Open Brain

Open Brain

基于图结构的 MCP 记忆。LongMemEval 基准测试得分为 37.2%——大多数记忆系统不会公布这项基准测试的成绩。

面向 MCP 客户端（Claude、ChatGPT，以及任何支持 MCP 的助手）的可自托管记忆服务。想法从 Telegram、流水线或直接采集入口流入，并存入采用 Newman-IDF 加权的实体图，而非扁平文档存储。后台会自动运行 Dream 周期：消除近似重复项、追踪主题漂移、综合不同集群中的见解，并归档过时内容。17 个 MCP 工具。PostgreSQL + pgvector。你的数据由你掌控。

工作原理

flowchart LR
    TG[Telegram Message] --> TGBot[telegram-bot\nEdge Function]
    MCP[AI Client\nClaude/ChatGPT] --> MCPServer[open-brain-mcp\nEdge Function]
    Pipeline[RSS/HF Papers/\nEmergent Mind] --> RunPipeline[run-pipeline\nEdge Function]
    TGBot --> OR1[OpenRouter\nEmbedding + Metadata]
    MCPServer --> OR2[OpenRouter\nEmbedding + Search]
    RunPipeline --> OR3[OpenRouter\nTriage + Embed]
    OR1 --> DB[(Postgres\n+ pgvector)]
    OR2 --> DB
    OR3 --> DB
    MCPServer --> DB
    TGBot --> TGReply[Telegram Reply\nwith Metadata]

采集路径

你向 Telegram 机器人发送消息时，telegram-bot Edge Function 会通过 webhook 接收消息。它会并行将消息发送到 OpenRouter，完成两项任务：生成向量嵌入（对含义的数值表示），并提取主题、提及的人物、行动项、主题、质量评分和命名实体等元数据。系统会检查想法是否存在语义重复项，将其存入数据库并自动关联相关想法，随后机器人会回复已采集内容的摘要。

流水线路径

run-pipeline Edge Function 会自动采集 RSS 源（AI 新闻简报）、Hugging Face 每日论文和 Emergent Mind（热门 arXiv 论文）中的想法。每个条目都会经过相关性筛选、嵌入、去重，然后存储。通过 GitHub Actions（Supabase 部署）或内置的 cron 容器（Docker 部署）按计划运行。

检索路径

任何通过 MCP（Model Context Protocol）连接的 AI 客户端，都可以使用语义搜索按含义查找想法，按筛选条件（类型、主题、人物、时间）浏览，获取汇总统计数据，或请求主题周报。open-brain-mcp Edge Function 会处理这些请求，并使用你的个人访问密钥进行身份验证。

知识图谱

每个想法都会根据向量相似度自动关联到相关想法。相似度高于 0.80 的关联会由大模型归类为不同类型的关系（扩展、矛盾、作为证据支持、取代）。系统会提取命名实体（人物、工具、项目、组织），并将其解析到共享实体图中。共现边会追踪一段时间内哪些想法被同时检索，并根据实际使用模式强化关联。

存储

所有数据都存储在 Postgres 中，并通过 pgvector 实现快速相似度搜索。想法连同其嵌入（1536 维向量）、元数据、类型化关联和实体引用一并存储。你可以部署在 Supabase（托管服务）上，也可以通过 Docker Compose 自托管。

部署选项

选择运行 Open Brain 的方式：

	Supabase（托管）	Docker Compose（自托管）
设置	关联项目 + 运行脚本	cp .env.example .env + ./start.sh
基础设施	由 Supabase 管理	在你的计算机/服务端上运行
定时调度	GitHub Actions	内置 cron 容器
费用	Supabase 免费套餐 + OpenRouter	仅需 OpenRouter
指南	继续阅读	Docker 指南

Supabase 部署

前置条件

1. Supabase 账户——Supabase 是托管式 Postgres 数据库，内置 API、身份验证和 Edge Functions（无服务器代码）。在 supabase.com 创建免费账户。创建新项目——你需要项目 URL（格式如 https://abcdef.supabase.co）和服务角色密钥（可在 Settings > API 下找到的一长串字符）。

2. Supabase CLI——用于管理 Supabase 项目的命令行工具（应用数据库迁移、部署函数、设置密钥）。

   npm install -g supabase
   

3. OpenRouter 账户——OpenRouter 可将请求路由到 AI 模型。此处用于生成嵌入（思想的向量表示）和提取元数据。在 openrouter.ai 创建账户，并从控制面板生成 API 密钥。

4. Telegram 机器人（推荐）——随时记录想法的主要方式。在 Telegram 上通过 @BotFather 创建机器人，然后运行设置脚本（见下文）。如果你只需要 MCP 访问权限，可以跳过此步骤。

快速开始

1. 克隆代码仓库

git clone https://github.com/YOUR_USERNAME/open_brain.git
cd open_brain

2. 关联 Supabase 项目

cd supabase
supabase link --project-ref YOUR_PROJECT_REF
cd ..

