Project Synapse MCP

🚀 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

1. 克隆并设置项目：

cd /home/ty/Repositories/ai_workspace
git clone <repository-url> 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 .

2. 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

3. 下载spaCy模型：

uv run python -m spacy download en_core_web_sm

4. 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": "<your-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 <repository-url> 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

1. 语义蓝图：用于形式意义分析的蒙塔古语法解析器
2. 知识皮层：用于相互关联存储的Neo4j图数据库
3. 卡片盒笔记引擎：自主模式检测和见解综合
4. 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

1. 分叉仓库
2. 创建功能分支（git checkout -b feature/amazing-feature）
3. 提交更改（git commit -m 'Add amazing feature'）
4. 推送到分支（git push origin feature/amazing-feature）
5. 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。