Exocortex

Exocortex 🧠

“拓展你的思维。”——你的外部大脑

点击这里查看日语版 (Japanese)

---

Exocortex 是一个本地 MCP（Model Context Protocol）服务，充当开发者的“第二大脑”。

它会持久保存开发心得、技术决策和问题排查记录，让 AI 助手（如 Cursor）在需要时检索与当前上下文相关的记忆。

为什么选择 Exocortex？

🌐 跨项目共享知识

与按仓库存储数据的工具（例如每个项目中的 .serena/）不同，Exocortex 使用单一的集中式知识库。

Traditional approach (per-repository):
project-A/.serena/    ← isolated knowledge
project-B/.serena/    ← isolated knowledge
project-C/.serena/    ← isolated knowledge

Exocortex approach (centralized):
~/.exocortex/data/    ← shared knowledge across ALL projects
    ├── Insights from project-A
    ├── Insights from project-B
    └── Insights from project-C
        ↓
    Cross-project learning!

优势：

• 🔄 知识迁移：在一个项目中积累的经验，可立即用于其他项目
• 🏷️ 基于标签的发现：通过共享标签，在不同项目间查找相关记忆
• 📈 持续学习：你的外部大脑会随时间变得更聪明，而不是逐个项目分别成长
• 🔍 模式识别：在整个开发历程中发现常见问题及其解决方案

功能

• 🔒 完全本地化：所有数据和 AI 处理都保留在你的设备上，保障隐私。
• 🔍 语义搜索：按含义而非仅按关键词查找记忆。
• 🕸️ 知识图谱：通过显式链接维护项目、标签和记忆之间的关系。
• 🔗 记忆链接：关联相关记忆，构建可遍历的知识网络。
• ⚡ 轻量快速：使用嵌入式 KùzuDB 和轻量快速的 fastembed 模型。
• 🧠 记忆动态机制：根据新近程度和频率智能召回——访问频繁的记忆会显示在更靠前的位置。
• 🔥 挫折感索引：优先处理“痛苦的记忆”——调试噩梦会在搜索结果中获得更高权重。
• 🖥️ Web 仪表板：采用精美的赛博朋克风格界面，可浏览记忆、监控运行状况并可视化知识图谱。

📚 使用指南

→ 查看完整使用指南

• 包含使用场景的工具参考
• 实用工作流
• 提示词技巧
• 实用技巧

安装

# Clone the repository
git clone https://github.com/fuwasegu/exocortex.git
cd exocortex

# Install dependencies with uv
uv sync

使用

启动服务

uv run exocortex

Cursor 配置

将以下内容添加到 ~/.cursor/mcp.json：

选项 1：直接从 GitHub 获取（推荐）

uvx 缓存过期后会自动更新。无需手动执行 git pull。

{
  "mcpServers": {
    "exocortex": {
      "command": "uvx",
      "args": ["--from", "git+https://github.com/fuwasegu/exocortex", "exocortex"]
    }
  }
}

选项 2：本地安装

适用于开发或自定义。

{
  "mcpServers": {
    "exocortex": {
      "command": "uv",
      "args": ["--directory", "/path/to/exocortex", "run", "exocortex"]
    }
  }
}

**注意：**无论选择哪种选项，你的数据都会存储在 ~/.exocortex/ 中并得到保留。

选项 3：代理模式（多个 Cursor 实例——推荐）

如果你想在多个 Cursor 窗口中同时使用 Exocortex，请采用此方法。

KùzuDB 不支持多个进程并发写入。使用 stdio 方式时，每个 Cursor 实例都会启动自己的服务进程，因此会发生锁冲突。代理模式会在后台自动启动一个 SSE 服务，每个 Cursor 实例都通过代理连接。

{
  "mcpServers": {
    "exocortex": {
      "command": "uvx",
      "args": [
        "--from", "git+https://github.com/fuwasegu/exocortex",
        "exocortex",
        "--mode", "proxy",
        "--ensure-server"
      ]
    }
  }
}

工作原理：

1. 第一个 Cursor 启动 Exocortex → SSE 服务自动在后台启动
2. 后续的 Cursor 连接到现有 SSE 服务
3. 所有 Cursor 共用同一个服务 → 不会发生锁冲突！

