Mnemosyne Core V5.0

🧠 Local Digital Twin — Enterprise-grade personal analytics with complete data privacy

🧠 Локальный Цифровой Двойник — Персональная аналитика корпоративного уровня с полной приватностью

🇬🇧 English Documentation

📖 Overview

Mnemosyne is an autonomous activity tracking system designed to be your Local Digital Twin. It captures, analyzes, and visualizes your entire digital workflow without sending a single byte to the cloud.

Think of it as a self-hosted Rewind.ai, but supercharged with Graph RAG (Retrieval-Augmented Generation), semantic search, and deep integration with Obsidian. It turns your raw activity logs into a queryable knowledge graph.

Why Mnemosyne?

Feature	Mnemosyne Core	Cloud Trackers (RescueTime, Rewind)
Data Sovereignty	100% Local (Air-Gapped)	Cloud Servers (Privacy Risk)
Intelligence	Local LLM (DeepSeek/Llama)	Black-box Proprietary AI
Search	Graph RAG + Semantic	Keyword / Simple Metadata
Cost	Free (Open Source)	Monthly Subscription
Extensibility	Python/Go Source Code	Closed Ecosystem

✨ Key Features

1. High-Fidelity Capture (The Watcher)

5Hz Polling: Captures window title, process name, and input intensity every 200ms.
Efficient: Written in Go (Win32 API), consumes <0.1% CPU and <20MB RAM.
Smart Idling: Automatically detects AFK and game modes to pause logging.

2. Cognitive Brain (The AI)

Local VLM: Uses MiniCPM-V to visually analyze screenshots (OCR + Scene Description).
Intent Inference: Uses DeepSeek R1 to determine what you are doing (e.g., "Debugging Redis Cluster").
Session Aggregation: Groups raw ticks into meaningful sessions (e.g., "Coding Session: 45 mins").

3. Graph RAG (The Memory)

Vector Search: Embeds every session description using nomic-embed-text into Redis Stack.
Knowledge Graph: Builds a topological graph of your activities using NetworkX.
Queryable: Ask natural language questions like "What was I debugging last Friday?".

4. Enterprise-Grade Architecture

Write-Behind Pattern: Redis acts as a high-speed buffer to protect your SSD from write amplification.
Async Processing: Python workers process data in batches.
Maintenance: Automated VACUUM and pruning scripts.

🏗️ Architecture

graph TD
    subgraph "Tier 1: Capture (Go)"
        Watcher[Watcher.exe] -->|5Hz Pushes| RedisStream[Redis Stream]
    end

    subgraph "Tier 2: Ingestion (Redis Stack)"
        RedisStream -->|Buffer| RedisRAM[RAM Buffer]
        RedisRAM -->|Persist| VectorStore[Vector Search]
    end

    subgraph "Tier 3: Cognition (Python)"
        Brain[Brain Engine] -->|Pull Batch| RedisRAM
        Brain -->|Inference| Ollama[Ollama LLM/VLM]
        Brain -->|Index| VectorStore
        Brain -->|Graph| NetworkX[Knowledge Graph]
    end

    subgraph "Tier 4: Storage"
        Brain -->|Archive| SQLite[SQLite WAL]
        NetworkX -->|Save| JSON[Knowledge Graph File]
    end

🚀 Quick Start

Prerequisites

OS: Windows 10/11 (Linux/macOS coming soon)
Hardware: NVIDIA GPU (8GB+ VRAM recommended for local AI)
Software:

Installation Guide

Clone the Repository

git clone https://github.com/vel5id/mnemosyne.git
cd mnemosyne

Setup Python Environment

python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt

Build the Watcher (Go)
```
scripts\build_watcher.bat
```
Launch Infrastructure (Redis Stack)
```
docker-compose up -d redis
```

Prepare AI Models

ollama pull minicpm-v          # For Vision
ollama pull deepseek-r1:1.5b  # For Reasoning
ollama pull nomic-embed-text  # For RAG

Initialize Database

scripts\reset_db.bat  # Warning: partial wipe if re-running

🕹️ Usage

1. Start the System

You need two terminal windows:

Terminal A (The Eyes): Watcher

scripts\run_watcher.bat

Captures activity and pushes to Redis.

Terminal B (The Brain): Analysis Engine

scripts\brain_v4.bat

Consumes from Redis, runs AI analysis, builds sessions, and updates the Graph.

2. Query Your Digital Twin

Use the CLI tools to interact with your data:

Semantic Search (RAG)

python scripts\query_rag.py "What project did I work on yesterday?"

Find Related Concepts

python scripts\query_rag.py --related "Memory Leak"

View Recent Sessions

python scripts\view_sessions.py

3. Maintenance

Keep your database healthy (Vacuum, Prune old logs):

scripts\maintain_db.bat

🇷🇺 Документация на Русском

📖 Обзор

Mnemosyne — это автономная система трекинга активности, ваш Локальный Цифровой Двойник. Она фиксирует, анализирует и визуализирует весь ваш цифровой рабочий процесс, не отправляя ни байта в облако.

Представьте себе self-hosted версию Rewind.ai, но с Graph RAG (семантическим поиском), локальными нейросетями и интеграцией с Obsidian. Она превращает сырые логи активности в базу знаний, которой можно задавать вопросы.

Почему Mnemosyne?

