penfieldlabs/penfield-mcp

⚡ ВЫЗОВИТЕ ЭТОТ ИНСТРУМЕНТ ПЕРВЫМ В КАЖДОМ НОВОМ РАЗГОВОРЕ ⚡ Загружает вашу конфигурацию личности и пользовательские предпочтения для этой сессии. Так вы узнаёте, КТО вы и КАК пользователь хочет, чтобы вы себя вели. Возвращает ваш брифинг пробуждения, содержащий: - Идентичность вашей персоны (кто вы) - Ваш стиль общения (как общаться) - Особые инструкции от пользователя - Причуды и ограничения, которым нужно следовать ВАЖНО: Вызывайте этот инструмент в НАЧАЛЕ каждого разговора, прежде чем делать что-либо ещё. Это гарантирует, что у вас будет контекст о пользователе и его предпочтениях, прежде чем отвечать. Пример: >>> await awaken() {'success': True, 'briefing': '=== AWAKENING BRIEFING ===...'}

Связывает воспоминания, чтобы строить графы знаний. После использования 'store' сразу связывайте родственные воспоминания с помощью этих типов связей: ## Эволюция знаний - supersedes: Заменяет → устаревшее понимание - updates: Изменяет → существующее знание - evolution_of: Развивается из → более ранней концепции ## Доказательства и поддержка - supports: Даёт доказательства для → утверждения/гипотезы - contradicts: Оспаривает → существующее убеждение - disputes: Не соглашается с → другой точкой зрения ## Иерархия и структура - parent_of: Охватывает → более конкретную концепцию - child_of: Входит как подмножество в → более широкую концепцию - sibling_of: Идёт параллельно → связанной концепции того же уровня ## Причины и предпосылки - causes: Ведёт к → эффекту/результату - influenced_by: Возникло под влиянием → способствующего фактора - prerequisite_for: Понимание этого нужно для → следующей концепции ## Реализация и примеры - implements: Применяет → теоретическую концепцию - documents: Описывает → систему/процесс - example_of: Демонстрирует → общий принцип - tests: Проверяет → реализацию или гипотезу ## Обсуждение и ссылки - responds_to: Отвечает на → предыдущий вопрос или утверждение - references: Ссылается на → исходный материал - inspired_by: Мотивировано → более ранней работой ## Последовательность и поток - follows: Идёт после → предыдущего шага - precedes: Идёт перед → следующим шагом ## Зависимости и состав - depends_on: Требует → предварительное условие - composed_of: Содержит → составные части - part_of: Принадлежит → более крупному целому ## Быстрый процесс связывания После каждого воспоминания спросите себя: 1. Какое предыдущее воспоминание это обновляет или опровергает? → supersedes или contradicts 2. Какие доказательства это…

Удаляет артефакт из хранилища. Безвозвратно удаляет артефакт и связанную с ним запись памяти. Аргументы: path: полный путь к удаляемому артефакту ctx: контекст MCP (предоставляется автоматически) Возвращает: Dict со статусом успешного выполнения

Удаляет связь между воспоминаниями. Удаляет связь между двумя воспоминаниями в графе знаний. Аргументы: from_memory: UUID исходного воспоминания to_memory: UUID целевого воспоминания ctx: контекст MCP (передаётся автоматически) Возвращает: Словарь со статусом успеха и идентификаторами разъединённых воспоминаний Примеры: >>> await disconnect("uuid-abc", "uuid-def") {'success': True, 'from_id': '...', 'to_id': '...'}

Исследует связи из памяти. Обходит граф знаний, чтобы найти связанные понятия, следуя по связям до указанной глубины. Аргументы: start_memory: UUID исходной памяти max_depth: Глубина обхода (по умолчанию 3, максимум 10) relationship_types: Фильтр по конкретным типам связей (необязательно) ctx: Контекст MCP (предоставляется автоматически) Возвращает: Dict с найденными путями, максимальной достигнутой глубиной и деталями путей Примеры: >>> await explore("uuid-123", max_depth=2) {'success': True, 'paths_found': 5, 'max_depth_reached': 2, 'paths': [...]}

[ChatGPT Connector compat] Получает запись памяти по ID. Существует, чтобы выполнять обязательный контракт инструментов search/fetch, требуемый ChatGPT Deep Research. Нативные MCP-клиенты должны получать записи через recall + memory_id либо напрямую использовать конечную точку API GET /memories/{id}. Возвращает одну запись памяти с поддержкой цитирования (поля id, title, url, text). Аргументы: id: UUID записи памяти для получения ctx: контекст MCP Возвращает: Dict с полями id, title, url, text, metadata

