Зовнішня пам'ять для LLM-агентів

Мозок, який не забуває після закриття чату

Зовнішня семантична пам'ять для твоїх LLM-агентів, ботів і робочих процесів. Поклади знання один раз — користуйся з браузера, Claude, Cursor, CLI або власного бота. І так — LLM сам уміє писати в неї, поки працює з тобою.

Три шари

Запис → Пошук → Мислення

Знання потрапляють у мозок з будь-якої точки твого робочого потоку, шукаються трьома способами і потрапляють у відповідь LLM як контекст.

Запис

Поклади знання як тобі зручно — або дозволь LLM робити це за тебе.

  • REST API /notes · MCP-тул add_note
  • CLI rdb notes import для batch з Obsidian
  • Web UI — ручне редагування
  • Learn pipeline: сирий текст → факти автоматично
  • Auto-capture: LLM сам логує кожну сесію

Пошук

Три режими пошуку + граф зв'язків + GraphRAG для розширеного контексту.

  • text — повнотекстовий через PostgreSQL FTS
  • vector — семантичний через pgvector
  • hybrid — text × 0.3 + vector × 0.7
  • Граф зв'язків + GraphRAG: top-N + сусіди
  • Chunk-search для гранулярного RAG

Мислення

Будь-який LLM-клієнт через MCP, REST або CLI отримує знання як контекст.

  • Claude Desktop, Cursor, Claude Code — через MCP
  • Telegram-боти, Slack — через REST
  • SEARCH-FIRST instructions — LLM сам шукає перед відповіддю
  • Streaming Learn pipeline з SSE
  • Цикл сам собі: відповідь → запис → наступна відповідь
Можливості

Не просто база нотаток

Все що потрібно, щоб LLM-агент знав твою предметну область — від гібридного пошуку до автоматичного зростання знань.

Learn pipeline

Кидаєш сирий текст — LLM-куратор розбиває його на факти, шукає схожі і вирішує CREATE / EXTEND / CONTRADICT / LINK. Cross-doc impact з ревізіями.

Граф зв'язків

Wikilinks [[Title]], title-mentions, векторні сусіди, спільні теги. Auto-link discovery в 4 канали. GraphRAG для розширеного контексту.

Гібридний пошук

Текстовий FTS + векторна косинусна схожість + гібрид з вагами 30/70. Знаходить семантично близьке, коли ключових слів нема.

MCP для будь-якого LLM

18 tools через HTTP /mcp з Bearer-токенами. Один сервер обслуговує необмежено tenant-ів. Claude Desktop, Cursor, Claude Code — все працює з коробки.

Само-навчання

Прапор auto_capture на MCP-токені — і LLM сам пише підсумок кожної сесії у мозок. Знання ростуть фоном, без явної дії.

Multi-tenant

Кожен vault — окрема PostgreSQL-схема. Фізична ізоляція даних, не row-level. Admin API для CRUD тенантів, per-tenant API-ключі.

18
MCP tools
3
режими пошуку
4
канали auto-link
tenant-ів на сервер
Для кого

Чотири способи використати мозок

Один сервер — багато сценаріїв. Кожен vault — свій світ знань, ізольований від інших.

vault: personal

Особистий knowledge base

Побутове ноу-хау, рішення про здоров'я, пам'ятки, ідеї. Claude Desktop через MCP бачить твої нотатки і використовує їх у відповідях.

Для кого: індивідуальні юзери, ентузіасти, журналери

vault: proj-platform365

Контекст команди + боти

ADR, runbooks, «чому ми обрали X», відомі gotchas, API-контракти. Telegram-бот команди викликає /search/graph-rag — LLM формує відповідь із джерелами.

Для кого: dev-команди, які втомились пояснювати одне й те саме новим інженерам

vault: skyservice-api

API-документація як живий reference

Імпортуй OpenAPI / Markdown-довідки → embedding worker згенерує вектори → розробник питає «як працює uploadFile?» — бот відповідає з прикладами і посиланнями.

Для кого: SaaS, в яких є API і онбордингові питання

vault: dataset

RAG-агент на твоєму корпусі

Імпортуй корпус через rdb notes import → worker генерує ембединги → твій агент через /chunks/search робить гранулярний RAG. Свіжість гарантована.

