Local Optimize

Локальная долговременная память и RAG для AI-агентов: PostgreSQL + pgvector, гибридный поиск, GraphRAG, локальный reranking на Intel Arc XPU и изолированная работа с Ollama через MCP.

Проект рассчитан на local-only сценарии. Полный RAG MCP нельзя подключать к облачным агентам: найденные фрагменты, их источники и производные данные не должны попадать в облачный диалог. Для локальной LM Studio предусмотрен отдельный read-only wrapper lmstudio_rag_mcp.py.

Возможности

• Гибридный поиск: pgvector, полнотекстовый PostgreSQL, RRF и локальный Qwen3 reranker.

• Изоляция проектов, корней файловой системы, агентов и сессий.

• Версионированные транзакционные миграции и проверка схемы перед readiness.

• MCP-инструменты поиска, сохранения, проверки и жизненного цикла знаний.

• Локальный Ollama с ограничениями времени, контекста и конкурентных генераций.

• Watchdog-индексация с ограниченной очередью и восстановлением после перезапуска.

• Явные /liveness, /readiness и /runtime health-контракты.

Архитектурная схема:

MCP tool → RagClient → FastAPI → RagEngine → PostgreSQL/pgvector
                                      ↓
                         локальные E5 + Qwen3 на Intel XPU
                                      ↓
                         Ollama или безопасный routing signal

Related MCP server: memento

Требования

• Linux с поддерживаемым Intel Arc/XPU-драйвером и OpenCL ICD.

• Python 3.12 или новее; текущий набор проверен на Python 3.14.4. Другие версии не заявляются как проверенные.

• PostgreSQL с расширением pgvector.

• Ollama с моделью qwen2.5-coder:7b.

• Достаточное дисковое пространство для PyTorch XPU и отдельно скачиваемых моделей.

• Для служб: пользовательский systemd. sudo установщику не требуется.

CPU/CUDA/ONNX fallback для production retrieval отсутствует. Без работающего Intel XPU сервер остаётся недоступным по /readiness и не выдаёт непроверенный локальный результат.

Быстрый старт

Полное руководство: docs/installation.md.

git clone https://github.com/lmdeuser/local-optimize.git
cd local-optimize
python3 -m venv .venv
. .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install --no-deps -r deploy/intel-xpu-requirements.txt
python -m pip install -r requirements.txt

Затем:

1. Создайте БД aiagent и включите vector по инструкции.

2. Скопируйте docs/examples/secrets.env.example в ~/.config/local-optimize/secrets.env, замените placeholders и установите права 0600.

3. Скачайте E5 и Qwen3 в models/ командами из руководства. Веса не хранятся в Git.

4. Выполните ollama pull qwen2.5-coder:7b.

5. Примените миграции и запустите сервер:

   python create_schema.py
   python gpu_rag_server.py

6. В другом терминале при отсутствии bearer-токена проверьте:

   curl --fail http://127.0.0.1:8181/liveness
   curl --fail http://127.0.0.1:8181/readiness
   curl --fail http://127.0.0.1:8181/runtime

   Если токен настроен, добавьте Authorization: Bearer <token>; само значение не записывайте в журнал или репозиторий. Ожидаемый успешный статус liveness/readiness — success, readiness также содержит "ready": true.

Для фоновой индексации зарегистрированного корня запустите python watchdog_indexer.py. Настройка реестра, MCP и пользовательских служб описана в руководстве.

Документация

• Установка и настройка

• Архитектура

• Полное системное описание

• MCP-инструменты

• Миграции

• Схема БД

• Тестирование

• Hooks и их privacy-ограничения

• Сторонние компоненты и лицензии

Проверки

python -m pip install -r requirements-dev.txt
python -m compileall -q .
python -m pytest --collect-only -q
python -m pytest -q -m unit
python -m pytest -q -m integration
python -m pytest -q -m postgres
python -m pytest -q -m network
python -m pytest -q -m systemd
python -m ruff check .

Внешние PostgreSQL/network/XPU-проверки могут быть пропущены с явным SKIP при отсутствии их условий. Не направляйте тесты в рабочую БД: fresh-database сценарии создают отдельную временную БД и требуют соответствующих привилегий.

Безопасность и ограничения

• Секреты находятся только в ~/.config/local-optimize/secrets.env или переменных процесса; корневой .env не является рекомендуемым хранилищем и игнорируется Git.

• Не публикуйте projects.json, журналы, дампы, artifacts/, модели или локальные IDE/agent-настройки.

• Оценка релевантности не доказывает истинность источника. Проверка ссылок не заменяет независимую проверку утверждений.

• Облачная эскалация через MCP возвращает только routing signal без RAG-текста, источников, оценок и производных данных.

• MCP-генератор намеренно отказывается настраивать текущие cloud-capable клиенты. Используйте отдельное local-only подключение LM Studio.

Лицензия

Код проекта распространяется по MIT. Сторонние модели и зависимости используют собственные лицензии — см. THIRD_PARTY_NOTICES.md.