**提示：**项目引用是 Supabase URL 中的子域名。如果你的 URL 是 https://abcdef.supabase.co，那么项目引用就是 abcdef。

3. 运行引导设置

./scripts/bootstrap.sh

引导设置会指导你配置环境。它会逐一提示输入每个密钥（Supabase URL、服务角色密钥、OpenRouter API 密钥、Telegram 令牌等），自动生成加密的 MCP 访问密钥，并将所有内容写入 .env.local。如果你已经有 .env.local，它会显示现有值，并允许你更新指定值。

4. 运行部署

./scripts/deploy.sh

部署会应用数据库架构（创建带有向量搜索索引的 thoughts 表）、将密钥上传到 Supabase，并部署所有 Edge Functions。每项操作完成时，都会显示分步检查清单。最后，它会输出 MCP 连接 URL 和可直接粘贴的 Claude Code 命令。

5. 运行验证

./scripts/validate.sh

验证会针对已运行的部署执行 8 项检查，以确认一切正常：数据库访问、RPC 函数、Edge Function 可访问性、身份验证、想法记录、语义搜索和想法列表。它会为每项检查显示通过/失败状态，并给出最终摘要。

设置 Telegram 机器人（可选）

在 Telegram 上通过 @BotFather 创建机器人，然后运行设置脚本：

./scripts/setup-telegram.sh YOUR_BOT_TOKEN

脚本会验证令牌、注册 webhook、设置命令自动补全，并输出需要配置的环境变量和密钥。按照输出的说明完成设置。

连接你的 AI 客户端

部署完成后，连接 AI 客户端即可开始使用 Open Brain。你需要两个值：

• MCP 端点 URL：https://YOUR_REF.supabase.co/functions/v1/open-brain-mcp/mcp（Supabase）或 http://localhost:80/functions/v1/open-brain-mcp（Docker）
• **MCP 访问密钥：**设置期间生成的密钥（存储在 .env.local 或 Docker .env 中）

**提示：**部署脚本（Supabase）或启动脚本（Docker）会输出填入了你实际值的准确连接命令。

Claude Code（CLI——推荐）

claude mcp add --transport http --header "x-brain-key: YOUR_MCP_KEY" open-brain https://YOUR_REF.supabase.co/functions/v1/open-brain-mcp/mcp

这会将 Open Brain 注册为 MCP 服务，供 Claude Code 在任何对话中使用。将 YOUR_MCP_KEY 和 YOUR_REF 替换为你的实际值。

Claude Code（项目 .mcp.json）

将以下内容添加到项目根目录的 .mcp.json 文件中，与团队共享连接配置：

{
  "mcpServers": {
    "open-brain": {
      "type": "http",
      "url": "https://YOUR_REF.supabase.co/functions/v1/open-brain-mcp/mcp",
      "headers": {
        "x-brain-key": "${MCP_ACCESS_KEY}"
      }
    }
  }
}

注意：${MCP_ACCESS_KEY} 语法使用环境变量展开，因此密钥不会进入版本控制。请在使用此配置的每台机器上设置 MCP_ACCESS_KEY 环境变量。

Claude Desktop

Claude Desktop 不支持通过配置文件连接远程 MCP 服务。请改用以下方式：

1. 打开 Claude Desktop > Settings > Connectors
2. 点击 Add a new connector
3. 输入 MCP 端点 URL：https://YOUR_REF.supabase.co/functions/v1/open-brain-mcp/mcp
4. 使用你的 MCP 访问密钥配置 x-brain-key 身份验证标头

ChatGPT（Pro/Team/Enterprise/Edu）

1. 前往 Settings > Connectors > Advanced > Developer Mode
2. 添加 MCP 服务 URL：https://YOUR_REF.supabase.co/functions/v1/open-brain-mcp/mcp
3. 使用你的 MCP 访问密钥配置 x-brain-key 身份验证标头

使用示例

Telegram 捕获

向你的机器人发送任意消息，Open Brain 都会自动处理：

You: Just had a great meeting with Sarah about the Q3 product roadmap.
     She wants to prioritize the mobile app redesign.

Bot: Captured!
  Type: meeting_note
  Theme: personal
  Topics: q3-roadmap, mobile-app-redesign
  Quality: 0.7
  People: Sarah
  Action items: Prioritize mobile app redesign
  Why: Records a product strategy decision with clear ownership
  Related: "Product planning session notes..." (82% similar)

每条消息都会转换为向量，补充提取出的元数据，检查重复项，自动关联相关想法，并将实体解析到知识图谱中。

语义搜索

让任何已连接的 AI 客户端搜索你的大脑：

You: Search my brain for anything about product roadmap discussions

Claude: I found 3 relevant thoughts:
  1. (0.89 similarity) Meeting with Sarah about Q3 product roadmap...
  2. (0.82 similarity) Product planning session notes...
  3. (0.76 similarity) Quarterly goals discussion...

