Cognitive Core

AI memory + multi-agent rooms + git-сервер + video-generation для AI-агентов. 5-слойная память, MCP-native, RU-first, Stripe/ЮKassa billing, 152-ФЗ compliance. Работает с Claude Desktop, Cursor, Cherry Studio, ChatGPT через MCP/Custom Connector.

⚡ За 1 минуту: попробовать без установки

Публичный инстанс: https://mcp.me-ai.ru (legacy: https://mcp.ии-память.рф)

1. Email + OTP → /ui/login
2. «🪄 Передать помощнику» в /ui/profile → 1-клик настройка для Claude Code / Cursor / ChatGPT
3. После рестарта твоего AI-клиента — 29 MCP-инструментов (cognitive_remember, cognitive_recall, room_post, cognitive_video_generate, cognitive_media_upload_init...)

Free tier: 10k событий/день, 1 GB медиа, 10 агентов. Pro (490₽/мес или $5/mo) — 10x всё + приоритетная поддержка. Тарифы: /ui/pricing.

📦 Что внутри (2026-05-26)

Полный TOC документации: docs/index.md.

Зачем это

Большинство AI-памятей — add() + search() поверх vector DB. Cognitive Core делает иначе: сырое событие → дневной анализ → недельный синтез → долговременное знание, а на каждом переходе LLM-куратор отсеивает шум. Результат: ваш агент помнит выученные уроки, а не каждое нажатие.

Кому

За 30 секунд (local)

git clone <repo-url> cognitive-core && cd cognitive-core
cp .env.example .env  # вставьте DEEPSEEK_API_KEY
docker compose up -d
open http://localhost:9001/   # главная с кнопкой "Запустить демо"

Свой VPS (one-liner, ~10 мин)

Для tenant'ов кому нужна полная изоляция (не shared cloud):

curl -fsSL https://mcp.me-ai.ru/static/install-self-hosted.sh | sudo bash

Скрипт спросит домен + email + SMTP creds → выпустит TLS-сертификаты → поднимет docker-compose → прогонит миграции → создаст admin-аккаунт. Полная инструкция: docs/onboarding-vps.md.

Production server (1 команда)

ssh user@your-vps
git clone <repo-url> /opt/cognitive-core && cd /opt/cognitive-core
DOMAIN=cognitive.example.com [email protected] bash install-server.sh

10 минут — рабочий HTTPS-стек с авто-бэкапами, MCP SSE для удалённых клиентов, systemd auto-start. См. DEPLOY-SERVER.md.

Что это

Большинство AI-памятей — это «положил вектор → нашёл по сходству». Cognitive Core делает иначе: сырое событие → дневной анализ → недельный синтез → долговременное знание, и на каждом переходе работает LLM-куратор, отсеивающий шум.

Результат: ваш агент помнит уроки, а не каждое нажатие.

Через минуту локального демо в системе будет 18 событий, 3 дневных буфера и ~30 выученных знаний.

Сравнение с конкурентами

Детальное сравнение с примерами кода — COMPARISON.md. Анализ рынка — MARKET.md.

Главная идея — 5 слоёв памяти

L1 сырые события  →  L2 дневные срезы  →  L3 эталонные знания  →  L4 архив (S3)
        ↓                  ↓ (LLM)                ↓ (LLM+куратор)         ↓
  POST /events        ежедневно ночью          еженедельно           снапшоты
                                                    ↓
                                              OP — KNN-поиск из агентов

Почему это лучше обычного RAG

Стек

• Python 3.11 + FastAPI + asyncpg
• PostgreSQL 16 с расширением pgvector (HNSW для KNN)
• Redis Stack (RediSearch для быстрого KNN с TAG-фильтром)
• MinIO (S3-совместимое хранилище для L4)
• DeepSeek V4 Pro как основной LLM (с fallback на OpenAI / Ollama)
• fastembed multilingual-e5-small для эмбеддингов (CPU, 384-dim, 8 языков)
• Docker Compose — поднимается одной командой

Без npm/build для UI: vanilla HTML+CSS+JS, ~600 LOC.

