─────────────────────────────┘
                    │
┌─ 3. INMUNIZAR ────▼─────────────────────────────┐
│  Guardar regla automatica permanente:           │
│  "Editar header.php: quité session_start(),     │
│   rompió 40+ páginas. Solución: restaurar        │
│   session_start() al inicio. NUNCA tocar esto." │
│  Costo: automatica (permanente, inmutable)      │
└─────────────────────────────────────────────────┘

Catálogo de archivos frágiles (precargado): header.php, conexion.php, utils.php, auth.php, db_connection.php — estos archivos tienen dependencias en cascada. Una sola edición incorrecta rompe decenas de páginas. Hipocampo incluye reglas de fragilidad para que los agentes sepan qué manejar con cuidado.

Antes de cada edición: search_hipocampo("trigger:regresion trigger:<archivo> trigger:<proyecto>") — aprende lo que otros agentes rompieron en este archivo antes de tocarlo.

⚙️ Cómo configurar tu agente

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

Agente

Archivo de configuración

OpenCode

AGENTS.md (raíz del proyecto) o ~/.opencode/AGENTS.md

Claude Code

CLAUDE.md o ~/.claude/CLAUDE.md

Cursor

.cursorrules

Windsurf

.windsurfrules

Cline

CLINE.md

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.

📄 ¿Quieres que tu agente use TODO Hipocampo? Agrega las secciones de AGENTS_TEMPLATE.md a tu AGENTS.md / CLAUDE.md / .cursorrules — seguro de compartir, sin credenciales.

🖥️ Truncamiento de Display — OpenCode y Resultados Grandes

Los resultados de búsqueda BIRE pueden ser extensos (especialmente con el límite aumentado a 8000 caracteres). OpenCode trunca la salida de herramientas por defecto a 2000 líneas / 51 KB. Verás ...N bytes truncados... al final cuando ocurra. La salida completa se guarda en un archivo para lectura posterior, pero para evitar el truncamiento, agrega a tu opencode.json o ~/.config/opencode/opencode.jsonc:

{
  "tool_output": {
    "max_lines": 5000,
    "max_bytes": 256000
  }
}

Reinicia OpenCode para que el cambio surta efecto.

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

Soporte de SO: Ubuntu 22.04+, Debian 12+, Fedora 39+, Arch Linux, macOS (Homebrew) o Windows vía WSL2.

# 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, y EMBED_BASE_URL/EMBED_MODEL (por defecto Ollama local)

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 (40 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 de embeddings, 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.

Olvido Activo y Tiering (v5.0):

  • decay_hipocampo(seco=True): Archiva memorias episodica antiguas a memoria_historica (almacenamiento frío). Protegidos: automatica, semantica, critico. Modo seco muestra qué se archivaría.

  • hipocampo_budget(seco=True): Muestra distribución de memorias en tiers HOT/WARM/COLD. Cap del tier hot: 5000.

  • restaurar_historica(id): Restaura una memoria fría del archivo al tier activo.

  • contradicciones_hipocampo(id=None): Auditoría de contradicciones bajo demanda. Con ID: verifica una memoria. Sin ID: escanea todas.

Watcher de Archivos (v5.0):

  • list_watch_dirs(): Lista los directorios monitoreados para auto-reindexación.

  • add_watch_dir(path, patterns=["*.php","*.py","*.js"]): Agrega un directorio al watch list.

  • remove_watch_dir(path): Elimina un directorio del watch list.

  • reindex_now(path=None): Dispara reindexación inmediata de archivos modificados (o todos si no se da path).

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 (v6.0.0)
└── 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 de embeddings) 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 embeddings 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 de embeddings), 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 embeddings — 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 embeddings devolvía errores HTTP transitorios (403, 429, timeout), las operaciones de compresión fallaban 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 la API de embeddings degradan gracefulmente. Carga de configuración determinista y segura. Operaciones vectoriales confiables. Tests siguen el protocolo MCP oficial.


