brainforge-mcp

Превратите свои заметки в формате Markdown в базу знаний на основе графа, управляемую ИИ.

Это проект, реализующий паттерн LLM Wiki Андрея Карпатого в виде MCP-сервера. Он преобразует Markdown-вики в граф знаний, который можно исследовать и анализировать с помощью любого LLM-клиента.

Основная идея

[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

Что делают инструменты MCP: исследование графа знаний, анализ узлов, отслеживание причинно-следственных связей, диагностика состояния вики. Что делает LLM: чтение исходных материалов → суммаризация → создание страниц вики → вставка вики-ссылок/причинно-следственных связей.

Другими словами, brainforge-mcp — это «глаза» вики, а LLM — её «руки».

Пример от А до Я: от научной статьи до графа знаний

Шаг 0: Установка + инициализация

uvx brainforge-mcp init ~/my-brain

Создаваемая структура:

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

Шаг 1: Регистрация в MCP-клиенте

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"]
    }
  }
}

Шаг 2: Добавление исходных материалов

Преобразуйте PDF-файл статьи в Markdown и сохраните его в raw/papers/:

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

Или сохраните веб-статью напрямую в формате 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...

Шаг 3: Запрос к LLM на обработку (работа LLM)

В чате:

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

LLM читает исходный материал и создает следующие файлы:

wiki/sources/lora-explained.md (краткое содержание источника):

---
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 (страница концепции):

---
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]]

Шаг 4: Построение графа (инструмент MCP)

В чате:

"위키 그래프 재빌드해줘"

→ вызывается инструмент rebuild_graph, который парсит вики-ссылки и причинно-следственные связи из Markdown-файлов в wiki/ и создает graph.json.

Шаг 5: Исследование знаний (инструмент MCP)

Теперь, когда граф готов, можно приступать к исследованию:

"LoRA가 내 위키에서 어떤 위치야?"

→ вызов explain_node("LoRA"):

## 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?"

→ вызов graph_summary():

## 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)

Особенности

• 🔗 Автоматическое построение графа знаний на основе вики-ссылок и причинно-следственных связей

• 🧠 Семантическая интерпретация — анализ контекста, например, «верхние 26% промежуточных узлов» вместо простого «9 связей»

• 📊 Диагностика состояния — конкретные предложения по сильным/слабым сторонам вики и дальнейшим действиям

• ⚡ Отслеживание причинно-следственных цепочек — анализ связей между концепциями («почему») вверх и вниз по течению

• 🔌 Стандарт MCP — работает везде: Claude Desktop, Cursor, Kiro, VS Code и т.д.

Список инструментов

Примечание: создание/редактирование страниц вики выполняется самой LLM, а не инструментами MCP. brainforge-mcp специализируется на «чтении + анализе», а «запись» — это роль LLM.

Обозначение причинно-следственных связей

Вики-ссылки ([[]]) выражают только наличие связи. Причина, по которой они связаны, указывается с помощью причинно-следственных callout-блоков:

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

Поддерживаемые типы отношений:

• →(возможность)→ / →(улучшение производительности)→ / →(снижение производительности)→

• →(основа)→ / →(развитие)→ / →(замена)→

• →(включение)→ / →(применение)→

Применение к существующему Obsidian-хранилищу

Если вы уже используете Obsidian, просто создайте папку wiki/ внутри хранилища и укажите её с помощью опции --vault. Инструмент автоматически распарсит существующие [[вики-ссылки]].

Лицензия

MIT

Вдохновлено идеей LLM Wiki Андрея Карпатого.