🚀 项目突触MCP服务器
项目突触是一款革命性的MCP（模型上下文协议）服务器，它能够将原始文本转化为相互关联的知识图谱，并通过先进的模式检测自主生成见解。它将形式语义分析（蒙塔古语法）与卡片盒笔记法相结合，与人工智能建立真正的认知伙伴关系。
✨ 主要特性
🔬 语义蓝图（蒙塔古语法）
- 进行形式语义分析，以精确提取含义
- 运用lambda演算进行组合语义分析
- 从自然语言生成逻辑形式
- 通过基于规则的框架解决歧义
🕸️ 知识皮层（Neo4j图数据库）
- 对实体、关系和事实进行相互关联的存储
- 具备高性能的图遍历和模式检测能力
- 拥有可扩展的架构，支持复杂查询
- 对所有知识元素进行来源追踪
🧮 自主卡片盒笔记引擎
- 使用图算法和机器学习进行模式检测
- 自主生成见解并进行置信度评分
- 为所有假设提供可审计的推理路径
- 实现持续学习和知识综合
🔄 MCP集成
- 完全符合MCP协议，可与大语言模型集成
- 拥有丰富的知识操作工具集
- 提供知识统计的实时资源
- 为语义分析工作流程提供引导式提示
🚀 快速开始
前提条件
- Python 3.10+
- Neo4j数据库
- uv包管理器（推荐）
安装
- 克隆并设置项目：
cd /home/ty/Repositories/ai_workspace
git clone project-synapse-mcp
cd project-synapse-mcp
# 创建虚拟环境
uv venv --python 3.12 --seed
source .venv/bin/activate
# 安装依赖
uv add -e .
- 设置Neo4j数据库：
# 安装Neo4j（Ubuntu/Debian）
sudo apt update
sudo apt install neo4j
# 启动Neo4j服务
sudo systemctl start neo4j
sudo systemctl enable neo4j
# 设置密码（默认用户：neo4j）
sudo neo4j-admin set-initial-password synapse_password
- 下载spaCy模型：
uv run python -m spacy download en_core_web_sm
- 配置环境：
cp .env.example .env
# 使用你的配置编辑.env
Claude桌面集成
将以下内容添加到你的Claude桌面配置文件（macOS上为~/Library/Application Support/Claude/claude_desktop_config.json）：
{
"mcpServers": {
"project-synapse": {
"command": "uv",
"args": [
"--directory",
"/path-to-your/project-synapse-mcp",
"run",
"python",
"-m",
"synapse_mcp.server"
],
"env": {
"NEO4J_URI": "bolt://localhost:7687",
"NEO4J_USER": "neo4j",
"NEO4J_PASSWORD": "" ,
"NEO4J_DATABASE": "neo4j",
"LOG_LEVEL": "INFO"
}
}
}
}
💻 使用示例
基础用法
以下是项目中核心工具的基本使用代码示例：
# 克隆并设置项目
cd /home/ty/Repositories/ai_workspace
git clone project-synapse-mcp
cd project-synapse-mcp
# 创建虚拟环境
uv venv --python 3.12 --seed
source .venv/bin/activate
# 安装依赖
uv add -e .
# 运行测试
uv run pytest tests/
# 启动开发服务器
uv run python -m synapse_mcp.server
高级用法
# 使用MCP开发工具启动服务器
mcp dev src/synapse_mcp/server.py
# 格式化代码
uv run ruff format .
# 检查代码风格
uv run ruff check .