Функция	Mnemosyne Core	Облачные трекеры (RescueTime, Rewind)
Суверенитет данных	100% Локально (Air-Gap)	Облачные сервера (Риск утечки)
Интеллект	Локальные LLM (DeepSeek/Llama)	Закрытые проприетарные модели
Поиск	Graph RAG + Семантика	Ключевые слова / Метаданные
Цена	Бесплатно (Open Source)	Ежемесячная подписка
Гибкость	Исходный код (Python/Go)	Закрытая экосистема

✨ Ключевые Возможности

1. Высокоточный Захват (Watcher)

Частота 5Hz: Опрос заголовка окна, процесса и активности ввода каждые 200мс.
Эффективность: Написан на Go (Win32 API), потребляет <0.1% CPU и <20MB RAM.
Умный Idle: Автоматически детектирует простой (AFK) и игровые режимы.

2. Когнитивный Мозг (Brain)

Локальный VLM: Использует MiniCPM-V для визуального анализа скриншотов (OCR + описание сцены).
Определение Намерений: Использует DeepSeek R1 для понимания сути действия (например, "Отладка Redis кластера").
Агрегация Сессий: Группирует тики в осмысленные сессии (например, "Кодинг сессия: 45 мин").

3. Graph RAG (Память)

Векторный Поиск: Эмбеддинг описаний сессий через nomic-embed-text в Redis Stack.
Граф Знаний: Строит топологический граф активностей через NetworkX.
Запросы: Поддерживает вопросы на естественном языке, например "Что я дебажил в прошлую пятницу?".

4. Архитектура Enterprise-уровня

Write-Behind Pattern: Redis работает как скоростной буфер, защищая SSD от износа.
Асинхронная обработка: Python-воркеры обрабатывают данные пачками.
Обслуживание: Скрипты для автоматической очистки (VACUUM) и сжатия базы.

🏗️ Архитектура

(См. диаграмму в английской секции)

Система состоит из трех слоев:

Tier 1 (Сбор): Go-приложение считывает состояние Windows API и кидает в Redis Stream.
Tier 2 (Обработка): Python-ядро забирает данные, запускает нейросети (Ollama), строит Граф.
Tier 3 (Хранение): Redis (оперативная память/вектора) и SQLite (долговременный архив).

🚀 Начало Работы

Требования

ОС: Windows 10/11
Железо: Видеокарта NVIDIA (рекомендуется 8GB+ VRAM)
ПО: Docker, Go, Python, Ollama.

Пошаговая Установка

Клонирование репозитория

git clone https://github.com/vel5id/mnemosyne.git
cd mnemosyne

Настройка Python

python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt

Сборка Watcher (Go)
```
scripts\build_watcher.bat
```
Запуск Инфраструктуры (Redis)
```
docker-compose up -d redis
```

Загрузка Нейросетей

ollama pull minicpm-v          # Зрение
ollama pull deepseek-r1:1.5b  # Мышление
ollama pull nomic-embed-text  # Память (RAG)

Инициализация Базы Данных
```
scripts\reset_db.bat
```

🕹️ Использование

1. Запуск Системы

Вам понадобятся два окна терминала:

Терминал А (Глаза): Watcher

scripts\run_watcher.bat

Терминал Б (Мозг): Brain

scripts\brain_v4.bat

2. Запросы к Цифровому Двойнику

Семантический поиск (RAG)

python scripts\query_rag.py "Над каким проектом я работал вчера?"

Поиск связей

python scripts\query_rag.py --related "Memory Leak"

Просмотр сессий

python scripts\view_sessions.py

3. Обслуживание

Очистка старых логов и оптимизация БД:

scripts\maintain_db.bat

📁 Project Structure / Структура Проекта

mnemosyne/
├── cmd/watcher/           # Go Watcher entry point
├── internal/              # Go internal modules
│   ├── monitor/          # 5Hz polling loop
│   ├── storage/          # Redis + SQLite adapters
│   └── heuristics/       # Game/Idle detection
├── core/                  # Python Brain modules
│   ├── aggregation/      # Session tracking logic
│   ├── cognition/        # LLM intent inference
│   ├── perception/       # VLM/OCR processing
│   ├── rag/              # LlamaIndex + NetworkX engine
│   └── dal/              # Database maintenance
├── scripts/              # Batch & Python utility scripts
├── docker/               # Docker configurations
└── db/                   # SQL Schema definitions

📜 License

Distributed under the MIT License. See LICENSE for more information.

Built with 🧠 by vel5id

Name		Name	Last commit message	Last commit date
Latest commit History 5 Commits
.agent/workflows		.agent/workflows
.mnemosyne		.mnemosyne
cmd/watcher		cmd/watcher
core		core
db		db
docker		docker
docs		docs
internal		internal
plans		plans
scripts		scripts
templates		templates
tests		tests
.clinerules		.clinerules
.dockerignore		.dockerignore
.env.example		.env.example
.gitattributes		.gitattributes
.gitignore		.gitignore
README.md		README.md
ROADMAP.md		ROADMAP.md
docker-compose.yml		docker-compose.yml
git		git
go.mod		go.mod
go.sum		go.sum
main.py		main.py
requirements-linux.txt		requirements-linux.txt
requirements.txt		requirements.txt
status_dashboard.py		status_dashboard.py

vel5id/mnemosyne

Folders and files

Latest commit

History

Repository files navigation