- guide/ultimate-guide.md §10.2: Add Kairn (knowledge graph memory with biological decay) - Typed relationships (depends-on, resolves, causes), 18 MCP tools - Updated comparison table: Serena / grepai / doobidoo / Kairn - Added decision routing for long-term memory + causality tracking - guide/ultimate-guide.md §5.1: Add real-world CLAUDE.md migration example (Avo, 600-line → 15 path-scoped files) - guide/ai-ecosystem.md: Minor update - machine-readable/reference.yaml: Add Kairn entries - examples/config/mcp.json: Add Kairn MCP config - docs/resource-evaluations/: Add 2 new evaluations (context-evaluator-packmind, kairn-memory-mcp) - docs/resource-evaluations/agents-md-empirical-study: Add community reception section - docs/resource-evaluations/2026-02-23-agentsview: Minor fix Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
1.7 KiB
1.7 KiB
Evaluation: Kairn — Knowledge Graph Memory MCP
Date: 2026-02-25 Evaluator: Claude (eval-resource skill) Score: 4/5 — Intégré
Sources évaluées
- LinkedIn post — Robin Lorenz, "Context Engineering for Claude Code", 24 fév. 2026
- Score: 2/5 — Watch list (claims invérifiables, pas de code source)
- GitHub repo — kairn-ai/kairn (MIT, Python 100%)
- Score: 4/5 — Intégré
Résumé Kairn
MCP server Python offrant une mémoire organisée en knowledge graph avec 18 outils.
Différenciateurs clés vs Serena/doobidoo:
- Typed relationships (
depends-on,resolves,causes) - Biological decay model : solutions ~200j, workarounds ~50j (auto-pruning)
- Full-text search + confidence routing
- Cross-session et cross-IDE
Décision d'intégration
| Élément modifié | Description |
|---|---|
guide/ultimate-guide.md ~10233 |
Nouvelle section "Kairn: Knowledge Graph Memory with Biological Decay" |
guide/ultimate-guide.md |
Comparison Matrix + "When to use" table — colonne Kairn ajoutée |
guide/ultimate-guide.md |
Doobidoo limitation "No expiration" → pointe vers Kairn |
examples/config/mcp.json |
Entrée kairn ajoutée |
Watch list — LinkedIn Lorenz
Score: 2/5 — Réévaluer si un repo/article technique accompagne le post.
Raison du rejet : post LinkedIn sans code source, stats non vérifiables (93% réduction tokens), Perplexity n'a trouvé aucune trace indépendante. La philosophie "infrastructure outlives prompts" est déjà couverte dans guide/methodologies.md.
Réévaluation trigger : publication d'un repo GitHub accompagnant le post.