🧹 Mantenimiento Automático (v5.1)

Consolidación, decaimiento y poda desatendidos — el sistema de memoria ahora se limpia solo. Tres mecanismos complementarios:

1. Scheduler en Segundo Plano (server)

El servidor MCP puede ejecutar un ciclo de mantenimiento cada 24h (configurable). Desactivado por defecto — se activa con una variable de entorno:

HIPOCAMPO_AUTO_MAINTENANCE=true   # activa el scheduler al reiniciar

Variable

Default

Función

HIPOCAMPO_AUTO_MAINTENANCE

false

Activa el scheduler en el lifespan HTTP

HIPOCAMPO_AUTO_MAINT_INTERVAL_S

86400

Segundos entre ciclos de mantenimiento

HIPOCAMPO_MAINT_MIN_AGE_DAYS

7

Edad mínima para consolidar episódica → semántica

HIPOCAMPO_MAINT_DECAY_MIN_AGE_DAYS

60

Edad mínima para archivar episódicas sin acceso (olvido activo)

Cada ciclo ejecuta: consolidación (episódica → semántica), decay (half-life 90d en enlaces + olvido activo de episódicas sin acceso), dedup merge y purga de access logs (>30d). Todas las protecciones intactas: automatica, semantica, critico y memorias enlazadas nunca se archivan.

2. Micro-Mantenimiento por Conteo de Saves

Cada 50 saves (configurable con HIPOCAMPO_SAVE_TRIGGER_EVERY, 0 desactiva), un hilo en background ejecuta un ciclo liviano: consolidación + decay + purga — sin dedup merge (irreversible). El sistema se limpia solo en proporción a cuánto se usa, sin servicios externos.

3. CLI + Timer de Systemd con Persistent=true (recomendado para PCs de escritorio)

Para máquinas que se apagan de noche, cron pierde las ejecuciones programadas. Un timer systemd de usuario con Persistent=true recupera la tarea perdida apenas enciende la PC:

# Primero dry-run (simulación de solo lectura — hacer siempre)
python3 scripts/run_maintenance.py

# Aplicar cambios reales
python3 scripts/run_maintenance.py --apply --min-age 7 --decay-min-age 60

Instalar el timer semanal (domingo 03:00, catch-up al encender):

mkdir -p ~/.config/systemd/user
cp scripts/hipocampo-maintenance.service scripts/hipocampo-maintenance.timer ~/.config/systemd/user/
# Editar el .service: setear la ruta de python y del repo correctas
systemctl --user daemon-reload
systemctl --user enable --now hipocampo-maintenance.timer
systemctl --user list-timers hipocampo-maintenance.timer   # verificar próxima ejecución

El CLI reutiliza _run_maintenance_cycle() del servidor MCP — exactamente el mismo código que el scheduler interno, cero duplicación de lógica.

4. Auto-reparación de Embeddings (firma md5 + barredor)

Cada escritura de embedding (jobs de fondo de save/update, barredor, backfills) guarda también una firma de sincronía — metadatos.embedding_src_md5, el MD5 del texto exacto truncado del que se generó. Los jobs de fondo reintentan con espera creciente (5s/30s/120s). Un barredor periódico repara cualquier fila atrasada: embedding IS NULL (salvo WARM intencional) o firma desincronizada — incluye apagones, cortes de red, crashes y ediciones directas por SQL, porque el estado «pendiente» vive en PostgreSQL, no en la memoria de un proceso.

python3 scripts/hipocampo_embed_sweeper.py --dry-run      # listar pendientes (solo lectura)
python3 scripts/hipocampo_embed_sweeper.py --max-rows 20  # reparar, dosificada para no ahogar el Ollama local

# Una única vez sobre una BD existente (asume embeddings actuales coincidentes):
python3 scripts/hipocampo_embed_sweeper.py --marcar-al-dia

Lo ejecuta la unidad de usuario hipocampo-embed-sweeper.timer cada 15 min (OnBootSec=3min alcanza el choque tras un apagón). hipocampo_health() reporta embeddings_pendientes (0 = todo en sincornía). Las filas degradadas a WARM por hipocampo_budget (con warm_since) se respetan, no se re-embebeen.