**注意：**无需手动启动服务。如果服务尚未运行，--ensure-server 选项会自动启动它。

选项 4：手动管理服务（高级）

如果你更倾向于手动管理服务：

步骤 1：启动服务

# Start the server in a terminal (can also run in background)
uv run --directory /path/to/exocortex exocortex --transport sse --port 8765

步骤 2：配置 Cursor

{
  "mcpServers": {
    "exocortex": {
      "url": "http://127.0.0.1:8765/mcp/sse"
    }
  }
}

**额外福利：**通过此配置，你还可以访问位于 http://127.0.0.1:8765/ 的 Web 仪表板。

**提示：**若要在系统启动时自动启动服务，可在 macOS 上使用 launchd，或在 Linux 上使用 systemd。

MCP 工具

基础工具

工具	描述
exo_ping	健康检查，用于确认服务正在运行
exo_store_memory	存储一条新记忆
exo_recall_memories	通过语义搜索回忆相关记忆
exo_list_memories	分页列出已存储的记忆
exo_get_memory	按 ID 获取特定记忆
exo_delete_memory	删除一条记忆
exo_get_stats	获取已存储记忆的统计信息

高级工具

工具	描述
exo_link_memories	在两条记忆之间创建关联
exo_unlink_memories	移除记忆之间的关联
exo_update_memory	更新记忆的内容、标签或类型
exo_explore_related	通过图遍历发现相关记忆
exo_get_memory_links	获取一条记忆的所有出向关联
exo_trace_lineage	🕰️ 追踪一条记忆的演变过程／脉络（时间推理）
exo_curiosity_scan	🤔 扫描矛盾、过时信息和知识缺口
exo_analyze_knowledge	分析知识库的健康状况并获取改进建议
exo_sleep	触发后台整合（去重、孤立记忆恢复、自动关联）
exo_consolidate	从记忆簇中提取抽象模式
exo_compact	🧹 重建数据库以释放磁盘空间（参见压缩）

🤖 知识自主性

Exocortex 会自动改进你的知识图谱！存储一条记忆时，系统会：

1. 建议关联：查找相似的现有记忆并建议建立关联
2. 检测重复项：如果新记忆与现有记忆过于相似，则发出警告
3. 识别模式：识别成功经验是否可能解决过去的失败

// Example exo_store_memory response with suggestions
{
  "success": true,
  "memory_id": "...",
  "suggested_links": [
    {
      "target_id": "existing-memory-id",
      "similarity": 0.78,
      "suggested_relation": "extends",
      "reason": "High semantic similarity; may be an application of this insight"
    }
  ],
  "insights": [
    {
      "type": "potential_duplicate",
      "message": "This memory is very similar (94%) to an existing one.",
      "suggested_action": "Use exo_update_memory instead"
    }
  ]
}

🧠 自动记忆整合

正如人类在睡眠中整合记忆一样，Exocortex 会提示 AI 在存储后进行整理。

exo_store_memory 成功后，响应中会包含 next_actions，引导 AI：

1. 关联高相似度记忆（相似度 ≥ 0.7）
2. 处理重复项和矛盾
3. 定期运行健康检查（每 10 条记忆一次）

// Example response with next_actions
{
  "success": true,
  "memory_id": "abc123",
  "summary": "...",
  "consolidation_required": true,
  "consolidation_message": "🧠 Memory stored. 2 consolidation action(s) required.",
  "next_actions": [
    {
      "action": "link_memories",
      "priority": "high",
      "description": "Link to 2 related memories",
      "details": [
        {
          "call": "exo_link_memories",
          "args": {
            "source_id": "abc123",
            "target_id": "def456",
            "relation_type": "extends",
            "reason": "High semantic similarity"
          }
        }
      ]
    },
    {
      "action": "analyze_health",
      "priority": "low",
      "description": "Run knowledge base health check",
      "details": { "call": "exo_analyze_knowledge" }
    }
  ]
}

预期流程：

User: "Remember this insight"
    ↓
AI: exo_store_memory() → receives next_actions
    ↓
AI: exo_link_memories() for each high-priority action
    ↓
AI: "Stored and linked to 2 related memories."