Перечисляет артефакты в каталоге. Возвращает непосредственное содержимое каталога (без рекурсии). Разделяет папки и файлы для удобной навигации. Аргументы: path_prefix: Путь к каталогу для перечисления (по умолчанию: "/") name_pattern: Необязательный фильтр по подстроке в именах файлов/папок без учёта регистра Возвращает: Форматированный листинг каталога или сообщение об ошибке Примеры: >>> await list_artifacts("/") {'success': True, 'path': '/', 'folders': [...], 'files': [...]} >>> await list_artifacts("/", name_pattern="readme") {'success': True, 'path': '/', 'folders': [], 'files': [{'name': 'readme.md', ...}]}

Перечисляет доступные контрольные точки контекста. Показывает все сохранённые контексты, доступные для многоагентных рабочих процессов. Аргументы: limit: Максимальное количество контекстов для возврата (по умолчанию 20, максимум 100) offset: Количество контекстов, пропускаемых для пагинации (по умолчанию 0) name_pattern: Фильтрует контексты по имени (поиск подстроки без учёта регистра) include_descriptions: Включает полные описания в вывод (по умолчанию False для компактного списка) ctx: Контекст MCP (предоставляется автоматически) Возвращает: Dict со списком доступных контекстов и их подробностями Примеры: >>> await list_contexts() {'success': True, 'total': 3, 'contexts': [...]} >>> await list_contexts(limit=5, name_pattern='investigation') {'success': True, 'total': 2, 'contexts': [...]}

Извлекает релевантную информацию. Использует гибридный поиск, чтобы находить релевантные воспоминания, документы и связи. Аргументы: query: Что искать source_type: Необязательный фильтр ('memory', 'document' или None для всех) tags: Необязательный список тегов для фильтрации (логика ИЛИ - воспоминания с ЛЮБЫМ из этих тегов) start_date: Необязательный фильтр для воспоминаний, созданных в этот день или позже (ISO 8601: '2025-01-01') end_date: Необязательный фильтр для воспоминаний, созданных в этот день или раньше (ISO 8601: '2025-01-09') limit: Максимальное количество результатов (по умолчанию 10, максимум 100) include_inactive: Включать заменённые/противоречащие воспоминания (по умолчанию: false) ctx: MCP-контекст (предоставляется автоматически) Возвращает: Словарь со статусом успеха, запросом, количеством найденного и списком воспоминаний Примеры: >>> await recall("Python error handling") {'success': True, 'found': 3, 'memories': [...]} >>> await recall("documentation", source_type="document", limit=5) {'success': True, 'found': 2, 'memories': [...]} >>> await recall("debugging", tags=["python"]) {'success': True, 'found': 2, 'memories': [...]} # Только воспоминания с тегом 'python' >>> await recall("project updates", start_date="2025-01-01", end_date="2025-01-07") {'success': True, 'found': 5, 'memories': [...]} # Только воспоминания за эту неделю Примечание: фрагменты документов автоматически включают окружающий контекст (2 фрагмента до/после). Результаты поиска по документам также содержат source_type="document", filename, document_title и document_id, когда они доступны, что позволяет легко определить, из какого документа получен результат.

Анализирует недавние мысли и паттерны. Анализирует недавнюю активность, чтобы выявить паттерны, темы и инсайты. Помогает понять: «о чём я думал в последнее время?» По умолчанию возвращает только воспоминания, созданные пользователем (не фрагменты документов). Установите include_documents=True, чтобы также включать фрагменты из загруженных документов. ⚠️ ЭКСПЕРИМЕНТАЛЬНО: - Взвешивание по важности в результатах пока не реализовано. Оценки важности сохраняются, но не влияют на ранжирование. Аргументы: time_window: анализируемый период времени ('recent', 'today', 'week', 'month', '1d', '7d', '30d', '90d') include_documents: включать ли фрагменты документов (по умолчанию: False, только воспоминания пользователя) start_date: фильтрует воспоминания, созданные в этот день или позже (ISO 8601: '2025-01-01' или '2025-01-01T00:00:00Z') end_date: фильтрует воспоминания, созданные в этот день или раньше (ISO 8601: '2025-01-09' или '2025-01-09T23:59:59Z') ctx: контекст MCP (предоставляется автоматически) Возвращает: Словарь с анализом, включающий ключевые воспоминания, активные темы, паттерны, инсайты и все сохранённые контексты (контрольные точки), созданные за этот период. Примеры: >>> await reflect("recent") {'success': True, 'memories_analyzed': 50, 'active_topics': [...], 'contexts': [...], ...} >>> await reflect("week", include_documents=True) {'success': True, 'memories_analyzed': 150, ...} # включает фрагменты документов >>> await reflect(start_date="2025-01-01", end_date="2025-01-07") {'success': True, 'memories_analyzed': 25, ...} # воспоминания за первую неделю января