5. Capa de Fuente (autoría, huella de lectura, repetición)

La recuperación ahora le dice al agente de dónde viene un recuerdo y si ya lo había leído antes — la distinción entre reencontrar (memoria epíódica propia), reconocer (ya recuperado en esta conversación) y consultar (búsqueda de referencia). Cada resultado trae una línea advisory:

🔖 fuente: lo escribí yo (agente) (2026-10-17) | ↻ ya traído hace 40s (2 lecturas) | episodio

Tres señales, todas advisory:

  • Autoría — metadatos.autor: agente (escrito por una sesión de agente; default del save_hipocampo, que acepta el parámetro autor), usuario (dictado por el humano — la interfaz web lo estampa) o catalogo (documentos indexados en bloque). Los recuerdos guardados antes de la capa leen sin procedencia registrada (pre-capa).

  • Huella de lectura — cada búsqueda registra las filas físicas que devolvió en memory_access (source='search_bire', top-10, ids normalizados a la fila: v<N> / vmi<uid>, de modo que alias como t55/l55/tv55 cuentan como la misma memoria). La lectura anotada ocurre antes de registrar la lectura en curso: «ya traído hace Ns» siempre señala una recuperación anterior — frescura = el mismo recuerdo volvió a aparecer en esta conversación.

  • Madurez — nivel: episodio / consolidado [×N] / regla permanente, directo de la jerárquia de memoria existente.

Bonus arreglado en el mismo commit: _record_access_batch nunca persistió (su INSERT corría en una transacción sin commit) y fatiga/decay ignoraban ids con alias — ambos funcionan ya.

Bugs corregidos en esta versión

  • decay_hipocampo nunca había corrido: la query de nivel memoria mezclaba timestamptz y text en un COALESCE (COALESCE(max(accessed_at), metadatos->>'date')) → error de PostgreSQL types timestamp with time zone and text cannot be matched. Corregido casteando (NULLIF(metadatos->>'date',''))::timestamptz. Mismo bug corregido en hipocampo_budget.

  • min_age_days era ignorado: decay_hipocampo(dry_run=False, min_age_days=30) aceptaba el parámetro pero la Parte 2 (olvido activo) no tenía filtro de edad en el SQL — habría archivado episódicas de cualquier edad. Ahora el umbral de edad está parametrizado en la query.


⚡ 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 embeddings, 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 103 tests unitarios cubriendo toda la lógica central e integración MCP:

Archivo

Qué cubre

tests/test_search.py

Expansión de consulta (stem map + sinónimos), fusión de scores con alpha dinámico, decaimiento temporal (5%/semana), formateo de resultados

tests/test_autotag.py

Las 17 reglas de tags, 16 reglas de categoría, detección automática de memory_type

tests/test_dedup.py

Similitud coseno (vectores de 1024 dim), lógica de detección de duplicados exactos y semánticos

tests/test_checkpoint.py

Clasificación por escalas de edad, agrupación por proyecto, generación de resúmenes

tests/test_mcp_integration.py

6 tests de schema (registro de tools, anotaciones, parámetros, firma async) + 3 tests de integración en vivo (servidor stdio, mcp[client] SDK)

tests/test_rate_limit.py

Rate limiter sliding-window: acquire/release, prune, stats, limiters por defecto

tests/test_db.py

Validación de config: DB_HOST faltante, config de API de embeddings, cobertura completa

# 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

Available Tools

37 tools
add_watch_dirA

Agrega un directorio al watch list para auto-reindexación.

Inputs: path (required). Returns: result

compress_hipocampoA

Compress retrieved memories using a hybrid approach (extractive + LLM).

First searches Hipocampo (SSC v1.0), then compresses the top-k results:

  • method="extractive": sentence-level keyword relevance (fast, no API cost)

  • method="llm": summarization via NVIDIA NIM (highest quality, API cost)

  • method="hybrid" (default): uses LLM for technical/code content, extractive for generic text

Use this tool BEFORE sending context to another LLM to reduce prompt size while preserving critical information.