Установка и запуск

Требования

• Docker + Docker Compose v2
• 4 GB RAM (для контейнеров) + 1 GB для fastembed model cache

Шаги

# 1. Клонировать
git clone <repo-url> cognitive-core
cd cognitive-core

# 2. Конфигурация
cp .env.example .env
# Откройте .env и установите DEEPSEEK_API_KEY (получить на platform.deepseek.com)

# 3. Запустить
docker compose up -d --build

# 4. Проверить
curl http://localhost:9001/health
# {"healthy":true,"version":"0.2.0",...}

# 5. Загрузить демо-данные (опционально — можно из UI)
python scripts/seed_demo.py --full

Порты по умолчанию

• 9001 — Web UI + API (FastAPI)
• 5432 — PostgreSQL
• 6379 — Redis
• 9000 / 9002 — MinIO API / Console (admin: minioadmin/minioadmin)

Web-интерфейс

API кратко

# Записать событие в L1
curl -X POST http://localhost:9001/events \
  -H "X-API-Key: key-design-001" \
  -H "Content-Type: application/json" \
  -d '{"source_agent":"my_agent","domain":"my_domain","payload":{"task":"...","result":"...","feedback":"positive"}}'

# Найти знания по KNN
curl -X POST http://localhost:9001/operative/query \
  -H "X-API-Key: key-design-001" \
  -H "Content-Type: application/json" \
  -d '{"domain":"my_domain","context":"how to ...","top_k":5}'

# Запустить daily консолидацию
curl -X POST "http://localhost:9001/memory/consolidate/daily?domain=my_domain" \
  -H "X-API-Key: key-design-001"

Полный список — в DEMO.md или открыв /docs.

Python SDK

from cognitive import AsyncMemoryClient

async with AsyncMemoryClient(
    base_url="http://localhost:9001",
    api_key="key-design-001",
) as memory:
    # Записать опыт
    await memory.remember(
        domain="codegen",
        payload={"task": "...", "result": "...", "feedback": "positive"},
    )
    # Найти знания
    results = await memory.recall(domain="codegen", context="how to ...")

См. cognitive-client/README.md для полного API.

MCP-сервер для Claude Desktop / Cursor / Code

Cognitive Core можно подключить к любому MCP-совместимому ИИ-клиенту:

// claude_desktop_config.json
{
  "mcpServers": {
    "cognitive-core": {
      "command": "python",
      "args": ["-m", "mcp_server.server"],
      "cwd": "/path/to/cognitive-core",
      "env": {
        "COGNITIVE_API_URL": "http://localhost:9001",
        "COGNITIVE_API_KEY": "key-design-001"
      }
    }
  }
}

После перезапуска Claude получает 7 инструментов: cognitive_remember, cognitive_recall, cognitive_list, cognitive_tools, cognitive_consolidate, cognitive_health, cognitive_domains.

Подробности в mcp_server/README.md.

Тестирование

# Все тесты в контейнере
docker exec cognitive_api python -m pytest tests/ -v

# Только юнит-тесты (без сети/LLM)
docker exec cognitive_api python -m pytest tests/test_sanitizer.py tests/test_embedder.py tests/test_models.py -v

# Только API + интеграция
docker exec cognitive_api python -m pytest tests/test_api.py tests/test_dashboard.py -v

Текущие категории:

• test_models.py — Pydantic-схемы (12 тестов)
• test_sanitizer.py — фильтр SQL/JS/XSS/shell (20 тестов)
• test_embedder.py — эмбеддинги (3 теста)
• test_api.py — интеграция API (34 теста)
• test_dashboard.py — read-only обозреватели (8 тестов)
• test_advisory_lock.py — защита от двойной консолидации (3 теста)
• test_pgvector.py — pgvector интеграция (6 тестов)
• test_demo.py — streaming /demo/run (2 теста)

