🧠 NexusMind

Intelligentes wissenschaftliches Denken durch Gedankengraphen

🔍 Übersicht

NexusMind nutzt Graphstrukturen für anspruchsvolle wissenschaftliche Schlussfolgerungen. Es implementiert das Model Context Protocol (MCP) für die Integration mit KI-Anwendungen wie Claude Desktop.

Wichtige Highlights:

• Verarbeiten Sie komplexe wissenschaftliche Abfragen mithilfe graphenbasierter Argumentation

• Dynamisches Vertrauens-Scoring mit mehrdimensionalen Auswertungen

• Erstellt mit modernem Python und FastAPI für hohe Leistung

• Dockerisiert für einfache Bereitstellung

• Modulares Design für Erweiterbarkeit und Anpassung

🌟 Hauptfunktionen

8-stufige Reasoning-Pipeline

Der Kernschlussfolgerungsprozess folgt einer ausgeklügelten 8-stufigen Pipeline:

1. 🌱 Initialisierung

   • Erstellt den Stammknoten aus der Abfrage

   • Legt die anfängliche Graphstruktur fest

   • Legt die Konfidenzbasislinie fest

2. 🧩 Zersetzung

   • Zerlegt die Abfrage in Dimensionen

   • Identifiziert Schlüsselkomponenten

   • Erstellt Dimensionsknoten

3. 🔬 Hypothese/Planung

   • Generiert mehrere Hypothesen

   • Erstellt eine Argumentationsstrategie

   • Legt Fälschungskriterien fest

4. 📊 Beweisintegration

   • Sammelt unterstützende Beweise

   • Verknüpft Beweise mit Hypothesen

   • Aktualisiert die Konfidenzwerte

5. ✂️ Beschneiden/Zusammenführen

   • Entfernt Elemente mit geringem Wert

   • Konsolidiert ähnliche Knoten

   • Optimiert die Graphstruktur

6. 🔍 Subgraph-Extraktion

   • Identifiziert relevante Teile

   • Konzentriert sich auf hochwertige Pfade

   • Erstellt zielgerichtete Untergraphen

7. 📝 Zusammensetzung

   • Fasst die wichtigsten Erkenntnisse zusammen

   • Schafft kohärente Erkenntnisse

   • Generiert umfassende Antworten

8. 🤔 Reflexion

   • Bewertet die Qualität des Denkvermögens

   • Identifiziert Verbesserungsbereiche

   • Abschließende Vertrauensbewertung

Technische Möglichkeiten

• 🧠 Graphische Wissensdarstellung : Verwendet networkx zur Modellierung komplexer Beziehungen

• 🔄 Dynamische Vertrauensvektoren :

  • Empirische Unterstützung

  • Theoretische Grundlagen

  • Methodische Strenge

  • Konsensausrichtung

• 🔌 MCP-Server : Nahtlose Claude Desktop-Integration

• ⚡ Hochleistungs-API : Moderne FastAPI-Implementierung

• 🐳 Einfache Bereitstellung : Docker- und Docker Compose-Unterstützung

• 🧩 Erweiterbare Architektur : Modulare Komponenten zur individuellen Anpassung

• ⚙️ Flexible Konfiguration : Pydantic- und YAML-Konfiguration

🛠️ Technologie-Stack

📂 Projektstruktur

🚀 Erste Schritte

Voraussetzungen

• Python 3.13+ (Docker-Image verwendet Python 3.13.3-slim-bookworm)

• Poesie : Für das Abhängigkeitsmanagement

• Docker und Docker Compose : Für die containerisierte Bereitstellung

Installation und Einrichtung (lokale Entwicklung)

1. Klonen Sie das Repository :

   git clone https://github.com/SaptaDey/NexusMind.git cd NexusMind

2. Installieren Sie Abhängigkeiten mit Poetry :

   poetry install

   Dadurch wird eine virtuelle Umgebung erstellt und alle in pyproject.toml angegebenen erforderlichen Pakete installiert.

3. Aktivieren Sie die virtuelle Umgebung :

   poetry shell

4. Konfigurieren Sie die Anwendung :

   • Passen Sie die Einstellungen in config/settings.yaml nach Bedarf an

   • Konfigurieren Sie Umgebungsvariablen oder eine .env Datei für vertrauliche Informationen

5. Führen Sie den Entwicklungsserver aus :

   python src/asr_got_reimagined/main.py

   Alternativ für mehr Kontrolle:

   uvicorn asr_got_reimagined.main:app --reload --host 0.0.0.0 --port 8000

   Die API wird unter http://localhost:8000 verfügbar sein.

Docker-Bereitstellung

1. Erstellen und Ausführen der Docker-Container :

   docker-compose up --build

   Für den getrennten Modus:

   docker-compose up --build -d

   Das Docker-Image verwendet Python 3.13.3-slim-bookworm als Basis-Image für verbesserte Leistung und Sicherheit.

2. Zugriff auf die API : Die API ist unter http://localhost:8000 (oder wie in docker-compose.yml konfiguriert) zugänglich.

🔌 API-Endpunkte

Kernendpunkte

• MCP-Endpunkt : POST /mcp

  • Für die Kommunikation mit MCP-Clients wie Claude Desktop

  • Implementiert das Model Context Protocol für die KI-Interaktion

• Gesundheitscheck : GET /health

  • Grundlegende Integritätsprüfung zur Überwachung und Diensterkennung

Zusätzliche Endpunkte (geplant)

• Graphabfrage : POST /api/graph/query

  • Direkte Schnittstelle für ASR-GoT-Abfragen

• Graphstatus : GET /api/graph/{session_id}

  • Aktuellen Status eines Reasoning-Graphen abrufen

• Analytics : GET /api/analytics/{session_id}

  • Erhalten Sie Kennzahlen zum Denkprozess

🧪 Prüfung & Qualität

Entwicklungstools

• Typsicherheit :

  • Konfiguriert mit mypy.ini und pyrightconfig.json

  • Beheben Sie Probleme mit dem Logger-Typ mit python scripts/add_type_hints.py

• Codequalität :

  • Vollständig typisierte Codebasis mit Typanmerkungen

  • Pre-Commit-Hooks verfügbar: poetry run pre-commit install

  • Automatisierte Formatierung mit Ruff