⚠️ 重要限制：是否执行 next_actions 由 AI Agent 自行决定。尽管服务会通过 SERVER_INSTRUCTIONS 和 consolidation_required: true 强烈指示进行整合，但并不能保证 100% 执行。这是 MCP 协议的固有限制——服务只能提出建议，不能强制执行操作。实际上，大多数现代 AI 助手都会遵循这些指示，但在复杂对话中或与其他任务冲突时，可能会跳过这些操作。

exo_link_memories 的关系类型

类型	描述
related	大体相关的记忆
supersedes	此记忆更新／替换目标记忆
contradicts	此记忆与目标记忆矛盾
extends	此记忆扩展／阐述目标记忆
depends_on	此记忆依赖目标记忆
evolved_from	此记忆由目标记忆演变而来（时间推理）
rejected_because	此记忆因目标记忆而被拒绝
caused_by	此记忆由目标记忆导致

使用 exo_trace_lineage 进行时间推理

追踪决策和知识的沿革。了解某事为何演变成现在的样子。

参数	描述	示例
memory_id	起始记忆 ID	"abc123"
direction	"backward"（查找祖先）或 "forward"（查找后代）	"backward"
relation_types	要追踪的关系	["evolved_from", "caused_by"]
max_depth	最大遍历深度	10（默认值）

示例：了解做出某项决策的原因

Current Architecture Decision
    │
    ▼ trace_lineage(direction="backward")
    │
    ├─ [depth 1] Previous Design (evolved_from)
    │      "Switched from monolith to microservices"
    │
    └─ [depth 2] Original Problem (caused_by)
           "Scaling issues with single database"

用法：

AI: exo_trace_lineage(memory_id="current-decision", direction="backward")
    ↓
Result: Shows the evolution chain of how the current decision came to be

使用场景：

• 🔍 架构考古：「我们为什么选择这种方案？」
• 🐛 根因分析：「是什么导致了这个错误？」
• 📚 知识演变：「我们的理解发生了哪些变化？」

使用 exo_curiosity_scan 启动好奇心引擎

好奇心引擎会像好奇的人一样主动审视你的知识库。它会扫描不一致之处，查找未关联的记忆，并生成问题以提升知识质量。

检测内容：

类别	描述	示例
🔴 矛盾	彼此冲突的记忆	关于同一主题的成功与失败
📅 过时信息	可能需要复核的旧知识	已被取代但未建立关联的记忆
🔗 建议关联	应当建立关联的未关联记忆	共享标签、上下文或高度相似的记忆
❓ 问题	针对你的知识提出的类人问题	「这仍然有效吗？」

建议关联的检测策略：

策略	置信度	描述
共享标签	高（0.7+）	共享 2 个或更多标签的记忆可能相关
共享上下文	中（0.6）	相同项目 + 相同类型（洞见/决策）
语义相似度	高（0.7+）	向量相似度高（>70%）但尚未关联

输出示例：

{
  "contradictions": [
    {
      "memory_a_summary": "Caching approach works perfectly",
      "memory_b_summary": "Caching approach failed badly",
      "reason": "success vs failure on same topic",
      "confidence": 0.85
    }
  ],
  "suggested_links": [
    {
      "source_summary": "Database optimization technique",
      "target_summary": "Query performance improvement",
      "reason": "Share 3 tags: database, performance, optimization",
      "link_type": "tag_shared",
      "confidence": 0.8,
      "suggested_relation": "related"
    }
  ],
  "outdated_knowledge": [],
  "questions": [
    "🤔 These memories seem to contradict. Are both still valid?",
    "🔗 Found unlinked related memories. Link them to strengthen the graph?"
  ],
  "next_actions": [
    {
      "action": "create_link",
      "priority": "medium",
      "details": {
        "call": "exo_link_memories",
        "args": {
          "source_id": "...",
          "target_id": "...",
          "relation_type": "related"
        }
      }
    }
  ]
}

用法：

AI: exo_curiosity_scan(context_filter="my-project")
    ↓
Result: Report of issues, suggested links, and questions
    ↓
AI: Executes next_actions to create links
    ↓
Result: Knowledge graph becomes richer and more connected!