Args: query: Natural language search query. k: Number of memories to retrieve (default 5, max 20). method: Compression method: "hybrid" (default), "extractive", or "llm". target_token: Target token count (-1 = auto, based on content). include_metadata: Include per-memory details in output. budget_ratio: Scale factor for auto-estimated tokens (default 1.0).

Returns: Compressed context as plain text with compression statistics. Includes: compressed text, original/compressed char counts, ratio, latency.

Inputs: query (required), k, method, budget_ratio, +2 more. Returns: result

consolidate_hipocampoA

Consolidación jerárquica: migra memorias episódicas antiguas a semánticas.

Busca recuerdos con nivel 'episodica' más antiguos que min_age_days y los promueve a 'semantica', opcionalmente comprimiendo su contenido.

Args: min_age_days: Edad mínima en días para consolidar (default 7). dry_run: Si True, solo muestra qué se consolidaría.

Returns: Reporte de la consolidación.

Inputs: dry_run, min_age_days. Returns: result

contradicciones_hipocampoA

Detecta contradicciones semánticas de una memoria existente.

Usa negation-probe embedding: embedea "AFIRMACIÓN: {contenido} — ¿Esto es FALSO según: ..." y compara con el embedding original. Si la distancia de la sonda de negación es MENOR que la del contenido original → señal de contradicción.

Args: memory_id: ID numérico de la memoria en memoria_vectorial.

Inputs: memory_id (required). Returns: result

decay_hipocampoA

Aplica decaimiento temporal a enlaces del grafo Y memorias antiguas.

ENLACES: peso exponencial, half-life 90 días. Elimina enlaces < 0.01. MEMORIAS: archiva episodica sin acceso ni protección a memoria_historica.

Protecciones (nunca se archivan):

  • nivel = automatica o semantica

  • metadatos.critico = true

  • con enlaces entrantes en memory_links

Args: dry_run: True (default) = solo lectura. False = ejecuta cambios. min_age_days: Edad mínima en días para considerar memoria candidata.

Returns: Reporte del decaimiento aplicado.

Inputs: dry_run, min_age_days. Returns: result

delete_hipocampoA

Elimina un recuerdo del Hipocampo (memoria_vectorial) por su ID.

Esta operación es irreversible. Una vez eliminado, el recuerdo no podrá recuperarse ni aparecerá en búsquedas futuras.

Args: id: ID numérico del recuerdo a eliminar.

Returns: Confirmación de eliminación.

Inputs: id (required). Returns: result

graph_hipocampoB

Explora el grafo de memoria desde un nodo raíz.

Args: node_id: ID del recuerdo raíz. Si es 0, lista todos los nodos con enlaces (vista general). depth: Profundidad de exploración (default 2, max 5). max_nodes: Máximo de nodos a mostrar (default 50).

Returns: Árbol ASCII del grafo de memoria.

Inputs: depth, node_id, max_nodes. Returns: result

hipocampo_auto_repairA

Intenta reparar automáticamente problemas detectados en el sistema.

Reparaciones posibles:

  • Reiniciar PostgreSQL si está caído

  • Crear tablas faltantes desde esquema.sql

  • Verificar/configurar NVIDIA_API_KEY

Returns: Reporte de reparaciones ejecutadas.

Inputs: no named parameters. Returns: result

hipocampo_budgetA

Gestiona el presupuesto de memoria (budget + tiering automático).

3 tiers:

  • HOT: embedding presente (memoria_vectorial con pgvector)

  • WARM: embedding=NULL (excluido de HNSW, sigue buscable léxicamente)

  • COLD: contenido movido a memoria_historica (fuera de búsqueda principal)

Protecciones: automatica/semantica/critico/enlazadas → exemptas.

Args: dry_run: True (default) = solo análisis. False = ejecuta tiering.

