Вердикт AI-ReadyНаблюдать и тестировать на небольшом корпусе, если нужен граф знаний с явной происхождением утверждений.

Что это

локальный knowledge-graph runtime для исследовательских агентов, которым недостаточно vector similarity и нужна явная структура сущностей, связей, противоречий, происхождения и пробелов в знаниях.

Бизнес-проблема

обычный RAG хорошо находит похожие фрагменты, но плохо представляет причинные связи, зависимости, lineage, несовместимые утверждения и развитие решения во времени.

Практическая польза

подходит для research agents, сложных knowledge hubs, анализа теорий, архитектурных решений и картирования источников. Для AI-Ready и ODTF особенно интересен как технический пример типизированной онтологии, а не просто мешка embeddings.

Почему интересно сейчас

19 stars, 3 forks, 486 commits, 125 issues, 3 PR, 5 releases; свежий v0.3.0 от 1 июля, contributors не отобразились. Документация и инженерная дисциплина выше adoption: CI, security policy, design-doc requirement, benchmarks. Лицензия Apache-2.0.

Проверка официального репозитория, README и LICENSE выполнена 2026-07-18; эти данные относятся к текущему наблюдению и не заменяют собственный тест.

Технические особенности

Rust, SQLite, MCP over stdio; не требует Neo4j. Есть typed entities, edges и notes, immutable event log, soft-delete/supersede, namespace attribution, FTS5 + vector RRF + reranking, graph traversal, GQL/SPARQL-to-SQL. Весь MCP-интерфейс свёрнут в один request tool с 78 verbs в девяти packs.

Значение для AI-Ready

research component / inspiration для онтологического knowledge hub. Риски: очень маленькое сообщество; 78 verbs и 125 issues показывают высокую сложность; закрытые таксономии придётся адаптировать под бизнес-домен; полноценный UI пока не является сильной стороной. Вердикт: Watch, параллельно протестировать на небольшом корпусе ODTF или AI-Ready wiki.

Риски

  • Сложность модели и 78 verbs требуют аккуратного ограничения интерфейса.
  • Малое сообщество и отсутствие полноценного UI повышают стоимость самостоятельной проверки.

Граница вывода

Первый тест - только внутренние research notes; не считать граф автоматически подтверждённым источником истины.

Ключевые риски

  • Сложность модели и 78 verbs требуют аккуратного ограничения интерфейса.
  • Малое сообщество и отсутствие полноценного UI повышают стоимость самостоятельной проверки.

Разберите эту страницу со своей LLM

Скопируйте контекст страницы в ChatGPT, Claude, Gemini или другую LLM и попросите применить эту схему к вашему бизнесу.

Можно спросить:

  • Какую ограниченную задачу AI-Ready разумно проверить с помощью khive?
  • Какие риски и условия нужно закрыть перед пилотом khive?
Открыть каталог