使用场景：

• 🔍 知识审计：「我的知识中是否存在矛盾？」
• 🔗 图谱扩充：「查找应当建立关联的未关联记忆」
• 🧹 质量维护：「有哪些内容需要清理？」
• 💡 发现：「我应该围绕自己的知识提出哪些问题？」

可选：增强型情感分析

如需在 exo_curiosity_scan 中更准确地检测矛盾，可以启用基于 BERT 的情感分析：

# Local installation
pip install exocortex[sentiment]
# or
uv sync --extra sentiment

// mcp.json with sentiment support
{
  "mcpServers": {
    "exocortex": {
      "command": "uvx",
      "args": [
        "--from", "exocortex[sentiment] @ git+https://github.com/fuwasegu/exocortex",
        "exocortex", "--mode", "proxy", "--ensure-server"
      ]
    }
  }
}

注意： 会增加约 2.5GB 的依赖项（PyTorch + Transformers）。默认的基于关键词的检测适用于大多数情况，并同时支持英语和日语。

环境变量

变量	默认值	描述
EXOCORTEX_DATA_DIR	~/.exocortex	数据库存储目录
EXOCORTEX_LOG_LEVEL	INFO	日志级别（DEBUG/INFO/WARNING/ERROR）
EXOCORTEX_EMBEDDING_MODEL	sentence-transformers/all-MiniLM-L6-v2	要使用的嵌入模型
EXOCORTEX_TRANSPORT	stdio	传输模式（stdio/sse/streamable-http）
EXOCORTEX_HOST	127.0.0.1	服务绑定地址（用于 HTTP 模式）
EXOCORTEX_PORT	8765	服务端口号（用于 HTTP 模式）

架构

Stdio 模式（默认）

┌─────────────────┐     stdio      ┌─────────────────────────────┐
│  AI Assistant   │ ◄──────────► │       Exocortex MCP         │
│   (Cursor)      │    MCP        │                             │
└─────────────────┘               │  ┌─────────┐  ┌──────────┐  │
                                  │  │ Tools   │  │ Embedding│  │
                                  │  │ Handler │  │  Engine  │  │
                                  │  └────┬────┘  └────┬─────┘  │
                                  │       │            │        │
                                  │  ┌────▼────────────▼─────┐  │
                                  │  │       KùzuDB          │  │
                                  │  │  (Graph + Vector)     │  │
                                  │  └────────────────────────┘  │
                                  └─────────────────────────────┘

HTTP/SSE 模式（多个实例）

┌─────────────────┐                
│  Cursor #1      │──────┐         
└─────────────────┘      │         
                         │  HTTP   ┌─────────────────────────────┐
┌─────────────────┐      ├────────►│       Exocortex MCP         │
│  Cursor #2      │──────┤   SSE   │      (Standalone)           │
└─────────────────┘      │         │                             │
                         │         │  ┌─────────┐  ┌──────────┐  │
┌─────────────────┐      │         │  │ Tools   │  │ Embedding│  │
│  Cursor #3      │──────┘         │  │ Handler │  │  Engine  │  │
└─────────────────┘                │  └────┬────┘  └────┬─────┘  │
                                   │       │            │        │
                                   │  ┌────▼────────────▼─────┐  │
                                   │  │       KùzuDB          │  │
                                   │  │  (Graph + Vector)     │  │
                                   │  └────────────────────────┘  │
                                   └─────────────────────────────┘

知识图谱结构

Memory ─── ORIGINATED_IN ──► Context (project)
Memory ─── TAGGED_WITH ────► Tag
Memory ─── RELATED_TO ─────► Memory (with relation type)

记忆动态

Exocortex 实现了一套受人类认知启发的记忆动态系统。记忆具有会影响搜索结果的“寿命”和“强度”：

混合评分公式：

Score = (S_vec × w_vec) + (S_recency × w_recency) + (S_freq × w_freq) + (S_frustration × w_frustration)

组成部分	描述	默认权重
S_vec	向量相似度（语义相关性）	0.50
S_recency	新近度分数（指数衰减：e^(-λ×Δt)）	0.20
S_freq	频率分数（对数刻度：log(1 + count)）	0.15
S_frustration	挫折分数（提升痛苦记忆的权重）	0.15

工作原理：

• 每次回忆记忆时，都会更新其 last_accessed_at 和 access_count
• 经常访问的记忆会获得更高的 S_freq 分数
• 最近访问的记忆会获得更高的 S_recency 分数
• 痛苦的记忆（调试噩梦）会获得更高的 S_frustration 分数，以提升优先级
• 陈旧且未使用的记忆会自然衰减，但仍可搜索

这样就构建了一个智能回忆系统，其中：

• 📈 重要记忆（经常使用）会始终保持突出
• ⏰ 优先考虑近期上下文
• 🔥 痛苦的记忆永远不会被遗忘——以避免重蹈覆辙
• 🗃️ 陈旧记忆会逐渐淡去，但不会消失