Возобновляет работу из сохранённого когнитивного контекста. Это повествовательная сводка, которая быстро введёт вас в курс дела: - Расследование, которое велось - Ключевые открытия и выводы - Текущие проверяемые гипотезы - Открытые вопросы и препятствия - Рекомендуемые следующие шаги - Все значимые воспоминания и их связи Сводка восстанавливает когнитивное состояние, а не только данные. Вы поймёте, что именно обнаружено, почему это важно и как менялось понимание. Пример того, что вы получите: [Расследование таймаутов API - возобновление через 2 часа] СИТУАЦИЯ: Вы расследовали таймауты API в проде, которые возникают ровно при batch_size=100. Расследование началось, когда пользователь сообщил о таймаутах только в проде, а не в стейджинге. ДОСТИГНУТЫЙ ПРОГРЕСС: - Выявлен резкий предел в 100 элементов (не постепенная деградация) - Опровергнута теория о пуле соединений (мониторинг показал только 43/200 используемых соединений) - Найдена корневая причина: MAX_BATCH_SIZE=100 жёстко задано в batch_handler.py:147 - Подтверждено, что конфигурация стейджинга переопределяется иначе (MAX_BATCH_SIZE=500) ЦЕПОЧКА ДОКАЗАТЕЛЬСТВ: Отчёт пользователя → Воспроизведено локально → Замечена корреляция с batch_size → Поиск ограничений в кодовой базе → Найден MAX_BATCH_SIZE → Проверен конфиг стейджинга → Обнаружена разница в конфигурации ИСПРАВЛЕННЫЕ ЗАБЛУЖДЕНИЯ: - Изначально считалось, что это исчерпание соединений Redis (опровергнуто мониторингом) - Предполагалась постепенная деградация производительности (на самом деле резкий предел) - Считалось, что стейджинг и прод идентичны (конфигурация отличается) ТЕКУЩАЯ ГИПОТЕЗА: Продакшн использует значение MAX_BATCH_SIZE=100 по умолчанию из кода, а стейджинг переопределяет его через переменную окружения. Чтобы исправить, нужно либо изменить код, либо обновить конфигурацию прода. ЗАБЛОКИРОВАНО: Нужен доступ к продакшн-деплою, чтобы применить исправление. Пользователь решает, изменить ли значение по умолчанию в коде или добавить переменную окружения в проде. …

Извлекает артефакт из хранилища. Получает содержимое ранее сохранённого артефакта. Аргументы: path: Полный путь к артефакту (например, "/project/docs/api.md") Возвращает: Содержимое артефакта или сообщение об ошибке Примеры: >>> await retrieve_artifact("/readme.md") "# README\nThis is the readme content..."

Сохраняет артефакт в хранилище. Хранит созданный пользователем контент (диаграммы, заметки, код) в упорядоченной файловой структуре. Контент также индексируется для поиска. Аргументы: content: содержимое файла для сохранения path: полный путь вместе с именем файла (например, "/project/docs/api.md") Возвращает: сообщение об успехе или описание ошибки Примеры: >>> await save_artifact("# README", "/readme.md") "✅ Артефакт сохранён: /readme.md (8 байт)" >>> await save_artifact("<svg>...</svg>", "/diagrams/architecture.svg") "✅ Артефакт сохранён: /diagrams/architecture.svg (image/svg+xml, 45 байт)"

