** Путь по умолчанию: нулевой вызов API в момент индекса. Нулевая инфра. Нулевая блокировка.** Граф знаний + сервер инструментов MCP для агентов LLM с гибридным поиском База данных на основе CDC синхронизируется, а корейская FTS встроена.

Читать дальше → Readme

5-минутный старт

Эта команда создает крошечный граф с поддержкой SQLite и запускает три поиска — все ** без вызова LLM** во время индексации. В память о них вспоминать, Тест на нулевую зависимость. Полный источник для расширенного примера: [[Т1]].

Почему бы не сделать RAG?

Обычный RAG обычно отвечает от независимых кусков. Синаптик сначала строит график, агент может искать, следить за отношениями, проверять структурированные строки и запоминать Какие доказательства помогли.

Обычная RAG | Синаптическая память

| куски + векторный поиск | документы, куски, строки и края | | обычно восстанавливается при изменении данных | CDC синхронизируется для живых баз данных | | однократное извлечение по умолчанию | инструменты MCP для многооборотного исследования | | обратная связь живет вне индекса | необязательные события памяти, обратная связь и сигналы здоровья |

Это не замена векторной базы данных. Это граф и слой инструмента вокруг

Synaptic Memory

Default path: zero API calls at index time. Zero infra. Zero lock-in. A knowledge graph + MCP tool server for LLM agents, with hybrid retrieval, CDC-based live database sync, and Korean FTS built in.

한국어 README

---

5-minute start

pip install "synaptic-memory[sqlite,korean,vector]"
synaptic-quickstart --db quickstart.db

That command builds a tiny SQLite-backed graph and runs three searches — all without calling any LLM at indexing time. Omit --db for an in-memory, zero-dependency smoke test. Full source for the expanded example: examples/quickstart.py.

---

Why not just RAG?

Plain RAG usually answers from independent chunks. Synaptic builds a graph first, so an agent can search, follow relations, inspect structured rows, and remember which evidence helped.

It is not a vector database replacement. It is the graph and tool layer around your existing documents, SQL data, embedding endpoint, and agent runtime.

---

Build and search

import asyncio
from synaptic import SynapticGraph

async def main():
    # Any data → knowledge graph (CSV, JSONL, directory)
    graph = await SynapticGraph.from_data("./my_data/", preset="rag")
    try:
        result = await graph.search("my question")
        print(result.nodes[0].node.title if result.nodes else "no result")
    finally:
        await graph.close()

asyncio.run(main())

That’s it. Auto-detects file format or DB schema, generates an ontology profile, ingests, indexes, builds FK edges.

Presets keep the common knobs compact:

# local: deterministic, no external services (default)
graph = await SynapticGraph.from_chunks(chunks, preset="local")

# rag: reads SYNAPTIC_EMBED_URL / SYNAPTIC_RERANK_URL if set
graph = await SynapticGraph.from_data("./docs/", preset="rag")

# agent: rag + deterministic component bridging for multi-turn exploration
graph = await SynapticGraph.from_data("./docs/", preset="agent")

Live database sync (CDC) — mode="cdc" enables incremental updates: tables with an updated_at-style column are read with a watermark filter, others fall back to per-row content hashing. Deletes are detected via a TEMP TABLE LEFT JOIN; FK rewires re-link the corresponding RELATED edges. Search results are