挫折索引（躯体标记假说）

基于神经科学的发现：“痛苦的记忆在决策时会被优先考虑”，Exocortex 会自动提升调试困境和来之不易的解决方案的重要性。

用法：

# Explicitly mark as a painful memory
exo_store_memory(
    content="Spent 3 hours debugging KùzuDB lock issues. Root cause was...",
    context_name="exocortex",
    tags=["bug", "kuzu"],
    is_painful=True,  # ← Important!
    time_cost_hours=3.0,  # ← Record time spent
)

自动检测： 即使没有 is_painful，系统也会根据内容自动检测挫折程度：

• 😓 低（0.2-0.4）：“棘手”“奇怪”“变通方案”
• 🔥 中（0.4-0.6）：“终于”“漏洞”“数小时”
• 🔥🔥 高（0.6-0.8）：“卡住”“沮丧”
• 🔥🔥🔥 极高（0.8-1.0）：“噩梦”“不可能”“地狱”

搜索结果：

{
  "memories": [
    {
      "id": "...",
      "summary": "KùzuDB lock issue resolution",
      "frustration_score": 0.85,
      "pain_indicator": "🔥🔥🔥",   // ← Visual emphasis
      "time_cost_hours": 3.0
    }
  ]
}

睡眠／梦境机制

就像人类在睡眠中巩固记忆一样，Exocortex 有一个后台巩固进程，用于整理你的知识图谱：

┌─────────────────────────────────────────────────────────────┐
│                    exo_sleep() called                        │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│              Dream Worker (Detached Process)                 │
│  ┌──────────────────────────────────────────────────────┐   │
│  │ 1. Deduplication                                      │   │
│  │    - Find memories with similarity >= 95%             │   │
│  │    - Link newer → older with 'related' relation       │   │
│  ├──────────────────────────────────────────────────────┤   │
│  │ 2. Orphan Rescue                                      │   │
│  │    - Find memories with no tags and no links          │   │
│  │    - Link to most similar memory with 'related'       │   │
│  ├──────────────────────────────────────────────────────┤   │
│  │ 3. Auto-linking (High Confidence Only)                │   │
│  │    - Tag sharing: 3+ shared tags → 'related'          │   │
│  │    - Semantic: 80%+ similarity → 'related'            │   │
│  ├──────────────────────────────────────────────────────┤   │
│  │ 4. Pattern Mining (Phase 2)                           │   │
│  │    - Extract common patterns from memory clusters     │   │
│  └──────────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────────┘

用法：

AI: "I've completed the task. Let me consolidate the knowledge base."
    ↓
AI: exo_sleep() → Worker spawns in background
    ↓
AI: "Consolidation process started. Your knowledge graph will be optimized."

主要功能：

• 🔄 非阻塞：立即返回，巩固在后台运行
• 🔐 安全：使用文件锁，避免与活动会话发生冲突
• 📊 日志：启用 enable_logging=True 以跟踪进度

ℹ️ 代理模式：从 v1.1.0 起，exo_sleep 可在代理模式下运行。现在，服务会在启动工作进程前移交数据库锁，并在几秒钟无活动后自动释放该锁。

这只是尽力而为，并非保证：如果服务正忙于处理请求，它可能会在工作进程（该进程会先加载嵌入模型）获取锁之前重新获取数据库锁。如果工作进程报告锁超时，只需等系统空闲时重试即可。

压缩

如果你的数据库目录远大于其中的数据量——几千条记忆就占用数百 MB——说明它受到 v1.1.0 之前存在的写入路径漏洞影响，导致体积膨胀。每条写入查询都会执行完整的存储检查点，而每次检查点都会重写关系列数据块，却不回收页面（每个关系都会让文件增长约 386 KiB）。受影响严重的数据库最终甚至无法读取膨胀后的列：

RuntimeError: Buffer manager exception: Unable to allocate memory!

v1.1.0 修复了问题根源，但已经膨胀的数据库不会自行缩小。请重新构建：

# As a CLI (the server must not be running)
uvx --from git+https://github.com/fuwasegu/exocortex exocortex --mode compact

# Keep no backup (the pre-compaction copy is kept under ~/.exocortex/backups/ by default)
uvx --from git+https://github.com/fuwasegu/exocortex exocortex --mode compact --no-backup