Inputs: dry_run. Returns: result

hipocampo_checkpointA

Comprime memorias antiguas usando checkpointing logarítmico.

Con dry_run=True (default) es solo lectura — seguro, no modifica datos. Con dry_run=False es destructivo: comprime memorias antiguas de forma irreversible (las originales se eliminan tras comprimir). Idempotente: ejecutar múltiples veces no daña datos.

Para ejecutar checkpoint como parte del ciclo completo de mantenimiento, usar hipocampo_maintenance (paso 3 del ciclo). Esta herramienta es para ejecución puntual o previsualización.

Recomendado ejecutar periódicamente (semanal o mensual) para mantener el rendimiento del sistema.

Args: dry_run: Si es True (default), solo muestra qué se comprimiría. Si es False, ejecuta la compresión (irreversible).

Returns: Reporte del checkpointing ejecutado o simulado. Incluye: cantidad de registros comprimidos, espacio liberado.

Inputs: dry_run. Returns: result

hipocampo_dedupA

Detecta y opcionalmente fusiona duplicados en las tablas de memoria.

Con merge=False (default) es solo lectura — seguro de ejecutar, no modifica datos. Con merge=True es destructivo: consolida filas duplicadas en una sola, operación irreversible. Usar con precaución. Ejecutar primero sin merge para previsualizar.

¿Qué es un duplicado? Dos registros con alta similitud semántica (embedding

  • texto), por encima del umbral configurable (default 0.95).

El reporte incluye: cantidad de duplicados encontrados, IDs afectados y resumen de fusión si se ejecutó merge.

Para ejecutar dedup como parte del ciclo completo de mantenimiento, usar hipocampo_maintenance (paso 2 del ciclo). Esta herramienta es para uso puntual o previsualización antes del merge.

Args: merge: Si es True, fusiona los duplicados encontrados (irreversible). Si es False (default), solo muestra análisis (seguro).

Returns: Reporte de duplicados encontrados o fusionados.

Inputs: merge. Returns: result

hipocampo_healthA

Ejecuta un health check completo del sistema Hipocampo.

Verifica: PostgreSQL, NVIDIA API, tablas, espacio en disco, extensiones.

Returns: Reporte formateado del estado del sistema.

Inputs: no named parameters. Returns: result

hipocampo_maintenanceA

Ejecuta el ciclo completo de mantenimiento:

  1. Health check → auto-repair si es necesario

  2. Dedup → fusiona duplicados

  3. Checkpoint → comprime memorias antiguas

  4. Purge → limpia access logs antiguos (>30d)

  5. Tune → ajusta thresholds según métricas

Nota: hipocampo_budget y decay_hipocampo se ejecutan manualmente o via cron separado (son destructivos y requieren dry_run previo).

Returns: Reporte consolidado del mantenimiento.

Inputs: no named parameters. Returns: result

hipocampo_statsA

Muestra estadísticas de rendimiento del sistema Hipocampo.

Analiza latencia de queries, métodos usados, scores promedios y da recomendaciones de optimización.

Returns: Reporte de métricas y recomendaciones.

Inputs: no named parameters. Returns: result

hipocampo_tuneA

Ajusta automáticamente los thresholds y pesos del SSC basado en las métricas de rendimiento acumuladas.

Es destructivo: modifica los thresholds y pesos de forma irreversible. Sin embargo, es idempotente: ejecutarlo múltiples veces converge al mismo resultado. Usar con precaución.

Para solo ver estadísticas sin modificar nada, usar hipocampo_stats (solo lectura). Para ejecutar el ciclo completo de mantenimiento (que incluye tune como paso 5), usar hipocampo_maintenance.

Recomendado ejecutar solo después de acumular suficientes métricas (al menos 100 consultas registradas). No usar si el sistema funciona correctamente sin degradación.

Returns: Reporte de ajustes aplicados (nuevos thresholds y pesos).

Inputs: no named parameters. Returns: result

index_projectA

Indexa archivos de código fuente de un proyecto en Hipocampo (RAG).

