NOUZ 是一个面向 Markdown 与 Obsidian 的本地语义 MCP 服务器，定位为笔记库与 AI 代理之间的中间层，把分散的 Markdown 文件整理成便于人和代理使用的图。文档称“结构从内容中产生”，可处理 Obsidian、Logseq 以及任何 Markdown 文件目录，基于 MCP Python SDK v2。
用途方面，NOUZ 主要在以下方向提供能力：自动语义分类，用户定义“核心”（基础领域），新增笔记时 NOUZ 读取文本、比较向量，并建议领域标记或领域组合；检索笔记间的联系，服务器构建有向结构图，层级保持为无环 DAG，额外的语义联系并存，包括“语义桥梁”（不同领域的两条笔记指向同一想法），显式标签联系可手动存储在 YAML 中；跟踪笔记库演化（漂移），NOUZ 保存内容节点的领域画像并与声明的标记比较，若模块描述为一个领域但其画像逐渐偏向另一领域，服务器会显示差异（core_drift）。根据任务不同，NOUZ 有三种模式，从简单图（LUCA）到严格的五级层级（SLOI）。
工作原理上，用户在 config.yaml 中描述领域，即每个领域覆盖的范围及识别文本特征；服务器把这些描述转为向量基准（本地，通过 LM Studio 或 Ollama）；每条新笔记投影到这些轴上，标记由内容或用户确定。文档强调两个层面的区分：artifact_signs 描述 L5 工件的形态（日志、来源、假设、规格等），这些标记不会聚合为 L4 领域标记；core_mix 不是工件类型之和，而是 SQLite 索引中的领域画像，L4/L3/L2 通过 recalc_signs 从自身文本获得，父节点随后可通过 recalc_core_mix 获得子内容节点的平均画像；当保存的领域画像与当前 sign 指向不同主导领域时出现 core_drift。语义桥梁在跨领域笔记文本意义相近时发现联系，若两条笔记已有分块，还会用最佳分块对额外验证并返回具体特征。标签则保持为用户显式标注。
使用方式方面，没有 config.yaml 时服务器以 LUCA 模式启动，即无语义图，可立即运行。要启用语义模式，需从模板创建本地配置。文档给出了 Windows PowerShell 与从源码构建两种方式，以及连接 Claude Desktop、Cursor、Opencode 或任意 MCP 客户端的方法。配置后运行 calibrate_cores，服务器会创建基准向量；应检查成对余弦值，不同领域之间的均值中心化值应明显低于原始值；如果所有对都近似相同，需增强文本差异。也可从已安装包单独检查基准：nouz-calc-etalons --config config.yaml。
概念上，etalons 是通过嵌入比较的语义领域；artifact_signs 是 L5 工件的材料类型：笔记、概念、链接、日志、更新、假设或规格，属于启发式标签。领域通常用大写字母（S/D/E）表示，材料类型用小写（n/c/r/l/u/h/s），可在配置中替换为其他值。必要时可为任意类型添加 keywords，服务器会使用你的词做启发式而非内置俄英集合。文档还给出了 S/D/E 基准在 text-embedding-granite-embedding-278m-multilingual 模型下的实际结果：负的均值中心化值是好结果，说明减去平均向量后领域分离良好；当前 nouz-calc-etalons 的基准冒烟测试为 S→99.6%、D→98.5%、E→98.1%，这是对每个基准在相同中心化后能否稳定回到自身标记的快速检查，而非对整个库的评估。
限制与数据安全方面，文档称所有关键内容都留在你自己的机器上。项目采用 MIT 许可证。文档还提到官网 semiotronika.ru 和 Glama Registry 入口。至于收费、价格、具体模型依赖版本、平台支持范围等，资料未提供，暂未提供。
