IWE and OpenAI: How to Turn Markdown Notes into a Knowledge Graph for AI Agents

На базе IWE показали, как превратить набор markdown-заметок в полноценный граф знаний для людей и AI-агентов. Поверх него авторы собрали agentic RAG, подключили OpenAI function calling и научили модель искать ответы не по плоским файлам, а по связям между документами.

Граф вместо папки В основе примера — IWE, локальный инструмент на

Rust для работы с заметками через CLI и LSP. Его идея простая: каждая markdown-страница становится узлом графа, а wiki-ссылки и обычные markdown-ссылки — направленными рёбрами между узлами. За счёт этого заметки можно не только читать, но и обходить как связанную структуру, где у каждого документа есть контекст, соседи и иерархия.

Автор tutorial сначала собирает небольшую базу знаний для разработчика: архитектура, аутентификация, база данных, API, фронтенд, деплой, кэширование и performance notes. Затем из этих файлов строится объект KnowledgeGraph с парсингом заголовков, тегов и ссылок. Поверх него реализуют базовые операции IWE, чтобы показать, что граф пригоден не только для хранения, но и для навигации и аналитики.

find — ищет релевантные заметки по запросу retrieve — подтягивает документ вместе со связанным контекстом tree — показывает иерархию и карту разделов squash — склеивает несколько связанных документов в один * export dot — готовит визуализацию графа через Graphviz ## Где подключается OpenAI Следующий слой — AI-трансформации документов. В статье для этого собирают функцию ai_transform, которая отправляет заметку в модель OpenAI и применяет один из пяти сценариев: rewrite, summarize, expand, extract_todos или generate_links. То есть одна и та же база знаний начинает не только хранить структуру, но и автоматически переписывать, сжимать, дополнять и связывать свои узлы.

На демо это выглядит прикладно, а не академично. Система кратко пересказывает заметку про аутентификацию, предлагает для неё новые wiki-ссылки и извлекает список задач из заметки о производительности. Важный момент в том, что AI работает не в отдельной песочнице и не над экспортом в векторную базу, а прямо поверх того же графа, который использует разработчик в редакторе.

Агент обходит граф Самая интересная часть — agentic RAG поверх графа знаний.

Для агента описывают четыре инструмента: iwe_find, iwe_retrieve, iwe_tree и iwe_stats. Через OpenAI function calling модель сама решает, когда искать входную точку, когда читать связанный документ, когда смотреть дерево разделов и когда запрашивать общую статистику по базе. Дальше запускается цикл search-retrieve-synthesize, пока агент не соберёт ответ. На примерах агент отвечает на вопросы о зависимостях системы аутентификации, пайплайне деплоя и общей архитектуре проекта. После этого автор идёт ещё дальше: AI ищет пробелы в графе, генерирует новую заметку про стратегию обработки ошибок, добавляет её в базу и обновляет визуализацию. Финальный тест — multi-hop вопрос о росте нагрузки с 1000 до 5000 RPS, где модели нужно связать базу данных, кэширование, токены и инфраструктуру, а не пересказать один файл.

Что это значит Этот кейс хорошо показывает, куда двигается практический RAG для разработчиков.

Вместо ещё одной прослойки поверх векторного поиска IWE предлагает использовать личную базу знаний как общую память для человека и агента: с явными связями, обходом графа, локальным хранением и управляемыми AI-действиями. Для команд это важный сигнал: ценность всё чаще не в самой модели, а в том, насколько хорошо у тебя организован и доступен контекст.