commonplace
commonplace es una solución autoalojada para memoria jerarquizada de agentes IA que utiliza FalkorDB como base de datos unificada con dos gráficos aislados (personal y confidencial).
Ficha actualizada 23 sept 2026, 22:17 · upstream 23 sept 2026, 22:00 · release sin release detectada
Qué es commonplace
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
commonplace es una solución autoalojada para gestión de memoria jerarquizada diseñada específicamente para agentes IA que requieren privacidad estricta. La arquitectura se basa en FalkorDB como base de datos unificada que alberga dos gráficos completamente aislados: commonplace_personal para notas y proyectos privados, y commonplace_client para material confidencial bajo NDA que nunca debe salir del equipo local.
El sistema implementa una estrategia offline-first por defecto donde la extracción de conocimiento utiliza modelos locales en GPU NVIDIA consumer (mistral:7b-instruct-q4_0) sin necesidad de passthrough de GPU a contenedores Docker. Un gateway Caddy front-end gestiona la autenticación mediante tokens bearer específicos por nivel, logs de auditoría y métricas Prometheus. La extracción de conocimiento es asíncrona y no afecta la latencia de consulta que utiliza embeddings + BM25 + traversal de gráfico sin LLM en el path de consulta.
La integración con agentes se realiza mediante endpoints MCP accesibles a través de Tailscale MagicDNS, permitiendo conexión segura entre clientes (Claude Code, Pi) y servidor. La configuración requiere Ollama para embeddings compartidos (nomic-embed-text) y modelos locales, con soporte opcional para Anthropic API solo en el nivel personal cuando se opta por calidad superior en datos no confidenciales.
- Gestión de notas personales y proyectos privados con extracción local de conocimiento sin exposición a modelos en la nube
- Almacenamiento seguro de material confidencial bajo NDA que nunca debe salir del equipo local mediante el tier client-confidential
- Integración con agentes IA como Claude Code y Pi mediante endpoints MCP accesibles exclusivamente a través de Tailscale
- Extracción asíncrona de conocimiento en GPU NVIDIA consumer sin passthrough de GPU, manteniendo latencia de consulta baja
- Arquitectura offline-first por defecto con procesamiento local en GPU NVIDIA consumer sin exposición a modelos en la nube
- Aislamiento estricto de datos entre niveles personal y confidencial mediante gráficos separados en FalkorDB unificado
- Gateway Caddy con autenticación por tokens bearer específicos por nivel, logs de auditoría y métricas Prometheus integradas
- Extracción de conocimiento asíncrona que no afecta la latencia de consulta (embeddings + BM25 + traversal de gráfico)
- Soporte para GPU consumer NVIDIA estándar sin passthrough de GPU a contenedores Docker mediante Ollama en host
- Dependencia de Tailscale para acceso remoto seguro, no soporta exposición directa a internet público
- Necesidad de GPU local para extracción eficiente; CPU-only funciona pero con rendimiento significativamente menor
- Configuración compleja de variables de entorno específicas de Graphiti (FALKORDB_URI, PERSONAL_TOKEN, CLIENT_TOKEN)
- Modelos locales pueden generar JSON inválido sin fallback automático, requiriendo modelos más capaces
- Dependencia de Ollama en host con configuración específica de extra_hosts para acceso desde contenedores
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Usar imagen :standalone de Graphiti (no :latest) que espera FalkorDB externo compartido. Configurar correctamente FALKORDB_URI y FALKORDB_PASSWORD mediante REDIS_ARGS=--requirepass. Establecer PERSONAL_TOKEN y CLIENT_TOKEN en .env para autenticación por nivel. Configurar extra_hosts: ["host.docker.internal:host-gateway"] en servicios MCP con api_url de Ollama. Usar claude-haiku-4-5 sin sufijo -latest para Anthropic. Proporcionar OPENAI_API_KEY dummy para inicialización del reranker. Evitar provider: "openai_generic" y usar provider: "openai" con URL no OpenAI.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.