Départ 23/11Cohorte 3 en direct Vibe Coding & Agents IA : 3 semaines, 9 sessions liveCohorte 3 (23/11) →
SortieAnalyse · Sur le radarRaft→ original

Un agent Codex a bâti dans Obsidian une base de connaissances personnelle à partir de 4 articles de Habr, sans RAG

Le RAG, où le modèle cherche des fragments dans les documents puis répond, « répond et oublie » : le lendemain, la synthèse des articles doit être refaite de zéro. Ramil a testé l'idée de Karpathy : l'agent Codex tient lui-même, dans le bloc-notes Obsidian, une base de connaissances faite de fichiers markdown. À partir de 4 articles de Habr, il a obtenu des fiches, des pages de notions et des liens. Pour la recherche personnelle, cela fonctionne, mais sur 50–100 sources, charger les articles dans la base coûte des tokens en quantité notable.

Traité par IA depuis Raft ; édité par Hamidun News
Un agent Codex a bâti dans Obsidian une base de connaissances personnelle à partir de 4 articles de Habr, sans RAG
Source : Raft. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireRaft ↗
Rédacteur en chef
Trois couchessources brutes, wiki en markdown et fichier de règles pour l'agent
Trois commandesingest (ajouter), query (interroger), lint (détecter les doublons)
Chiffre clé #3Une erreur dans le schéma des tags sur 50–100 PDF se propage à tout le wiki

Vous avez lu une dizaine d'articles, demandé à un réseau de neurones de dégager ce qu'ils ont en commun, obtenu une bonne réponse, et le lendemain elle n'existe plus que dans un onglet de chat fermé. Le savoir ne s'est pas accumulé. C'est ainsi que fonctionne généralement le RAG : le modèle trouve dans les documents chargés les passages pertinents et s'appuie dessus pour répondre.

L'ingénieur qualité Ramil a testé une autre idée, popularisée par Andrej Karpathy : le LLM Wiki. Ici, l'agent ne se contente pas de répondre : il tient lui-même une base de connaissances personnelle. Le rôle de l'agent est joué par Codex, l'assistant d'OpenAI capable de lire et de modifier des fichiers dans un dossier de projet.

La base est Obsidian, une application de notes qui stocke tout dans des fichiers markdown ordinaires et affiche les liens entre eux sous forme de graphe. Le matériau de départ : quatre articles de Habr.

En quoi c'est différent du RAG

Dans le schéma habituel, vous chargez des PDF ou des articles, posez une question, le système extrait des fragments et génère une réponse. Pour des applications de production avec des utilisateurs, des droits d'accès et un SLA, c'est la bonne approche. Mais pour un travail personnel, elle a un défaut : elle « répond et oublie ». Supposons que vous ayez lu sur les guardrails, l'évaluation de la qualité, l'OCR et les agents IA dans la BI. Le modèle peut produire une bonne synthèse, mais si elle reste dans le chat, il faudra la reconstruire.

Le LLM Wiki propose de compiler les connaissances dans une couche persistante de fichiers markdown. Le schéma comporte trois parties :

  • raw — articles, PDF, notes et transcriptions d'origine. C'est la source de vérité, l'agent ne les modifie pas ;
  • wiki — la couche élaborée : fiches de sources, pages de notions, liens, synthèses et réponses sauvegardées ;
  • fichier de règles — instructions pour l'agent : comment ajouter une source, comment nommer les fichiers, comment séparer le fait de l'interprétation et quoi mettre à jour après chaque opération.

L'auteur compare cela au développement logiciel : Obsidian est l'IDE des connaissances, le markdown la base de code, et Codex l'agent-mainteneur.

Trois opérations et l'expérience réelle

Le dispositif repose sur trois commandes. Ingest ajoute une nouvelle source : Codex lit l'article, crée une fiche, dégage l'idée, les thèses, les limites et les techniques, puis met à jour ou crée les pages de notions. L'auteur souligne la différence : un simple résumé répond à la question « de quoi parle l'article ?

», alors qu'ingest répond à « comment cet article modifie-t-il ma base de connaissances ? ». Query répond à partir du wiki déjà constitué, et une réponse utile y est enregistrée, si bien que la question elle-même devient une partie de la base.

Lint contrôle la santé de la base : il détecte les doublons, les contradictions, les conclusions obsolètes, les notions sans page et les « îlots » isolés dans le graphe. L'auteur appelle ces problèmes knowledge smell, par analogie avec le code smell.

Pour le test, quatre articles de Habr ont été retenus : sur GLiNER Guard et les garde-fous pour LLM, sur l'évaluation d'un classifieur avec DeepEval, GPT-4o et YandexGPT, sur HunyuanOCR et la reconnaissance de documents, et sur la BI assistée par IA avec Apache Superset et MCP. Pris séparément, ce sont quatre textes sans rapport. Après l'ingest, Codex a repéré un thème commun : tous portent sur les systèmes LLM en production.

