SARIPATI

Ein lokaler, anbieterunabhängiger Wissensspeicher für jeden AI-Host.

sari pati (Malaiisch) — das Wesentliche, der konzentrierte Extrakt.

Die meisten KI-Tools starten jedes Gespräch kalt. SARIPATI ist die Gedächtnisschicht, die unter der KI liegt, die du bereits nutzt — Claude Code, Cursor, Windsurf, Cline, Continue — und lässt Wissen über Sitzungen hinweg anwachsen. Die KI recherchiert mit ihren eigenen Tools; du rufst SARIPATI auf, um das Wesentliche zu destillieren und zu speichern. Wochen später ruft sie es semantisch ab.

Es ist keine Chat-App. Es führt kein LLM aus und benötigt keine API-Schlüssel. Deine gesamte Wissensbasis ist eine einzige SQLite-Datei auf deinem eigenen Rechner.

Warum

• Anwachsend, nicht wegwerfbar. In einer Sitzung durchgeführte Recherchen bleiben erhalten und sammeln sich nach Thema an — der Korpus wächst bei jedem Agentenlauf, nicht nur, wenn du Notizen machst.

• Semantischer Abruf, lokal. Gebündelte Embeddings (all-MiniLM-L6-v2) ermöglichen hybride semantische + Stichwortsuche vollständig auf dem Gerät.

• Sichtbar. Ein auf Abruf startbares Dashboard macht den wachsenden Wissensbestand durchsuchbar, durchstöberbar und exportierbar.

• Keine Bindung. Lokales SQLite, MIT-lizenziert, kein Cloud-Konto, kein Anbieter.

Related MCP server: Memory MCP

Nicht-Ziele

• Keine Chat-App oder LLM-Wrapper — es führt kein LLM aus und benötigt keins.

• Keine Cloud-Abhängigkeit erforderlich.

• An keinen einzelnen AI-Host oder Anbieter gebunden.

Installation

1. npx (empfohlen)

npx saripati init          # create the vault, print the config, detect your host
npx saripati init --write  # also register SARIPATI with detected hosts

Dann verbindet sich dein Host über den Paketnamen — kein Ordnerpfad, nichts, was brechen kann:

{
  "mcpServers": {
    "saripati": { "command": "npx", "args": ["-y", "saripati", "mcp"] }
  }
}

Starte deinen AI-Host neu. Beim ersten recall/save wird das ~90 MB große Embedding-Modell einmal heruntergeladen, danach funktioniert alles dauerhaft offline.

2. Einzelne Binärdatei (kein Node erforderlich)

Lade saripati für deine Plattform von der Releases-Seite herunter und weise deine Host-Konfiguration darauf hin.

Die Tools

Ein typischer Ablauf: Die KI recherchiert im Web mit ihren eigenen Tools → ruft save_research auf → nächste Woche rufst du (oder die KI) recall auf → öffne das Dashboard zum Prüfen und Exportieren.

Das Dashboard

npx saripati ui        # opens http://localhost:4319

Durchstöbere und durchsuche den Korpus, sieh dir Einträge und ihre Quellen an, beobachte Aktivität im Zeitverlauf und exportiere jede gefilterte Ansicht nach Markdown (im Browser als PDF drucken). Schreibgeschützt; es liest denselben Speicher, in den der MCP-Server schreibt.

So funktioniert es

AI host (its own web tools)  ──stdio/MCP──▶  saripati mcp
                                                 │
                    embed (MiniLM 384d) ─────────┤
                    hybrid search (vec ∪ FTS5) ──┤
                                                 ▼
                                    ~/.saripati/vault.db  (SQLite)
                                                 ▲
                                    saripati ui ─┘ (read-only dashboard)

• Speicher: SQLite über better-sqlite3.

• Vektoren: sqlite-vec (vec0) — Embeddings sind L2-normalisiert, sodass KNN wie Kosinus rangiert.

• Stichwörter: SQLite FTS5.

• Fusion: Reciprocal Rank Fusion kombiniert die beiden Rangfolgen.

• Embeddings: @xenova/transformers, das all-MiniLM-L6-v2 prozessintern ausführt.

Daten liegen standardmäßig in ~/.saripati/ (überschreibbar mit SARIPATI_HOME oder SARIPATI_DB).

Entwickeln

npm install
npm run build      # tsc → dist/
npm test           # end-to-end smoke test
npm run dev -- mcp # run from source via tsx

Lizenz

MIT © Kyou