Memex-Wiki: Local Hybrid Memory & Knowledge Graph for AI Agents (v0.1)

English | Русский

English

Memex-Wiki is a secure, offline-first, and resilient long-term memory system designed for AI agents (specifically integrated with Google Antigravity 2.0 and MCP clients). It compiles project documents and codebase knowledge into a human-readable Obsidian Markdown vault, automatically building a 3D visual knowledge graph (Concept links).

For queries, it uses the RLM (Recursive Long-context Memory) Engine to sequentially filter text chunks, avoiding context overload, VRAM OOM, and CPU overheating on local hardware.

Visual Interface

Related MCP server: A-MEM: Agentic Memory System

Architecture & Data Flow

1. Raw Sources (Read-Only): The system monitors your project folders (scripts, markdown, readmes).

2. AI Atomization (Ingest): A local LLM (via Ollama) or Gemini API analyzes files, compresses facts, and creates concept pages in Obsidian.

3. Obsidian Graph: Links act as graph edges. You can visually explore connections in 3D.

4. RLM Search: The AI reads only relevant graph nodes, ensuring accurate responses without hallucinations.

Installation & Setup

Prerequisites

• Python 3.10+ (macOS, Windows, Linux)

• Git installed and configured

• Ollama (optional, for fully local execution)

🍏 macOS Setup

1. Clone & Open:

   git clone https://github.com/your-username/Memex-Wiki.git
   cd Memex-Wiki

2. Install Dependencies:

   chmod +x setup_env.sh
   ./setup_env.sh

3. Configure:

   cp config.example.yaml config.yaml
   # Open config.yaml and edit paths

4. Run Server:

   source .venv/bin/activate
   python3 src/web_server.py

   Open http://localhost:8000 in your browser.

🪟 Windows Setup

1. Clone & Open: Use Git Bash or Command Prompt:

   git clone https://github.com/your-username/Memex-Wiki.git
   cd Memex-Wiki

2. Create Virtual Environment:

   python -m venv .venv
   call .venv\Scripts\activate
   pip install -r requirements.txt

3. Configure:

   copy config.example.yaml config.yaml
   :: Open config.yaml in Notepad and adjust paths (use forward slashes, e.g., C:/Users/name/Obsidian/Vault)

4. Run Server:

   python src/web_server.py

   Open http://localhost:8000 in your browser.

🐧 Linux Setup

1. Clone & Open:

   git clone https://github.com/your-username/Memex-Wiki.git
   cd Memex-Wiki

2. Install Dependencies:

   python3 -m venv .venv
   source .venv/bin/activate
   pip install -r requirements.txt

3. Configure:

   cp config.example.yaml config.yaml
   # Open config.yaml and configure paths

4. Run Server:

   python3 src/web_server.py

   Open http://localhost:8000 in your browser.

Safety & Security Guidelines 🛡️

Memex-Wiki is designed with privacy in mind. Before hosting or pushing changes to public GitHub repositories, make sure:

1. Local Paths & API Keys: Always add config.yaml to .gitignore. Distribute configurations using config.example.yaml.

2. Secret Redaction: The backend (src/security_filter.py) automatically strips:

   • Google API Keys / Gemini Tokens

   • OpenAI API keys

   • Database connection strings (Postgres, Mongo, Redis, etc.)

   • Passwords and private keys from the ingested project files.

3. No External Tracking: When running on local Ollama, no data is sent outside your machine.

Integration with Google Antigravity (MCP)

To hook up this memory system to your AI agents, add the following stdio server configuration:

• Command: /path/to/Memex-Wiki/.venv/bin/python (or python.exe on Windows)

• Arguments: /path/to/Memex-Wiki/src/mcp_server.py

Exposed Tools

• ingest_source(filename): Scan, atomize, and commit a project file.

• query_memory(query): RLM-powered query across the compiled graph.

• lint_memory(): Health audit of wiki connections and metadata.

Русский

Memex-Wiki — это безопасная, автономная и приватная система долгосрочной памяти для ИИ-агентов (в частности, для интеграции с Google Antigravity 2.0 и MCP-клиентами). Система аккумулирует знания в виде человекочитаемого графа связей (Markdown-файлов с YAML-метаданными) в вашем Obsidian Vault и автоматически строит 3D-визуализацию графа (связи концептов).