Escanea archivos PHP, JS, TS, Python, SQL, HTML, CSS, JSON, YAML, los divide en chunks significativos y los guarda como recuerdos con embedding para búsqueda semántica.

La segunda corrida solo indexa archivos modificados (por mtime).

Args: project_path: Ruta absoluta del proyecto a indexar. Si está vacía, usa el directorio actual. force: Si True, re-indexa todo aunque no haya cambios.

Returns: Estadísticas de la indexación.

Inputs: force, project_path. Returns: result

list_watch_dirsB

Lista los directorios configurados para auto-reindexación.

Inputs: no named parameters. Returns: result

list_watchesA

Lista todos los webhooks registrados.

Returns: Lista de watches con ID, patrón y URL.

Inputs: no named parameters. Returns: result

path_hipocampoA

Encuentra el camino más corto entre dos recuerdos en el grafo de memoria.

Args: from_id: ID del recuerdo origen. to_id: ID del recuerdo destino. max_depth: Profundidad máxima de búsqueda (default 5, max 10).

Returns: Camino encontrado como secuencia de nodos.

Inputs: to_id (required), from_id (required), max_depth. Returns: result

preload_contextA

Pre-load context for a project or workspace. Extracts relevant memories from the project path and returns them as a compressed summary.

Use this when starting work on a known project to restore working context.

Args: project_path: Absolute path to the project or workspace. If empty, uses current working directory. k: Number of relevant memories to retrieve (default 8, max 20).

Returns: Compressed context summary with project-relevant memories.

Inputs: k, project_path. Returns: result

profile_hipocampoA

Guarda un dato de perfil personal en Hipocampo (memory_items).

A diferencia de save_hipocampo (que guarda en memoria_vectorial técnica), esta herramienta guarda en memory_items, que está diseñado para datos personales: gustos, familia, preferencias, datos biográficos.

Args: summary: Texto corto con el dato personal. Ej: "Al usuario le gusta el té de hierbas". extra: Información adicional en texto plano (opcional). categories: Categorías (opcional). Ej: ["personal_info", "gustos"].

Returns: Confirmación con el ID asignado.

Inputs: summary (required), extra, categories. Returns: result

reindex_nowB

Fuerza reindexación inmediata de un directorio (o todos los watch).

Inputs: path. Returns: result

remove_watch_dirA

Elimina un directorio del watch list.

Inputs: path (required). Returns: result

restaurar_historicaA

Restaura una memoria desde memoria_historica a memoria_vectorial.

Reconstruye embedding automáticamente. La memoria vuelve al tier HOT.

Args: historica_id: ID de la memoria en memoria_historica.

Inputs: historica_id (required). Returns: result

review_automaticaA

Revisa reglas 'automatica' sin revisión en los últimos N días.

Las reglas automatica son permanentes por diseño, pero pueden degradarse a 'semantica' si no han sido útiles (review_count=0) después de max_age_days.

Con dry_run=True solo lista las reglas candidatas a degradación. Con dry_run=False las degrada a 'semantica' (no se borran, solo pierden inmunidad de compresión).

Args: max_age_days: Edad máxima sin revisión antes de considerar degradación (default 30). dry_run: Si True, solo muestra qué se degradaría.

Returns: Reporte de reglas encontradas.

Inputs: dry_run, max_age_days. Returns: result

rollback_checkpointA

Revierte un checkpoint usando el snapshot guardado previamente.

Busca el snapshot por ID y verifica qué IDs originales fueron comprimidos. Si los originales aún existen, reporta que no se necesita rollback. Si fueron eliminados, intenta restaurarlos.

Args: snapshot_id: ID del snapshot [CHECKPOINT SNAPSHOT] guardado.

Returns: Reporte de la operación de rollback.

Inputs: snapshot_id (required). Returns: result

save_hipocampoA

Guarda un recuerdo en el Hipocampo (memoria_vectorial).

