IWE y OpenAI: Cómo Convertir Notas en Markdown en un Grafo de Conocimiento para Agentes de IA

En IWE, demostraron cómo convertir un conjunto de notas markdown en un grafo de conocimiento completo para personas y agentes de IA. Sobre él, los autores construyeron un RAG agentic, conectaron OpenAI function calling y enseñaron al modelo a encontrar respuestas no a través de archivos planos, sino a través de conexiones entre documentos.

Grafo en Lugar de Carpeta

En el corazón del ejemplo está IWE, una herramienta local en Rust para trabajar con notas a través de CLI y LSP. Su idea es simple: cada página markdown se convierte en un nodo en el grafo, y los wiki-links y los enlaces markdown comunes se convierten en aristas dirigidas entre nodos. Por esto, las notas no solo pueden ser leídas, sino también recorridas como una estructura conectada, donde cada documento tiene contexto, vecinos e jerarquía.

El autor del tutorial primero recopila una pequeña base de conocimiento para un desarrollador: arquitectura, autenticación, base de datos, API, frontend, deployment, caching y notas de performance. Luego a partir de estos archivos, se construye un objeto KnowledgeGraph con análisis de títulos, etiquetas y enlaces. Sobre él, se implementan operaciones básicas de IWE para mostrar que el grafo es adecuado no solo para almacenamiento, sino también para navegación y análisis.

• find — encuentra notas relevantes por consulta
• retrieve — obtiene un documento junto con contexto relacionado
• tree — muestra jerarquía y mapa de secciones
• squash — fusiona varios documentos relacionados en uno
• export dot — prepara visualización del grafo a través de Graphviz

Dónde se Conecta OpenAI

La siguiente capa es transformaciones de IA de documentos. En el artículo, para esto construyen una función ai_transform que envía una nota a un modelo OpenAI y aplica uno de cinco escenarios: rewrite, summarize, expand, extract_todos o generate_links. Es decir, la misma base de conocimiento comienza no solo a almacenar estructura, sino también a reescribir, comprimir, expandir y vincular automáticamente sus nodos.

En la demostración, esto se ve práctico, no académico. El sistema resume brevemente una nota sobre autenticación, sugiere nuevos wiki-links para ella y extrae una lista de tareas de una nota sobre performance. Un punto importante es que la IA funciona no en una caja de arena separada y no sobre una exportación a una base de datos vectorial, sino directamente encima del mismo grafo que el desarrollador usa en el editor.

El Agente Recorre el Grafo

La parte más interesante es el RAG agentic encima del grafo de conocimiento. Para el agente, se describen cuatro herramientas: iwe_find, iwe_retrieve, iwe_tree e iwe_stats. A través de OpenAI function calling, el modelo decide por sí mismo cuándo buscar un punto de entrada, cuándo leer un documento vinculado, cuándo observar el árbol de secciones y cuándo solicitar estadísticas generales sobre la base de datos. Luego se ejecuta un ciclo search-retrieve-synthesize hasta que el agente recopile la respuesta.

En los ejemplos, el agente responde preguntas sobre las dependencias del sistema de autenticación, el pipeline de deployment y la arquitectura general del proyecto. Después de esto, el autor va más lejos: la IA encuentra brechas en el grafo, genera una nueva nota sobre una estrategia de manejo de errores, la añade a la base de datos y actualiza la visualización. La prueba final es una pregunta multi-hop sobre crecimiento de carga de 1000 a 5000 RPS, donde el modelo necesita conectar base de datos, caching, tokens e infraestructura, en lugar de parafrasear un único archivo.

Qué Significa Esto

Este caso muestra bien hacia dónde se está moviendo el RAG práctico para desarrolladores. En lugar de otra capa sobre la búsqueda vectorial, IWE propone usar su base de conocimiento personal como memoria compartida para una persona y un agente: con enlaces explícitos, recorrido de grafos, almacenamiento local y acciones de IA gestionadas. Para los equipos, esta es una señal importante: el valor cada vez más no está en el modelo en sí, sino en qué tan bien organiza y hace accesible el contexto.