# 类型检查
uv run mypy src/
🛠️ 核心工具
ingest_text
使用完整的语义管道处理和分析文本：
摄入原始文本 → 蒙塔古语法解析 → 实体提取 → 知识图谱存储 → 自动生成见解
generate_insights
触发自主见解生成：
- 使用图算法进行模式检测
- 进行社区检测和中心性分析
- 进行语义聚类和路径分析
- 生成带有置信度评分的假设
query_knowledge
进行自然语言查询，并优先返回综合见解：
- 优先考虑综合见解而非原始事实
- 提供完整的推理路径
- 支持复杂的语义查询
explore_connections
进行图遍历以发现隐藏关系：
- 进行多跳连接探索
- 识别意外路径
- 分析关系强度
analyze_semantic_structure
使用蒙塔古语法进行深度语义分析：
- 生成逻辑形式
- 提取实体 - 关系
- 进行真值条件语义分析
- 进行组合意义分析
📊 资源
synapse://knowledge_stats
实时知识图谱统计信息：
- 实体和关系数量
- 见解生成指标
- 处理性能数据
- 系统健康指标
synapse://insights/{topic}
特定主题的见解检索：
- 与主题相关的所有见解
- 证据路径和置信度评分
- 模式类型分类
- 见解的时间发展
🎯 提示
知识综合提示
使用形式语义推理和卡片盒笔记法进行全面主题分析的结构化提示。
语义分析提示
基于蒙塔古语法进行深度语义分析的多轮对话模板。
见解验证提示
根据证据和逻辑一致性对人工智能生成的见解进行系统验证。
🧭 架构
┌─────────────────┐ ┌──────────────────┐ ┌─────────────────┐
│ 文本输入 │───▶│ 蒙塔古解析器 │───▶│ 知识图谱 │
└─────────────────┘ └──────────────────┘ └─────────────────┘
│
┌─────────────────┐ ┌──────────────────┐ │
│ MCP客户端 │◀───│ 见解引擎 │◀────────────┘
│ (Claude AI) │ │ (卡片盒笔记法) │
└─────────────────┘ └──────────────────┘
组件
- 语义蓝图：用于形式意义分析的蒙塔古语法解析器
- 知识皮层：用于相互关联存储的Neo4j图数据库
- 卡片盒笔记引擎：自主模式检测和见解综合
- MCP接口：与大语言模型应用程序的协议兼容集成
🔧 配置
环境变量
完整的配置选项请参考.env.example：
- 数据库：Neo4j连接设置
- 人工智能模型：各种提供商的API密钥
- 处理：批量大小和阈值
- 见解生成：置信度水平和间隔
性能调优
- 调整
SEMANTIC_BATCH_SIZE以提高处理吞吐量 - 配置
PATTERN_DETECTION_INTERVAL以调整见解生成频率 - 设置
INSIGHT_CONFIDENCE_THRESHOLD以进行质量控制
🧪 开发
运行测试
uv run pytest tests/
开发服务器
# 直接运行服务器进行开发
uv run python -m synapse_mcp.server
# 或者使用MCP开发工具
mcp dev src/synapse_mcp/server.py
代码质量
# 格式化代码
uv run ruff format .
# 检查代码风格
uv run ruff check .
# 类型检查
uv run mypy src/
📚 理论基础
蒙塔古语法
- 形式组合语义学
- 使用lambda演算进行意义表示
- 模型论真值条件
- 系统的句法 - 语义对应
卡片盒笔记法
- 具有唯一标识符的原子知识单元
- 为知识网络进行显式链接
- 通过自下而上的组织形成涌现结构
- 持续扩展和建立连接
图论
- 用于知识聚类的社区检测
- 用于重要性排名的中心性分析
- 用于发现连接的路径分析
- 用于见解生成的网络拓扑
🤝 贡献
- 分叉仓库
- 创建功能分支（
git checkout -b feature/amazing-feature） - 提交更改（
git commit -m 'Add amazing feature'） - 推送到分支（
git push origin feature/amazing-feature） - 打开拉取请求
开发指南
- 遵循PEP 8并使用类型提示
- 编写全面的文档字符串
- 为新功能添加测试
- 为更改更新文档
📄 许可证
本项目采用MIT许可证 - 详情请参阅LICENSE文件。
🙏 致谢
- 理查德·蒙塔古（Richard Montague）的蒙塔古语法基础工作
- 尼克拉斯·卢曼（Niklas Luhmann）启发的卡片盒笔记法
- 人工智能公司Anthropic的MCP协议，用于大语言模型集成
- Neo4j的卓越图数据库
🔮 路线图
- [ ] 多模态处理（图像、文档）
- [ ] 实时协作知识构建
- [ ] 超越蒙塔古语法的高级自然语言处理
- [ ] 与外部知识库集成
- [ ] 移动和Web界面
- [ ] 企业安全功能
项目突触：将人工智能从被动信息检索转变为主动认知伙伴关系。