IWE et OpenAI : Comment Transformer des Notes Markdown en un Graphe de Connaissances pour Agents IA

Sur IWE, ils ont démontré comment convertir un ensemble de notes markdown en un graphe de connaissances complet pour les personnes et les agents IA. Au-dessus de celui-ci, les auteurs ont construit un RAG agentic, connecté OpenAI function calling et enseigné au modèle à trouver des réponses non pas à travers des fichiers plats, mais à travers des connexions entre documents.

Graphe au Lieu de Dossier

Au cœur de l'exemple se trouve IWE, un outil local en Rust pour travailler avec des notes via CLI et LSP. Son idée est simple : chaque page markdown devient un nœud du graphe, et les wiki-links et les liens markdown ordinaires deviennent des arêtes dirigées entre les nœuds. De ce fait, les notes peuvent non seulement être lues, mais aussi parcourues comme une structure connectée, où chaque document a un contexte, des voisins et une hiérarchie.

L'auteur du tutoriel collecte d'abord une petite base de connaissances pour un développeur : architecture, authentification, base de données, API, frontend, déploiement, caching et notes de performance. Ensuite, à partir de ces fichiers, un objet KnowledgeGraph est construit avec analyse des titres, des tags et des liens. Au-dessus de celui-ci, les opérations de base d'IWE sont implémentées pour montrer que le graphe convient non seulement au stockage, mais aussi à la navigation et à l'analyse.

• find — trouve les notes pertinentes par requête
• retrieve — récupère un document avec le contexte associé
• tree — affiche la hiérarchie et la carte des sections
• squash — fusionne plusieurs documents connexes en un seul
• export dot — prépare la visualisation du graphe via Graphviz

Où OpenAI se Connecte

La couche suivante concerne les transformations IA des documents. Dans l'article, pour cela, ils construisent une fonction ai_transform qui envoie une note à un modèle OpenAI et applique l'un des cinq scénarios : rewrite, summarize, expand, extract_todos ou generate_links. C'est-à-dire que la même base de connaissances commence non seulement à stocker la structure, mais aussi à réécrire, compresser, développer et lier automatiquement ses nœuds.

Dans la démo, cela semble pratique, pas académique. Le système résume brièvement une note sur l'authentification, suggère de nouveaux wiki-links pour elle et extrait une liste de tâches d'une note sur la performance. Un point important est que l'IA fonctionne non pas dans un bac à sable séparé et non pas sur une exportation vers une base de données vectorielle, mais directement au-dessus du même graphe que le développeur utilise dans l'éditeur.

L'Agent Parcourt le Graphe

La partie la plus intéressante est le RAG agentic au-dessus du graphe de connaissances. Pour l'agent, quatre outils sont décrits : iwe_find, iwe_retrieve, iwe_tree et iwe_stats. Via OpenAI function calling, le modèle décide lui-même quand chercher un point d'entrée, quand lire un document lié, quand regarder l'arborescence des sections et quand demander des statistiques générales sur la base de données. Ensuite, une boucle search-retrieve-synthesize s'exécute jusqu'à ce que l'agent recueille la réponse.

Dans les exemples, l'agent répond aux questions sur les dépendances du système d'authentification, le pipeline de déploiement et l'architecture générale du projet. Après cela, l'auteur va plus loin : l'IA trouve des lacunes dans le graphe, génère une nouvelle note sur une stratégie de gestion des erreurs, l'ajoute à la base de données et met à jour la visualisation. Le test final est une question multi-hop sur la croissance de la charge de 1000 à 5000 RPS, où le modèle doit connecter la base de données, le caching, les tokens et l'infrastructure, plutôt que de paraphraser un seul fichier.

Ce Que Cela Signifie

Ce cas montre bien où se dirige la RAG pratique pour les développeurs. Au lieu d'une autre couche au-dessus de la recherche vectorielle, IWE propose d'utiliser votre base de connaissances personnelle comme mémoire partagée pour une personne et un agent : avec des liens explicites, traversée de graphe, stockage local et actions IA gérées. Pour les équipes, c'est un signal important : la valeur réside de plus en plus non pas dans le modèle lui-même, mais dans la qualité de l'organisation et de l'accessibilité du contexte.