语义搜索会按含义查找想法——即使你使用了不同的词语。询问“产品规划”时，也会找到有关“路线图讨论”的想法，因为它们的含义相近。

每周回顾

获取 AI 生成的近期思考摘要：

You: Give me a weekly review of my recent thoughts

Claude: Here's your weekly review:
  Themes: Product planning, team meetings, technical architecture
  Open loops: Mobile redesign decision pending, API migration timeline
  Connections: Sarah mentioned in 3 meetings this week, all about mobile

每周回顾会分析过去 7 天的想法，并总结主题、未完成事项、想法之间的联系，以及思考中的盲点。

可用工具

工具	描述
search_thoughts	语义搜索，可选扩展图谱（1 跳遍历）
list_thoughts	按类型、主题、人物、主题类别、质量和时间筛选并浏览想法
thought_stats	汇总统计：数量、类型/主题类别细分、热门主题/人物
capture_thought	从任意 AI 客户端保存新想法（自动生成嵌入向量）
get_connections	从某个想法开始遍历图谱（有类型的链接：扩展、矛盾等）
list_entities	按出现频率浏览提取出的实体（人物、工具、项目、组织）
weekly_review	AI 生成的主题、未完成事项和后续步骤摘要
analyze	图谱分析：枢纽、密度、来源、共现、主题类别
dedup_review	重复项候选列表及相似度区间直方图
refresh_salience	重新计算所有显著性分数
update_thought	重写内容（重新生成嵌入向量并重新提取元数据）
delete_thought	永久删除（级联删除关联）
serendipity_digest	重新呈现被遗忘的高质量想法
pipeline	流水线监控：运行状况、运行历史、合并审计
review_stale	审查并处理陈旧想法候选项
migration_guide	从其他平台导入记忆的说明

详细的用法模式、工具组合及不易察觉的行为，请参阅 docs/cookbook.md。

技能（Claude Code 工作流）

Open Brain 包含 Claude Code 技能——由多个阶段组成的结构化工作流，可将上述 MCP 工具组合起来，进行更高级的分析。技能会从 .claude/skills/ 自动发现，并以斜杠命令的形式调用。

技能	功能
/discover	对近期想法进行增量式模式发现。基于之前的报告构建（EVOLVED/NEW/STALE 分类），并行调度研究 Agent，并结合项目优先级进行关联分析。
/pulse	流水线与数据健康报告。并行调用 9 次 MCP，按量规评分（GREEN/YELLOW/RED），通过跨运行记忆跟踪一段时间内的发现，并检测 6 种跨指标模式。
/brain-health	知识图谱健康报告。并行调用 12 次 MCP，涵盖主题关注度、图谱密度、枢纽健康状况、共现一致性、去重压力、综合输出和实体概况。

详细介绍和用法请参阅 docs/skills/README.md。

自动维护

Open Brain 会在后台运行维护任务，以保持知识图谱健康。这些任务会自动运行——通过 GitHub Actions（Supabase 部署）或内置的 cron 容器（Docker 部署）。

任务	频率	用途
RSS/HF Papers/Emergent Mind 摄取	每日 2 次	从配置的来源摄取创意
管道监控	每日 2 次	执行健康检查，并在失败时通过 Telegram 发出警报
Dream 去重	每日 2 次	合并近似重复的想法（相似度 >0.92 时自动合并，0.85-0.92 时由 LLM 确认）
图分析缓存	每日	预计算枢纽、密度和共现分析
Dream 主题	每周	跟踪主题变化速度、生命周期转换（新兴/活跃/衰退）和质心漂移
Dream 衰减	每周	通过分级评分和 LLM 确认归档过时的想法
Dream 综合	每周	从想法集群中生成跨领域洞见
共现衰减	每周	衰减未使用的共现边

GitHub Actions 工作流文件包含在 docs/workflows/ 中，可作为自定义计划的参考。

项目结构

open-brain-server/
  supabase/
    migrations/                   # Database migrations (applied with supabase db push)
    functions/
      _shared/                    # Shared modules (supabase-client, openrouter, types, errors, auto-link, entities, dream-*)
      telegram-bot/               # Telegram capture (primary capture path)
      open-brain-mcp/             # MCP server (17 tools)
        tools/                    # Individual tool implementations
      run-pipeline/               # Automated RSS/HF Papers/Emergent Mind ingestion
      monitor-pipeline/           # Pipeline health monitoring with Telegram alerts
      refresh-graph-analysis/     # Graph analysis cache computation
  docker/                         # Docker Compose self-hosting (6 services)
  pipeline/                       # Python-based local pipeline (Reddit, RSS, briefing)
  scripts/                        # Setup and deployment automation
  tests/                          # Integration tests
  docs/
    cookbook.md                    # MCP tool usage patterns and compositions
    skills/                       # Skill documentation
    workflows/                    # GitHub Actions reference (scheduling)
    writing-a-source.md           # Guide for adding pipeline sources
  .claude/
    skills/                       # Claude Code skills (auto-discovered)
      discover/                   # Incremental pattern discovery
      pulse/                      # Pipeline health report
      brain-health/               # Knowledge graph health report

许可证

MIT