Le premier touche à la sécurité, le deuxième aux métriques, le troisième au traitement de documents, le quatrième aux agents dotés d'outils, de droits et d'audit. Le wiki a vu naître des pages de notions, dont la sécurité de l'information, et la vue en graphe d'Obsidian a montré comment les articles convergent vers des nœuds communs.

Techniquement, le processus est simple : Codex se lance dans le dossier du projet, lit le fichier de règles, examine la structure et modifie le markdown. La différence tient à la formulation de la tâche. Une demande du type « fais un beau résumé » donne un résultat aléatoire, alors qu'une consigne précise (« ne touche pas à raw, fais la fiche selon le modèle, mets à jour les notions, l'index, les relations et le journal, note les limites ») donne un résultat prévisible. L'auteur compare cela à la différence entre poser une question à un stagiaire et fournir à un ingénieur un dépôt avec ses règles.

Combien ça coûte et où sont les limites

L'avertissement principal de l'auteur : ingest n'est pas un résumé gratuit, mais une opération coûteuse de lecture, d'analyse et d'écriture. Cinq sources se traitent presque sans douleur. Sur 50–100 sources, surtout des PDF de plusieurs pages, chaque tag malencontreux, chaque entité superflue ou chaque section mal conçue coûte plus cher : le modèle relit de gros volumes de texte, réécrit des dizaines de pages et peut reproduire une structure erronée dans tout le wiki. Dans le cloud, cela se traduit directement par une facture de tokens. Un modèle local n'envoie pas de facture, mais il exige une machine puissante, faute de quoi la qualité des liens se dégrade sur de grands volumes, ou l'attente devient longue.

Pour estimer le budget, l'auteur calcule le coût sur Yandex Foundation Models pour son vault de démonstration au 29 juin 2026, en ne tenant compte que de ce qui participe réellement au processus : les quatre articles sources dans raw et la couche wiki générée (sources, concepts, synthesis, index, relations, log).

Codex a été choisi par commodité. Le même processus peut être assemblé avec des scripts : un observateur du dossier raw envoie les nouveaux fichiers à un modèle local ou cloud, reçoit une réponse structurée et régénère les fiches et les index. Il est ensuite utile d'ajouter une validation humaine : l'agent propose un diff, et l'humain l'accepte ou le corrige.

Par où commencer

On peut démarrer petit : un dossier, du markdown, Obsidian, un agent et trois commandes. Il faut d'abord mettre au point le fichier de règles sur 3 à 5 sources, puis seulement passer à l'échelle. Il est prudent de calculer à l'avance les tokens consommés par ingest et de laisser à l'humain la relecture des modifications, sinon l'agent fige ses propres erreurs dans la structure.

La limite est évidente : c'est un outil personnel pour la recherche et la préparation de contenus, pas un remplacement d'un RAG de production avec droits d'accès et SLA. L'expérience reste modeste, quatre articles seulement, si bien que le comportement sur des centaines de documents ne se juge, pour l'instant, qu'au regard des mises en garde de l'auteur lui-même.

Dossier

Questions clés sur cet article

Que sait-on sur En quoi c'est différent du RAG ?

Dans le schéma habituel, vous chargez des PDF ou des articles, posez une question, le système extrait des fragments et génère une réponse. Pour des applications de production avec des utilisateurs, des droits d'accès et un SLA, c'est la bonne approche. Mais pour un travail personnel, elle a un défaut : elle « répond et oublie ». Supposons que vous ayez lu sur les guardrails, l'évaluation de la qualité, l'OCR et les agents IA dans la BI.

Que sait-on sur Trois opérations et l'expérience réelle ?

Le dispositif repose sur trois commandes. Ingest ajoute une nouvelle source : Codex lit l'article, crée une fiche, dégage l'idée, les thèses, les limites et les techniques, puis met à jour ou crée les pages de notions. L'auteur souligne la différence : un simple résumé répond à la question « de quoi parle l'article ? », alors qu'ingest répond à « comment cet article modifie-t-il ma base de connaissances ? ».

Que sait-on sur Combien ça coûte et où sont les limites ?

L'avertissement principal de l'auteur : ingest n'est pas un résumé gratuit, mais une opération coûteuse de lecture, d'analyse et d'écriture. Cinq sources se traitent presque sans douleur. Sur 50–100 sources, surtout des PDF de plusieurs pages, chaque tag malencontreux, chaque entité superflue ou chaque section mal conçue coûte plus cher : le modèle relit de gros volumes de texte, réécrit des dizaines de pages et peut reproduire une structure erronée dans tout le wiki.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
Qu'en pensez-vous ?
Chargement des commentaires…