Claude construye grafos de conocimiento sin un servidor LLM local

Una nueva herramienta de código abierto llamada Chaos Cypher permite a los desarrolladores construir grafos de conocimiento persistentes utilizando Claude Code u otros clientes del Model Context Protocol (MCP). Publicado el 28 de septiembre de 2026 por Denis MacPherson, este enfoque traslada la carga computacional de la extracción de entidades desde un servidor local al asistente que ya se ejecuta en el editor del desarrollador. El sistema valida cada afirmación contra el texto fuente antes de comprometerla en una base de datos local.

Qué ocurrió

Los sistemas tradicionales de Generación Aumentada por Recuperación de Grafos (GraphRAG) suelen requerir un servidor para alojar un modelo de lenguaje grande. Esta configuración exige recursos de hardware significativos, como GPUs, para procesar documentos y extraer relaciones. Chaos Cypher invierte esta arquitectura. En lugar de que el servidor llame a un modelo, el asistente del lado del cliente realiza la extracción. El servidor actúa únicamente como una capa de almacenamiento y validación, recibiendo datos estructurados del asistente y comprobándolos contra el texto original.

El flujo de trabajo comienza cuando un usuario conecta la CLI de Chaos Cypher a un cliente compatible con MCP como Claude Code, Cursor o Claude Desktop. El usuario instruye al asistente para procesar una carpeta de archivos markdown. El asistente lee los documentos en fragmentos, identifica entidades y relaciones, y las envía de vuelta al servidor. Luego, el servidor ejecuta un validador de evidencia para garantizar que cada hecho enviado corresponda a números de oración específicos en el texto fuente. Si la evidencia no coincide, el servidor rechaza la entrada. Este bucle continúa hasta que se construye el grafo, resultando en una base de datos SQLite persistente que sobrevive a los reinicios de sesión.

Detalles clave

• La CLI de Chaos Cypher requiere Python 3.14 o superior e instala mediante pipx.
• La extracción es realizada completamente por el asistente del lado del cliente, lo que significa que el servidor no ejecuta ningún modelo de lenguaje.
• El servidor valida los envíos comprobando referencias de oraciones, descartando cualquier entidad o relación que carezca de evidencia textual.
• El grafo resultante se almacena en una base de datos SQLite local y puede exportarse como un paquete .ccx.
• Las consultas multihop se resuelven utilizando Personalized PageRank y Reciprocal Rank Fusion, combinando la traversía del grafo con la búsqueda vectorial.
• El sistema degrada elegantemente a la búsqueda por palabras clave si el modelo de incrustación local no está disponible.

Antecedentes

GraphRAG es una técnica que mejora los sistemas de recuperación estándar mapeando conexiones entre conceptos. Mientras que la búsqueda vectorial tradicional encuentra documentos que contienen palabras similares, un grafo de conocimiento entiende cómo se relacionan las entidades entre sí. Esto permite el razonamiento multihop, donde el sistema puede responder preguntas que requieren conectar piezas dispares de información a través de múltiples documentos. Por ejemplo, puede identificar qué componentes dependen de una biblioteca específica y qué registros de decisiones arquitectónicas gobiernan los cambios en esa biblioteca.

El Model Context Protocol (MCP) es un estándar abierto que permite a los asistentes de IA conectarse a herramientas externas y fuentes de datos. Al usar MCP, Chaos Cypher permite que cualquier asistente compatible actúe como la capa de inteligencia para la construcción del grafo. Esto desacopla la capacidad de razonamiento de la infraestructura de almacenamiento, permitiendo a los desarrolladores aprovechar los modelos a los que ya tienen acceso en sus entornos de codificación sin configurar servidores de inferencia dedicados.

Por qué importa

Para equipos que ejecutan su propio software, este enfoque reduce significativamente la barrera de entrada para sistemas de recuperación avanzados. Mantener un servidor LLM local requiere hardware especializado y mantenimiento continuo. Al descargar la extracción al cliente, los desarrolladores pueden construir bases de conocimiento sofisticadas en laptops estándar sin GPUs. Esto hace factible que pequeños equipos o ingenieros individuales implementen flujos de trabajo GraphRAG sin invertir en infraestructura costosa.

El énfasis en la validación de evidencia también aborda una preocupación crítica en la gestión automatizada del conocimiento: la confianza. Los modelos de lenguaje grandes a menudo alucinan relaciones o malinterpretan el contexto. Al requerir citas a nivel de oración y validarlas en el lado del servidor, Chaos Cypher garantiza que el grafo refleje el contenido real de los documentos. Esta auditabilidad permite a los equipos inspeccionar entradas rechazadas y entender por qué ciertos hechos fueron excluidos, proporcionando un mayor grado de confianza en la información recuperada.

Además, la persistencia del grafo significa que el conocimiento se acumula con el tiempo. A diferencia de las sesiones de chat transitorias donde el contexto se pierde después de cerrar la ventana, el grafo permanece disponible para futuras consultas. Esto permite a los asistentes responder preguntas complejas entre documentos que de otro modo excederían sus ventanas de contexto. Transforma la documentación estática en un activo interactivo y consultable que crece con el proyecto.

Qué puedes hacer

• Instala la CLI de Chaos Cypher usando pipx y asegúrate de que tu entorno ejecute Python 3.14 o posterior.
• Conecta la CLI a tu cliente MCP preferido, como Claude Code, en modo escritura para habilitar la construcción del grafo.
• Comienza con un pequeño conjunto de archivos markdown, como notas de diseño o resúmenes de reuniones, para probar la calidad de la extracción.
• Revisa los registros de la herramienta en tu editor para monitorear el proceso de extracción y ver qué oraciones respaldan cada entidad.
• Usa la interfaz del servidor local para inspeccionar el grafo generado, editar relaciones incorrectas y ver calificaciones de calidad.
• Exporta el grafo terminado como un paquete .ccx para compartirlo con otros miembros del equipo o importarlo en diferentes asistentes.