brainforge-mcp

Verwandeln Sie Ihre Markdown-Notizen in einen KI-gestützten Wissensgraphen.

Dies ist ein Projekt, das Andrej Karpathy's LLM Wiki-Muster als MCP-Server implementiert. Es wandelt ein Markdown-Wiki in einen Wissensgraphen um, der von jedem LLM-Client erkundet und analysiert werden kann.

Kernidee

[원본 자료]  →  [AI가 유지하는 위키]  →  [지식 그래프]  →  [LLM이 탐색·분석]
 논문, 기사       sources/                 graph.json       MCP 도구로 질의
 메모, 영상       concepts/                                  인과 관계 추적
                  entities/                                  건강 진단

Was MCP-Tools tun: Wissensgraphen erkunden, Knoten analysieren, Kausalzusammenhänge verfolgen, Wiki-Gesundheitsdiagnosen erstellen. Was das LLM tut: Originale lesen → zusammenfassen → Wiki-Seiten erstellen → Wikilinks/Kausalzusammenhänge einfügen.

Kurz gesagt: brainforge-mcp ist das „Auge“ des Wikis, und das LLM ist die „Hand“ des Wikis.

Related MCP server: vault-master-mcp

A-bis-Z-Beispiel: Von einem Paper zum Wissensgraphen

Schritt 0: Installation + Initialisierung

uvx brainforge-mcp init ~/my-brain

Die erzeugte Struktur:

my-brain/
├── raw/              # 불변 원본 (사용자가 넣는 곳)
│   ├── papers/
│   ├── articles/
│   ├── transcripts/
│   └── notes/
├── wiki/             # AI가 유지하는 위키
│   ├── sources/
│   ├── concepts/
│   ├── entities/
│   ├── syntheses/
│   ├── index.md
│   └── log.md
└── output/           # 블로그, 포트폴리오 등

Schritt 1: Registrierung beim MCP-Client

Claude Desktop (claude_desktop_config.json):

{
  "mcpServers": {
    "wiki": {
      "command": "uvx",
      "args": ["brainforge-mcp", "--vault", "~/my-brain/wiki"]
    }
  }
}

Kiro / Cursor / VS Code (mcp.json):

{
  "mcpServers": {
    "wiki": {
      "command": "uvx",
      "args": ["brainforge-mcp", "--vault", "~/my-brain/wiki"]
    }
  }
}

Schritt 2: Quelldaten hinzufügen

Konvertieren Sie das PDF des Papers in Markdown und speichern Sie es unter raw/papers/:

# 예: marker로 PDF → 마크다운 변환
marker_single "lora-paper.pdf" --output_dir ~/my-brain/raw/papers/

Oder speichern Sie einen Webartikel direkt als Markdown:

<!-- raw/articles/2026-04-17_lora-explained.md -->
---
title: "LoRA 논문 쉽게 설명하기"
source: https://example.com/lora
date: 2026-04-17
type: article
---

# LoRA 논문 쉽게 설명하기
LLM의 가중치를 Freeze하고 저랭크 행렬만 학습하여...

Schritt 3: Ingest-Anfrage an das LLM (Aufgabe des LLMs)

Im Chat:

"raw/articles/2026-04-17_lora-explained.md를 읽고 위키에 인제스트해줘"

Das LLM liest das Original und erstellt die folgenden Dateien:

wiki/sources/lora-explained.md (Quellenzusammenfassung):

---
title: "LoRA 논문 쉽게 설명하기"
created: 2026-04-17
updated: 2026-04-17
tags: [LoRA, Fine-Tuning, PEFT]
sources: [raw/articles/2026-04-17_lora-explained.md]
---

# LoRA 논문 쉽게 설명하기

## Kernel
모델 가중치를 Freeze하고 저랭크 행렬만 학습하여 VRAM 절감.

## 핵심 주장
1. Fully Fine-Tuning 대비 VRAM 대폭 절감
2. 성능은 동등하거나 우수
...

wiki/concepts/lora.md (Konzeptseite):

---
title: LoRA (Low-Rank Adaptation)
created: 2026-04-17
updated: 2026-04-17
tags: [개념, Fine-Tuning, PEFT]
sources: [raw/articles/2026-04-17_lora-explained.md]
---