Сохраняет когнитивный чекпоинт для передачи другому агенту или вашему будущему «я». description - основная когнитивная полезная нагрузка: именно его повествование даёт другому агенту возобновить работу. Сервер также запускает гибридный поиск по description и прикрепляет к чекпоинту самые релевантные воспоминания. Слишком короткое description (меньше 3 слов, например "wip") не годится как поисковый запрос: вместо него прикрепляются 20 самых последних воспоминаний. Ссылки на воспоминания внутри description задаются одним из способов: - memory_id: <uuid> - надёжный прямой поиск - 'descriptive phrase' - поиск по мере возможностей; может не дать результата Отдаёт предпочтение UUID, когда они есть. Ответ возвращает references_resolved + unresolved_references, чтобы можно было повторить попытку. Полное руководство по гигиене (что включать, как организовывать, когда делать чекпоинт, примеры структур) даёт MCP-промпт checkpoint_protocol. Аргументы: name: Уникальный идентификатор этого чекпоинта (используется в restore_context). description: Передача контекста в виде повествования с необязательными ссылками на воспоминания. ctx: Контекст MCP (предоставляется автоматически). Возвращает: Словарь со статусом успеха, context_id, memories_included и (если ссылки были извлечены) references_resolved + unresolved_references.

[Совместимость с ChatGPT Connector] Ищет воспоминания. Существует, чтобы удовлетворить требуемый контракт инструментов search/fetch в ChatGPT Deep Research. Нативные MCP-клиенты (Claude Desktop, Claude Code, Perplexity) должны предпочитать recall, который даёт более богатый набор фильтров (tags, date range, source_type) и идентичную семантику гибридного поиска под капотом. Возвращает результаты с поддержкой цитирования (поля id, title, url, text). Аргументы: query: поисковый запрос limit: максимальное количество результатов (по умолчанию 10) include_inactive: включает замещённые/опровергнутые воспоминания (по умолчанию: false) ctx: контекст MCP Возвращает: Словарь с массивом 'results', содержащим поля id, title, url, text

Сохраняй важную информацию из своей работы. Пиши подробные, законченные мысли с контекстом, рассуждениями и доказательствами. Всегда используй инструмент connect, чтобы связывать связанные элементы - так строятся графы знаний для лучшего припоминания. ## Типы памяти (определяются автоматически, но имей в виду): - FACT: То, что наблюдалось или было проверено - INSIGHT: Закономерность или осознание - CONVERSATION: Содержание диалога или обмена сообщениями - CORRECTION: Исправление прежнего понимания - REFERENCE: Исходный материал или цитата - TASK: Пункт действий или работа, которую нужно выполнить - CHECKPOINT: Снимок состояния разговора - IDENTITY_CORE: Неизменяемая идентичность ИИ - PERSONALITY_TRAIT: Развиваемые черты ИИ - RELATIONSHIP: Информация об отношениях пользователя и ИИ - STRATEGY: Усвоенные модели поведения ## Контекст сессии Если идёт рабочая сессия, укажи: - Идентификатор сессии: [Project/Session Name] - Твоя перспектива: «Как [role]:» или «С точки зрения [viewpoint]:» - Текущая ветка: какой именно аспект ты сейчас изучаешь ## Что включать - WHAT: Открытие или мысль - WHY: Почему это важно - HOW: Твой процесс рассуждений - EVIDENCE: Подтверждающие данные/наблюдения - CONNECTIONS: Связанные воспоминания для установления связей ## Примеры ### Техническое расследование "[Performance Analysis] FACT: Запросы к базе данных составляют 73% задержки запросов (измерено на 10K запросах). В частности, JOIN user_permissions занимает в среднем 340 мс. Это противоречит гипотезе о проблемах с кешированием (память: 'cache analysis'). Доказательство: трассировки APM показывают полное сканирование таблицы permissions. Дальше: разобраться с отсутствующим индексом на внешнем ключе." ### Обучение и исследование "[ML Study Session] INSIGHT: Механизмы внимания работают как динамическая маршрутизация - модель учится, ГДЕ смотреть, а не ограничивается тем, ЧТО видеть. Это объясняет преимущества transformer над RNNs на длинных последовательностях (строит…"

Обновляет существующее воспоминание. Изменяет свойства сохранённого воспоминания по его UUID. Аргументы: memory_id: UUID воспоминания для обновления content: новое содержимое (необязательно) importance: новая оценка важности (необязательно, 0.0-1.0) tags: новые теги (необязательно, заменяют существующие теги) ctx: контекст MCP (предоставляется автоматически) Возвращает: словарь (Dict) со статусом успеха и обновлённым memory_id Примеры: >>> await update_memory("uuid-here", importance=0.9) {'success': True, 'memory_id': 'uuid-here'} >>> await update_memory("uuid-123", tags=["python", "errors", "important"]) {'success': True, 'memory_id': 'uuid-123'}