INSERT inmediato y NO bloqueante: el embedding se genera en background (_finalize_save_bg) junto con dedup semántico, auto-link y auditoría de contradicciones. Hasta que el embedding se backfillea (~segundos), la memoria queda en tier WARM (embedding=NULL) y es recuperable por texto.

Si ya existe un recuerdo casi idéntico (trigram), se advierte y se omite el guardado a menos que force=True. El dedup semántico (>0.9) corre en background y solo loguea — no bloquea.

Args: content: Texto del recuerdo a guardar. memory_type: Tipo de memoria. Valores comunes: "event" (evento/experiencia), "decision" (decisión tomada), "profile" (dato personal). Por defecto: "event". code: Código o etiqueta corta para agrupar recuerdos (opcional). Ej: "documentacion", "bugfix", "feature", "setup". categories: Lista de categorías (opcional). Ej: ["python", "mcp", "infraestructura"]. session_id: Opcional. Identificador de sesión para aislar memorias. force: Si True, guarda incluso si existe un recuerdo muy similar. auto_link: Si True, busca recuerdos semánticamente similares (>0.75) y crea enlaces "similar" automáticamente. nivel: Nivel de memoria jerárquica: "episodica" (default) — detalle completo, comprimible, "semantica" — conocimiento consolidado, protegido, "automatica" — regla permanente, nunca se comprime. critico: Si True, la memoria NUNCA se olvida ni se archiva. Protección de por vida independiente del nivel.

Returns: Confirmación con el ID asignado.

Inputs: content (required), code, force, nivel, +5 more. Returns: result

search_codeA

Busca código fuente indexado en Hipocampo (RAG).

Similar a search_hipocampo pero filtra solo recuerdos de tipo code_snippet y devuelve fragmentos de código real con ubicación de archivo.

Args: query: Consulta en lenguaje natural. k: Número de resultados (default 5, max 20). language: Filtrar por lenguaje (php, javascript, python, sql, etc.). Vacío = todos los lenguajes.

Returns: Fragmentos de código relevantes con metadatos de archivo.

Inputs: query (required), k, language. Returns: result

search_hipocampoA

Busca en el Hipocampo (memoria dual con SSC / BIRE v3.6).

Es solo lectura — no modifica datos, no tiene efectos secundarios. Sin límites de tasa (rate limits).

Realiza búsqueda semántica + léxica híbrida en las bases de datos de memoria del usuario, incluyendo memoria técnica (memoria_vectorial) y de perfil (memory_items).

Si se proporciona session_id, filtra solo memorias de esa sesión.

Para búsquedas rápidas cuando el nombre corto sea preferido, usar quick_hipocampo_search (alias idéntico). Esta herramienta es la versión completa con nombre descriptivo.

Args: query: Texto de búsqueda en lenguaje natural. Máximo 500 caracteres. Ejemplos: "proyecto contable", "perro", "planta medicinal", "API REST en Python", "gusta del té". session_id: Opcional. Filtra resultados a una sesión específica.

Returns: Resultados formateados del BIRE como texto plano. Incluye: contenido encontrado, scores de relevancia, y metadatos. Si no hay coincidencias, indica búsqueda exitosa pero sin resultados.

Inputs: query (required), session_id. Returns: result

set_nivel_hipocampoA

Cambia el nivel jerárquico de un recuerdo.

Niveles:

  • "episodica" — detalle completo, comprimible por checkpoint

  • "semantica" — conocimiento consolidado, protegido de compresión

  • "automatica" — regla permanente, nunca se comprime/checkpointea

Args: id: ID del recuerdo. nivel: Nuevo nivel: "episodica", "semantica", o "automatica".

Returns: Confirmación del cambio.

Inputs: id (required), nivel (required). Returns: result

unwatch_hipocampoB

Elimina un webhook registrado por su ID.

Args: id: ID del watch a eliminar.

Returns: Confirmación de eliminación.

Inputs: id (required). Returns: result

update_hipocampoA

Actualiza un recuerdo existente en el Hipocampo (memoria_vectorial).

Si se proporciona content, se regenera el embedding automáticamente. Los campos no proporcionados no se modifican.