Для кого: LangChain / LlamaIndex / custom-агенти, які хочуть нормальний backend

Наша історія

Чому ми зробили Цифровий мозок

Все почалось з простого питання: чому в 2026 році LLM досі забуває все після закриття чату? Працюєш з Claude дві години над архітектурним рішенням, він блискуче резюмує — а наступного дня починаєш з нуля. «Який варіант ми обрали? Чому відмовились від A?» — і ти знову переказуєш те саме.

Векторні БД (Pinecone, Weaviate) — для розробників ML-pipeline-ів. Obsidian і Notion — чудові для людей, але бот їх не «бачить». LLM-context — обнуляється з кожною сесією. Між цими світами не вистачало одного шару.

Цифровий мозок — це API до твоєї пам'яті, спроектоване так, щоб LLM-агент, бот, і ти сам працювали з ним як з єдиним джерелом правди.

Ми зробили те, чого нам самим не вистачало: один сервер, де знання живуть Markdown-нотатками, шукаються трьома способами, зв'язуються графом — і доступні через MCP, REST, CLI, Web UI одночасно.

А головне — мозок умiє наповнювати себе сам. Кожна сесія з Claude через auto-capture лишає після себе нотатку. Наступного дня ти не починаєш з нуля.

Питання

Часті питання

Якщо чогось нема — напиши нам на hello@digital-brain.io.

Чим це відрізняється від Obsidian або Notion?
Obsidian і Notion — це інтерфейси для людей. Бот їх не «бачить» — щоб дати LLM доступ, треба написати інтеграцію. Цифровий мозок одразу спроектований як API для LLM-агентів: MCP, REST, гібридний пошук, граф. Тобі залишається тільки приєднати клієнта.
Чим це відрізняється від векторних БД (Pinecone, Weaviate)?
Векторні БД — це інфраструктурний шар, де ти сам пишеш індексацію, чанкінг, схему. Цифровий мозок — це готова доменна модель «нотатка з графом зв'язків» поверх PostgreSQL + pgvector. Плюс MCP, Learn pipeline, Web UI з коробки. Якщо тобі потрібен сирий вектор-стор — бери Pinecone. Якщо knowledge base з API — бери цей.
Чи потрібен мені OpenAI API Key?
Ні, якщо тобі вистачає текстового пошуку. OPENAI_API_KEY потрібен для векторного пошуку (генерація ембеддингів) і Learn pipeline (LLM-куратор). Альтернатива: Ollama як локальний embedder через EMBEDDER_PROVIDER=ollama.
Чи є безкоштовний план?
Так. Стартуєш з безкоштовним пробним періодом — без кредитної картки. Тестуй усі можливості: пошук, граф знань, MCP-інтеграції з Claude і Cursor, AI-аналіз. Коли вирішиш продовжити — поповнюєш баланс на будь-яку суму і платиш тільки за використані операції. Без передплат і прихованих лімітів.
Що таке MCP і навіщо воно?
Model Context Protocol — стандарт від Anthropic, який дозволяє LLM-клієнтам (Claude Desktop, Cursor, Claude Code) викликати tools з зовнішніх серверів. Цифровий мозок експонує 18 таких tools: пошук, додати нотатку, граф, learn. Підключення — один claude mcp add з Bearer-токеном.
Що означає «само-навчання» і чи це безпечно?
Видаєш MCP-токен з прапорцем auto_capture=true — і LLM після кожної змістовної відповіді сам викликає record_interaction(), який прогоняє turn через Learn pipeline. Це cooperative logging: LLM може проігнорувати, але інструкція написана імперативно для compliance. Кожен auto-capture тратить ~1-3 сек і трохи токенів куратора — вмикай для дослідницьких сесій, не для дрібниць.
Як ізолюються дані між клієнтами / проєктами?
MULTI_TENANT=true — і кожен tenant отримує окремий API-ключ, а кожен vault tenant-а живе в окремій PostgreSQL-схемі (db_<uuid>). Це фізична ізоляція через search_path, не row-level filter. Один tenant просто не бачить даних іншого на рівні запитів.

Спробуй за $0

Активуй безкоштовний пробний період. Без кредитної картки, без зобов'язань — спробуй усі можливості і вирішуй пізніше.