Для поиска используется движок RLM (Recursive Long-context Memory), который осуществляет последовательную фильтрацию текстовых чанков, исключая перегрузку контекста, перегрев процессора и нехватку видеопамяти (VRAM OOM).

Интерфейс панели управления

Архитектура системы и потоки данных

1. Исходные файлы (Raw Sources): Папка с кодом, заметками и файлами ваших проектов (доступна только на чтение).

2. ИИ-Атомизация (Импорт): Локальная модель Ollama или облачный Gemini API анализируют файлы и создают карточки концептов в Obsidian.

3. Граф связей (Obsidian): Связи выступают дорожной картой. Вы можете вращать и исследовать 3D-граф в реальном времени.

4. RLM-Поиск: При запросе ИИ читает только связанные узлы графа, генерируя точные ответы без галлюцинаций.

Настройка и установка

Системные требования

• Python 3.10+ (macOS, Windows, Linux)

• Git установленный и настроенный в системе

• Ollama (опционально, для 100% локальной работы)

🍏 Инструкция для macOS

1. Клонирование:

   git clone https://github.com/your-username/Memex-Wiki.git
   cd Memex-Wiki

2. Установка зависимостей:

   chmod +x setup_env.sh
   ./setup_env.sh

3. Настройка:

   cp config.example.yaml config.yaml
   # Откройте config.yaml и настройте пути к вашим папкам

4. Запуск:

   source .venv/bin/activate
   python3 src/web_server.py

   Откройте http://localhost:8000 в браузере.

🪟 Инструкция для Windows

1. Клонирование: Откройте Git Bash или командную строку (Cmd):

   git clone https://github.com/your-username/Memex-Wiki.git
   cd Memex-Wiki

2. Создание виртуального окружения:

   python -m venv .venv
   call .venv\Scripts\activate
   pip install -r requirements.txt

3. Настройка:

   copy config.example.yaml config.yaml
   :: Откройте config.yaml в Блокноте и укажите пути. Используйте прямые слэши (например: C:/Users/name/Obsidian/Vault)

4. Запуск:

   python src/web_server.py

   Откройте http://localhost:8000 в браузере.

🐧 Инструкция для Linux

1. Клонирование:

   git clone https://github.com/your-username/Memex-Wiki.git
   cd Memex-Wiki

2. Создание окружения:

   python3 -m venv .venv
   source .venv/bin/activate
   pip install -r requirements.txt

3. Настройка:

   cp config.example.yaml config.yaml
   # Отредактируйте config.yaml, указав пути

4. Запуск:

   python3 src/web_server.py

   Откройте http://localhost:8000 в браузере.

Безопасность и конфиденциальность 🛡️

Memex-Wiki спроектирован с упором на приватность:

1. Локальные пути и ключи: Файл config.yaml автоматически добавлен в .gitignore, чтобы ваши личные пути и ключи API не попали в публичный доступ на GitHub. Пользуйтесь шаблоном config.example.yaml.

2. Очистка данных (Redaction): Встроенный модуль безопасности src/security_filter.py автоматически вырезает из загружаемых текстов:

   • Google / Gemini API ключи

   • OpenAI API ключи

   • Строки подключения баз данных (PostgreSQL, MongoDB, MySQL, Redis)

   • Пароли, приватные ключи и токены авторизации.

3. Локальность: При использовании бэкенда Ollama все операции ИИ происходят строго локально на вашем компьютере.

Подключение к Google Antigravity через MCP

Для интеграции памяти с ИИ-агентами пропишите в настройках MCP-клиента:

• Команда запуска: /path/to/Memex-Wiki/.venv/bin/python (или python.exe на Windows)

• Аргументы: /path/to/Memex-Wiki/src/mcp_server.py

Доступные инструменты (Tools)

• ingest_source(filename): Импортировать файл проекта, провести атомизацию и закоммитить в Git.

• query_memory(query): Выполнить точечный семантический RLM-поиск по графу Obsidian.

• lint_memory(): Провести аудит целостности связей и YAML-метаданных.