Args: id: ID numérico del recuerdo a actualizar. content: Nuevo texto del recuerdo (opcional). Si se provee, se regenera el embedding. memory_type: Nuevo tipo de memoria (opcional). Ej: "event", "decision". code: Código o etiqueta corta (opcional). categories: Nueva lista de categorías (opcional).

Returns: Confirmación de la actualización.

Inputs: id (required), code, content, categories, +1 more. Returns: result

validate_immune_ruleA

Valida una regla inmunológica (Nivel 4).

Analiza una regla 'automatica' marcada como REGLA INMUNOLÓGICA:

  1. Verifica snapshots pre-cambio vinculados en memory_links

  2. Detecta reglas contradictorias sobre el mismo archivo/proyecto

  3. Reporta reglas huérfanas (>30d sin enlaces entrantes)

Args: rule_id: ID de la regla inmunológica a validar.

Returns: Reporte de validación con recomendaciones.

Inputs: rule_id (required). Returns: result

watch_hipocampoA

Registra un webhook que se dispara cuando se crea/modifica/elimina un recuerdo cuyo contenido o metadatos contengan el patrón dado.

Args: pattern: Texto a buscar en contenido o metadatos del recuerdo. webhook_url: URL que recibirá un POST con event, id, content, metadatos.

Returns: Confirmación con ID del watch creado.

Inputs: pattern (required), webhook_url (required). Returns: result

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    B3.4/5.0

    Scored across 37 tools

    Disambiguation2/5

    Several tools overlap or share confusing boundaries: search_hipocampo and quick_hipocampo_search are exact aliases, search_code and compress_hipocampo are search variants, and 'watch' refers to both directory watching and webhooks (add_watch_dir vs watch_hipocampo). The descriptions clarify intent, but the set would still make an agent choose between near-equivalent retrieval and maintenance tools.

    Naming Consistency2/5

    Naming mixes verb-first (save_hipocampo, search_hipocampo), noun-first (hipocampo_maintenance, hipocampo_stats), Spanish and English (restaurar_historica vs preload_context), and two different 'watch' concepts. Some tools follow a clear verb_noun pattern, but it is not predictable across the set.

    Tool Count2/5

    37 tools is well beyond the typical well-scoped range and creates unnecessary surface area. Many operations are available both as standalone tools and bundled inside hipocampo_maintenance or budget/decay, adding maintenance overhead.

    Completeness4/5

    The surface covers the core memory lifecycle thoroughly: create, update, delete, search, graph links, compression, tiering, restore, health, and webhooks. The main gap is a direct get-by-id/list-memories tool, and retrieval is fragmented across search_code, compress_hipocampo, preload_context, and the search alias.

    Maintenance

    ActivityMaintained
    ResponsivenessLimited data

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      Not graded
      quality
      D
      maintenance
      A self-organizing, persistent semantic memory layer that enables AI agents to store, categorize, and retrieve information using hybrid vector and keyword search. It features autonomous chunking, deduplication, and hierarchical taxonomy management through a PostgreSQL-backed MCP server.
      1
      MIT
    • A
      license
      A
      quality
      A
      maintenance
      Local RAG system for Claude Code with hybrid search (semantic + BM25), cross-encoder reranking, markdown-aware chunking, and 12 MCP tools. Zero external servers, pure ONNX in-process.
      13
      306
      MIT
    • A
      license
      A
      quality
      A
      maintenance
      Durable hybrid memory for AI agents. Combines vector search, BM25, temporal retrieval, and optional Memgraph knowledge graph via reciprocal rank fusion. 6 MCP tools: health, search, answer, feedback, graph_query, graph_add_triple. Self-hosted with Qdrant backend.
      7
      58 PyPI
      10
      Apache 2.0
    • A
      license
      A
      quality
      B
      maintenance
      Agent-agnostic persistent memory backend. 13 MCP tools, Supabase + Jina embeddings, multi-profile isolation, semantic recall across sessions.
      16
      7
      Apache 2.0