或者让你的 AI 助手调用 exo_compact。

原始数据库会被移至 ~/.exocortex/backups/，只有在重建完全成功后才会被替换。已经无法读取的关系文本无法恢复——这些列会被报告并以空内容重新构建，以保留图谱的其余部分。

EXPORT DATABASE 不能替代压缩：对于恰好需要压缩的数据库，该命令会耗尽内存。

模式抽象（概念形成）

Exocortex 可以从具体记忆中提取抽象模式，构建分层知识结构：

┌─────────────────────────────────────────────────────────────────┐
│                         Pattern Layer                            │
│  ┌───────────────────────────────────────────────────────────┐  │
│  │ "Always use connection pooling for database connections"   │  │
│  │ Confidence: 0.85 | Instances: 5                           │  │
│  └───────────────────────────────────────────────────────────┘  │
└─────────────────────────────────────────────────────────────────┘
                    ▲ INSTANCE_OF    ▲ INSTANCE_OF
       ┌────────────┴────────────────┴────────────┐
┌──────┴──────┐  ┌───────────┐  ┌───────────┐  ┌──┴────────┐
│ Memory #1   │  │ Memory #2 │  │ Memory #3 │  │ Memory #4 │
│ PostgreSQL  │  │ MySQL     │  │ Redis     │  │ MongoDB   │
│ pooling fix │  │ pool size │  │ conn reuse│  │ pool leak │
└─────────────┘  └───────────┘  └───────────┘  └───────────┘
                     Memory Layer (Concrete)

用法：

AI: exo_consolidate(tag_filter="database") → Extracts patterns from database-related memories
    ↓
Result: "Created 2 patterns from 8 memories"

优势：

• 🎯 泛化：发现适用于各种具体情况的规则
• 🔍 元学习：在不同项目中找出有效和无效的方法
• 📈 建立信心：随着关联的实例增多，模式会变得更可靠

Web 仪表板

Exocortex 提供了一个精美的 Web 仪表板，用于可视化和管理你的知识库。

访问仪表板

🚀 使用代理模式时（推荐）

无需运行终端命令！ 使用 Cursor 配置代理模式（--mode proxy --ensure-server）时，SSE 服务会自动在后台运行。

只需在浏览器中打开：

http://127.0.0.1:8765/

Cursor starts
    ↓
Proxy mode → SSE server auto-starts (port 8765)
    ↓
├─ MCP: http://127.0.0.1:8765/mcp/sse ← Used by Cursor
└─ Dashboard: http://127.0.0.1:8765/ ← Just open in browser!

手动启动服务

如果你想在不使用 Cursor 的情况下查看仪表板：

# Start SSE server (includes dashboard)
uv run exocortex --transport sse --port 8765

URL：

• 仪表板：http://127.0.0.1:8765/
• MCP SSE：http://127.0.0.1:8765/mcp/sse

仪表板功能

标签页	说明
概览	统计数据、上下文、标签和知识库健康评分
记忆	分页浏览、筛选和搜索记忆
梦境日志	后台整合流程的实时流式日志
图谱	显示记忆关联的可视化知识图谱

截图

概览标签页

• 按类型统计记忆总数（洞见、成功、失败、决策、笔记）
• 上下文和标签云，便于快速导航
• 健康评分及改进建议

记忆标签页

• 按类型筛选（洞见/成功/失败/决策/笔记）
• 按上下文（项目）筛选
• 点击任意记忆，即可查看完整详情和链接

图谱标签页

• 交互式节点可视化
• 按记忆类型使用不同颜色：
  • 🔵 青色：洞见
  • 🟠 橙色：决策
  • 🟢 绿色：成功
  • 🔴 红色：失败
• 连线表示记忆之间的 RELATED_TO 关联

独立仪表板模式

你也可以在其他端口单独运行仪表板：

uv run exocortex --mode dashboard --dashboard-port 8766

**注意：**在独立模式下，仪表板连接到同一个数据库，但不包含 MCP 服务。

文档

• 设计文档 - 系统设计和规范
• 图谱架构 - 知识图谱的工作原理

开发

# Install dependencies
uv sync

# Run tests
uv run pytest

# Run with debug logging
EXOCORTEX_LOG_LEVEL=DEBUG uv run exocortex

许可证

MIT 许可证