Безопасность

• Аутентификация: X-API-Key per-agent через AGENT_API_KEYS в .env
• Rate limiting: 100 событий/сек на агента (Redis INCR + TTL)
• Sanitizer: блокирует SQL-инъекции, JS, XSS, shell-команды до записи в L1
• JSON depth limit: ≤10 уровней, ≤500 ключей, ≤256KB payload
• Audit log L5: каждое действие логируется (агент, время, цель, успех/ошибка)
• L4 snapshots: SHA-256 проверка целостности при восстановлении

Для production:

• TLS через nginx — конфиг в nginx/ + docker-compose.prod.yml
• Бэкапы Postgres: scripts/backup_postgres.sh
• Подробнее: DEPLOY.md

Hot-reload эмбеддингов

При смене эмбеддинг-модели в app/services/embedder.py:

# Удалит stale-векторы из Redis + переиндексирует все домены
curl -X POST http://localhost:9001/memory/reindex \
  -H "X-API-Key: key-design-001"

# Cold-start после рестарта Redis (без LLM-вызовов)
curl -X POST http://localhost:9001/memory/restore-redis \
  -H "X-API-Key: key-design-001"

Производительность

На обычном ноутбуке (M2 / 16GB / без GPU):

• POST /events: ~5 ms
• KNN-запрос (RediSearch, до 1000 знаний): ~3-5 ms
• KNN-запрос (pgvector HNSW, до 1000 знаний): ~5-15 ms
• Daily consolidation (DeepSeek): ~10 сек на домен
• Weekly consolidation: ~20-30 сек на домен
• fastembed на CPU: ~50-100 ms на embed

Дорожная карта

Полный план — roadmap.md.

Структура проекта

cognitive-core/
├── app/                       # FastAPI приложение
│   ├── api/                   # Роутеры: events, operative, memory, tools, dashboard, demo
│   ├── db/                    # Адаптеры: postgres (asyncpg), redis, s3 (minio)
│   ├── models/                # Pydantic-схемы
│   ├── security/              # auth, sanitizer, validator, audit
│   ├── services/              # Бизнес-логика: ingestor, analyzer, consolidator, curator,
│   │                          #    embedder, llm_client, operative, tools, prompts, metrics
│   ├── main.py                # FastAPI + lifespan + middleware
│   ├── config.py              # Pydantic-settings из .env
│   └── worker.py              # Фоновый scheduler (daily/weekly/monthly)
├── sandbox/                   # Web UI: home.html, dashboard.html, index.html, shared.css, tour.js
├── mcp_server/                # MCP-сервер для Claude Desktop / Cursor / Code
├── cognitive-client/          # Python SDK (sync + async)
├── tests/                     # 80+ pytest
├── scripts/                   # seed_demo.py, delegate_deepseek.py, consult_deepseek.py
├── nginx/                     # nginx.conf для production TLS
├── docker-compose.yml         # Локальная разработка
├── docker-compose.prod.yml    # Production (с nginx + TLS)
├── Dockerfile
├── requirements.txt
├── .env.example
├── README.md                  # ← вы здесь
├── DEMO.md                    # Пошаговая инструкция демо
├── DEPLOY.md                  # Runbook production-деплоя
├── roadmap.md                 # План развития
└── CLAUDE.md                  # Заметки для AI-помощников

Вклад в проект

PR'ы приветствуются. Перед PR:

1. docker exec cognitive_api python -m pytest tests/ должен быть зелёным
2. Новый код покрыт тестами
3. Изменение API → обновить DEMO.md
4. Изменение архитектуры → обновить roadmap.md

Лицензия

MIT — см. LICENSE.

Благодарности

• DeepSeek — основной LLM
• pgvector — векторный поиск в Postgres
• Redis Stack — KNN с TAG-фильтрами
• fastembed — лёгкие эмбеддинги без GPU
• FastMCP — MCP-сервер на Python