maxkle1nz/m1nd

自适应代码图谱。它会学习。

具备 Hebbian 可塑性、扩散激活和 43 个 MCP 工具的神经符号连接组引擎。使用 Rust 构建，专为 AI Agent 设计。

快速开始 · 43 个工具 · 为什么开发 m1nd · 架构 · 示例

兼容任何 MCP 客户端

B[Reference Resolver] C[JSON Adapter] --> B end subgraph Core Engine B --> D[CSR Graph] D --> E[Spreading Activation] D --> F[Hebbian Plasticity] D --> G[Temporal Engine] D --> H[Hypothesis Engine] E --> I[XLR Noise Cancellation] end subgraph MCP Server I --> J[43 Tools] F --> J G --> J H --> J J --> K[JSON-RPC stdio] end subgraph Agents K --> L[Claude Code] K --> M[Cursor] K --> N[Any MCP Client] end ``` ## m1nd 对比 | 能力 | Sourcegraph | Cursor | Aider | RAG | m1nd | |------------|-------------|--------|-------|-----|------| | 代码图谱 | SCIP（静态） | Embeddings | tree-sitter + PageRank | 无 | CSR + 4D 激活 | | 从使用中学习 | 否 | 否 | 否 | 否 | **Hebbian 可塑性** | | 持久化调查 | 否 | 否 | 否 | 否 | **Trail 保存/恢复/合并** | | 测试假设 | 否 | 否 | 否 | 否 | **图路径上的 Bayesian** | | 模拟移除 | 否 | 否 | 否 | 否 | **反事实级联** | | 多仓库图谱 | 仅搜索 | 否 | 否 | 否 | **联邦图谱** | | 时间智能 | git blame | 否 | 否 | 否 | **共变 + 速度 + 衰减** | | Agent 接口 | API | N/A | CLI | N/A | **43 个 MCP 工具** | | 每次查询成本 | 托管 SaaS | 订阅 | LLM tokens | LLM tokens | **零** | ## 何时不使用 m1nd 诚实地说明 m1nd 不是什么： - **您需要神经语义搜索。** V1 使用 trigram 匹配，而非 Embeddings。如果您需要“查找*意指*认证但从未使用该词的代码”，m1nd 目前还做不到。 - **您需要支持 64 种语言。** m1nd 拥有 Python、Rust、TypeScript/JavaScript、Go、Java 的提取器，以及通用回退。计划集成 Tree-sitter。 - **您有 400K+ 个文件。** 图谱存在于内存中。10K 节点约需 2MB，400K 文件的代码库将需要约 80MB。这可以工作，但不是 m1nd 的优化方向。 - **您需要数据流或污点分析。** m1nd 跟踪结构和共变关系，而非变量中的数据流。请使用专用的 SAST 工具。 ## 用例 ### AI Agent 记忆 ``` Session 1: ingest → activate("auth") → agent uses results → learn(correct) Session 2: drift(since=session_1) → auth paths are now stronger activate("auth") → better results, faster convergence Session N: the graph has adapted to how your team thinks about auth ``` ### 构建编排 ``` Before coding: warmup("refactor payment flow") → 50 seed nodes primed validate_plan(["payment.py", "billing.py"]) → blast_radius + gaps impact("file::payment.py") → 2,100 affected nodes at depth 3 During coding: predict("file::payment.py") → ["file::billing.py", "file::invoice.py"] trace(error_text) → suspects ranked by suspiciousness After coding: learn(feedback="correct") → strengthen the paths you used ``` ### 代码调查 ``` Start: activate("memory leak in worker pool") → 15 ranked suspects Investigate: perspective.start(anchor="file::worker_pool.py") perspective.follow → perspective.peek → read source hypothesize("worker pool leaks when tasks cancel") Save progress: trail.save(label="worker-pool-leak", hypotheses=[...]) Next day: trail.resume → exact context restored, all weights intact ``` ### 多仓库分析 ``` federate(repos=[ {path: "/app/backend", label: "backend"}, {path: "/app/frontend", label: "frontend"} ]) → 11,217 unified nodes, 18,203 cross-repo edges in 1.3s activate("API contract") → finds backend handlers + frontend consumers impact("file::backend::api.py") → blast radius includes frontend components ``` ## 基准测试 所有数据来自针对生产环境 Python 后端（335 个文件，约 52K 行）的实际执行： | 操作 | 耗时 | 规模 | |-----------|------|-------| | 完整摄取 | 910ms | 335 文件 → 9,767 节点，26,557 边 | | 扩散激活 | 31-77ms | 从 9,767 节点中返回 15 个结果 | | 爆炸半径（深度=3） | 5-52ms | 多达 4,271 个受影响节点 | | 堆栈跟踪分析 | 3.5ms | 5 帧 → 4 个排名后的嫌疑对象 | | 计划验证 | 10ms | 7 文件 → 43,152 爆炸半径 | | 反事实级联 | 3ms | 在 26557 条边上完整 BFS | | 假设测试 | 58ms | 探索 25,015 条路径 | | 模式扫描（全部 8 种） | 38ms | 335 文件，每种模式 50 个发现 | | 多仓库联合 | 1.3s | 11,217 节点，18,203 条跨仓库边 | | 锁定差异 | 0.08μs | 1,639 节点子图比较 | | Trail 合并 | 1.2ms | 5 个假设，检测到 3 个冲突 | ## 环境变量 | 变量 | 用途 | 默认值 | |----------|---------|---------| | `M1ND_GRAPH_SOURCE` | 持久化图谱状态的路径 | 仅内存 | | `M1ND_PLASTICITY_STATE` | 持久化可塑性权重的路径 | 仅内存 | ## 许可证 MIT —— 详见 [LICENSE](LICENSE)。

由 Max Elias Kleinschmidt 创建
图谱必须学习。

标签：AI代理, Claude, Cursor, CVE检测, DNS解析, MCP工具, Rust, 上下文感知, 人工智能, 代码图谱, 代码智能, 假设检验, 可视化界面, 图神经网络, 威胁情报, 开发者工具, 开源项目, 扩散激活, 模型上下文协议, 用户模式Hook绕过, 神经符号AI, 网络流量审计, 联想记忆, 自适应学习, 认知架构, 语义搜索, 赫布可塑性, 连接组引擎, 通知系统