Project Zurvan
Project Zurvan اسناد خام را به ویکیِ پیوندخورده، قابل‌جست‌وجو و سازگار با git تبدیل می‌کند و آن را از طریق سرور Model Context Protocol یا MCP در اختیار عامل‌های هوش مصنوعی می‌گذارد. این موتور دانش مبتنی بر LLM با اولویت پردازش محلی، با الهام از نوشتهٔ Andrej Karpathy دربارهٔ مدیریت دانش شخصی، برای پژوهشگران، مهندسان و عامل‌هایی ساخته شده که حافظهٔ بلندمدت ساختاریافته را بدون وابستگی به ابر می‌خواهند.
مخزن کد منبع خصوصی است. برای درخواست دسترسی با من تماس بگیرید.
۰۱ / نمای کلی
دانش و بازیابی
یک ایدهٔ نوع‌دار را از منبع تا زمینهٔ عامل دنبال کنید
یک نوع دانش را انتخاب کنید تا رابطهٔ شماتیک آن از سند منبع تا بازیابی روشن شود. برچسب‌های زیر معماری را توضیح می‌دهند، نه نمونه‌ای از پیکرهٔ خصوصی.
طرح‌وارهٔ توضیحی · بدون نمایش رکوردهای پیکره یا نتیجهٔ بازیابیاستخراج از محتوای منبع؛ پیوندها میان منابع انباشته می‌شوند
ادعا: بازیابی با جست‌وجوی ترکیبی؛ همسایه‌های گراف می‌توانند زمینهٔ مرتبط بیفزایند
معنای نوع انتخاب‌شده
- ادعا
گرهٔ ادعا یک گزاره را به‌صورت دانش ساخت‌یافته و پیوندخورده به منبع نگه می‌دارد.
- مفهوم
گرهٔ مفهوم، موضوع را به دانش مرتبط در ویکی محلی پیوند می‌دهد.
- موجودیت
گرهٔ موجودیت، موضوع نام‌دار را بازنمایی می‌کند که می‌تواند به ادعاها و مفهوم‌ها پیوند بخورد.
- تصمیم
گرهٔ تصمیم، تصمیم را به‌عنوان موردی نوع‌دار ثبت می‌کند تا همراه زمینهٔ مرتبط بازیابی شود.
این طرح‌واره کامل‌بودن وفاداری به منبع، پوشش منشأ یا یادآوری بازیابی را ادعا نمی‌کند؛ فقط مدل داده و مراحل مستند بازیابی را نشان می‌دهد.
مخزن Zurvan خصوصی است؛ این طرح‌وارهٔ عمومی از برچسب‌های کلی استفاده می‌کند و رکوردی از پیکره ندارد.
مسئله
عامل‌های LLM حافظهٔ پایدار و ساختاریافتهٔ میان‌جلسه‌ای ندارند. مسیرهای موجود RAG یا زیرساخت ابری می‌خواهند یا رابطه‌های دانش، مانند پشتیبانی یک ادعا از تصمیم یا تعارض دو مفهوم، را از دست می‌دهند. راهکار محلی باید اسناد گوناگون را دریافت کند، رابطه‌ها را در گراف حفظ کند و داده را به‌شکلی قابل‌پرس‌وجو و حافظ حریم خصوصی به عامل ارائه دهد.
نمای کلی راهکار
- مسیر دریافت محلی MD، PDF، TXT و تصویر با مخزن دانش مبتنی بر SQLite ساخته شد.
- استخراج LLM، گره‌های نوع‌دارِ ادعا، مفهوم، موجودیت و تصمیم می‌سازد و با رشد پیکره، دانش منابع را به‌صورت افزایشی ترکیب می‌کند.
- جست‌وجوی ترکیبی FTS5 و معنایی با گسترش همسایه‌های گراف، بسته‌های عمیق زمینه را برای دستور عامل فراهم می‌کند.
- سرور MCP با stdio، ابزارهای zurvan_search، zurvan_context، zurvan_remember، zurvan_decision_add و ابزارهای گراف را به Claude Code و Cursor ارائه می‌دهد.
- اتحاد چندپروژه‌ای، مخزن‌های مستقل را با جست‌وجوی میان‌مخزنی، تشخیص تعارض و پایش انحراف سیاست مدیریت می‌کند.
۰۲ / شواهد
شواهد و راستی‌آزمایی
- 218 آزمون موفق در 18 مرحلهٔ تکمیل‌شدهٔ توسعه.
- سرور MCP با راهنمای راه‌اندازی کلاینت‌های Claude Code و Cursor راستی‌آزمایی شده است.
- یکپارچگی با مخزن Obsidian و گراف رنگیِ 7 نوع دانش: ادعا، مفهوم، موجودیت، تصمیم، جلسه، تعارض و ترکیب.
- مسیر بستهٔ شواهد، گزارش، بازبینی و انتشار کاملاً آفلاین اجرا می‌شود.
- هماهنگ‌سازی گردش کار عامل، شامل بررسی آغازین، پس از ویرایش و پایان جلسه، برای Claude Code و Codex مستند شده است.
۰۳ / روش‌ها
پیاده‌سازی
پشته فناوری
- Python 3.10+
- SQLite FTS5 (جست‌وجوی ترکیبی)
- سرور MCP با stdio
- ارائه‌دهندگان LLM شامل OpenAI / Anthropic / Mock
- ساختار مخزن سازگار با Obsidian
- دریافت Markdown، PDF، TXT و تصاویر در ویکی پیوندخورده، قابل‌جست‌وجو و سازگار با git.
- استخراج گره‌های نوع‌دارِ ادعا، مفهوم، موجودیت و تصمیم با LLM و ترکیب افزایشی دانش منابع.
- جست‌وجوی ترکیبی FTS5 و معنایی با گسترش همسایه‌های گراف برای ساخت بسته‌های متراکم زمینه.
- سرور MCP با stdio، ابزارهای zurvan_search، zurvan_context، zurvan_remember، zurvan_decision_add و گراف را برای Claude Code و Cursor ارائه می‌دهد.
- اتحاد چندپروژه‌ای با جست‌وجوی میان‌مخزنی، تشخیص تعارض و پایش سیاست در مخزن‌های مستقل.
- 218 آزمون موفق در 18 مرحلهٔ تکمیل‌شده.
امنیت
- معماری با اولویت پردازش محلی؛ بدون ذخیره‌سازی ابری یا انتقال بیرونی محتوای سند.
- سرور MCP به‌طور پیش‌فرض فقط‌خواندنی است؛ حالت نوشتن به پرچم پذیرش صریح نیاز دارد.
- مسیر پروژه‌ها در ~/.zurvan/projects.json ذخیره می‌شود و هرگز در کنترل نسخه ثبت نمی‌شود.
- ارائه‌دهندهٔ Mock LLM برای توسعه و آزمون ایمن بدون افشای کلید API موجود است.
- حافظهٔ عامل برای هر مخزن جداست؛ اتحاد میان مخزن‌ها به ثبت صریح نیاز دارد.