# LoRA (Low-Rank Adaptation)

## Kernel
가중치 행렬 W를 직접 업데이트하지 않고, 저랭크 행렬 LoRA_A·LoRA_B만 학습.

> [!causal] 인과 관계
> [[lora]] →(가능하게 함)→ [[fine-tuning]]의 효율적 수행
> 신뢰도: 높음 | 출처: [[lora-explained]]

## 관련
[[fine-tuning]], [[transformer]], [[quantization]]

Schritt 4: Graph-Erstellung (MCP-Tool)

Im Chat:

"위키 그래프 재빌드해줘"

→ Das Tool rebuild_graph wird aufgerufen, um Wikilinks + Kausalzusammenhänge aus dem wiki/-Markdown zu parsen und graph.json zu erstellen.

Schritt 5: Wissenserkundung (MCP-Tool)

Da der Graph nun existiert, ist eine Erkundung möglich:

"LoRA가 내 위키에서 어떤 위치야?"

→ explain_node("LoRA") wird aufgerufen:

## LoRA (Low-Rank Adaptation)
카테고리: concepts | 태그: Fine-Tuning, PEFT

### 위치 분석
- 연결도: 9 (상위 26%) → 중간 연결자
- 인과 역할: 기반 기술 — 다른 1개 개념을 가능하게 함

### 인과 요약
- LoRA →(가능하게 함)→ Fine-Tuning의 효율적 수행

### 성장 제안
- 인과 관계 callout 추가 권장 (현재 1개)

"위키 상태 어때?"

→ graph_summary() wird aufgerufen:

## 위키 건강 리포트

### 규모: 초기 단계
- 실제 페이지: 5개 (concepts 2, sources 1, entities 1)
- 밀도: 2.4 엣지/노드 → 낮은 밀도 — 위키링크 추가 권장

### 약점
- 미해결 노드 3개 (37.5%)
- 인과 비율 5.0% — callout 추가 권장

### 다음 행동
1. 미해결 페이지 생성: transformer(2연결), quantization(1연결)

Funktionen

• 🔗 Automatischer Aufbau von Wissensgraphen basierend auf Wikilinks + Kausalzusammenhängen

• 🧠 Semantische Interpretation — Kontextanalyse wie „Top 26% Intermediate Connector“ statt nur „9 Verbindungen“

• 📊 Gesundheitsdiagnose — Konkrete Vorschläge für Stärken/Schwächen/nächste Schritte des Wikis

• ⚡ Kausalkettenverfolgung — Analyse der „Warum“-Verbindungen zwischen Konzepten (Upstream/Downstream)

• 🔌 MCP-Standard — Funktioniert überall: Claude Desktop, Cursor, Kiro, VS Code usw.

Werkzeugliste

Hinweis: Das Erstellen/Bearbeiten von Wiki-Seiten erfolgt durch das LLM direkt, nicht durch MCP-Tools. brainforge-mcp ist auf „Lesen + Analysieren“ spezialisiert, das „Schreiben“ ist die Aufgabe des LLMs.

Notation von Kausalzusammenhängen

Wikilinks ([[]]) drücken nur Verbindungen aus. Das „Warum“ der Verbindung wird durch Kausal-Callouts spezifiziert:

> [!causal] 인과 관계
> [[메타러닝]] →(가능하게 함)→ [[DiscoRL]]의 RL 규칙 자동 발견
> 신뢰도: 높음 | 출처: [[discovering-sota-rl-algorithms]]

Unterstützte Beziehungstypen:

• →(ermöglicht)→ / →(Leistungssteigerung)→ / →(Leistungsminderung)→

• →(basiert auf)→ / →(weiterentwickelt)→ / →(ersetzt)→

• →(enthält)→ / →(angewendet auf)→

Anwendung auf bestehende Obsidian-Vaults

Wenn Sie bereits Obsidian verwenden, erstellen Sie einfach einen wiki/-Ordner in Ihrem Vault und geben Sie ihn mit der Option --vault an. Bestehende [[Wikilinks]] werden automatisch geparst.

Lizenz

MIT

Inspiriert von Andrej Karpathy's LLM Wiki-Idee.