Ctrl K
ComunidadGuías…
GITHUB · ANALIZADO

alexandria

Servidor MCP para memoria a largo plazo de agentes IA. Usa Rust y SurrealDB con embeddings locales (all-MiniLM-L6-v2). Implementa modelos térmicos tipo Ebbinghaus, clustering jerárquico automático y gestión de sesiones. Ideal para contextos persistentes sin infraestructura compleja.

Ficha actualizada 26 sept 2026, 1:06 · upstream 26 sept 2026, 1:00 · release sin release detectada

Ver códigoProblemas y ayudaRepositorio ↗
00

Qué es alexandria

Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.

Alexandria es un servidor de memoria persistente diseñado para agentes de IA que utilizan el Protocolo de Contexto del Modelo (MCP). Construido en Rust con una interfaz opcional en Next.js, almacena datos en SurrealDB embebido. Su arquitectura introduce un modelo de "calor" inspirado en Ebbinghaus, donde las memorias se calientan o enfrían según su uso y estabilidad, gestionando la relevancia temporal sin dependencias externas.

El sistema organiza la información mediante clustering jerárquico automático sobre SurrealDB, permitiendo una recuperación progresiva de dos fases: primero buscando clusters amplios y luego estrechando el alcance. Soporta importación de documentos con trazabilidad de líneaaje y gestión de sesiones conversacionales que pueden finalizarse con resúmenes automáticos.

Además, ofrece un sistema de recordatorios programables (uno-shot o recurrentes) que se evalúan en tiempo de consulta para garantizar la supervivencia ante reinicios del servidor. Incluye una interfaz web de depuración para monitorear el estado del grafo, clusters y sesiones, facilitando la auditoría de la memoria sin necesidad de herramientas externas complejas.

CASOS DE USO
  • Gestión de contexto conversacional persistente con resúmenes al finalizar sesiones
  • Implementación de recordatorios recurrentes o puntuales para agentes autónomos
  • Importación y segmentación de documentos técnicos con trazabilidad de líneaaje
  • Búsqueda semántica local optimizada para entornos sin conexión a la nube
  • Visualización y auditoría del grafo de conocimiento mediante interfaz web integrada
PUNTOS DESTACADOS
  • Motor de embeddings en Rust puro (candle) sin dependencias Python
  • Modelo de memoria térmico con estabilidad espaciada implementado nativamente
  • Clustering jerárquico automático con mantenimiento de fondo y auditoría
  • Protocolo MCP completo para integración directa con LLMs modernos
  • Almacenamiento persistente en SurrealKV que sobrevive a reinicios
PRECAUCIONES
  • No incluye Dockerfile ni archivos Compose para despliegue inmediato
  • Requiere instalación manual de Rust y compilación del binario
  • Interfaz web de depuración con capacidades de escritura limitadas por defecto
  • Modelos de embeddings descargados localmente consumen espacio en disco (~80MB)
  • Dependencia de configuración TOML manual para transporte HTTP
01

Perfil de infraestructura

Estimación inicial derivada del repositorio y de los servicios detectados.

CPU1 vCPUrecomendación inicial
MEMORIA1 GBRAM estimada
DISCO10 GBalmacenamiento base
COMPLEJIDADlownivel de operación
02

Despliegue detectado

Qué señales reales de instalación hemos encontrado.

Despliegue manual

Instalar vía `cargo install --path crates/alexandria`. Configurar `~/.config/alexandria/config.toml` con puerto 3000 y modelo de embeddings. Ejecutar `alexandria` para iniciar el servidor o subcomandos como `migrate-embeddings`. La interfaz web se activa en `/debug` si `transport = "http"`. Requiere descargar el modelo de HuggingFace (~80MB) al primer inicio.

—Dockerfile
—Compose
—One-click
03

Stack y dependencias

Componentes inferidos a partir de manifests, configuración y documentación.

FRAMEWORKS
Next.jsRust
SERVICIOS
No detectados
BASES DE DATOS
No detectadas
PUERTOS
3000
05

Puede sustituir a

Relaciones detectadas por el análisis del repositorio y su categoría.

06

Experiencia real de la comunidad

Ayuda a contrastar la estimación automática con instalaciones reales.

Todavía no hay datos comunitarios para este proyecto.