IWE et OpenAI : transformer des notes markdown en graphe de connaissances pour agents IA

Un exemple basé sur IWE montre comment transformer un ensemble de notes markdown en véritable graphe de connaissances pour les humains et les agents IA. Par-dessus, les auteurs ont construit un RAG agentique, branché OpenAI function calling et appris au modèle à chercher les réponses dans les liens entre documents plutôt que dans des fichiers à plat.

Un graphe plutôt qu'un dossier

L'exemple repose sur IWE, un outil local écrit en Rust pour travailler avec des notes via CLI et LSP. L'idée est simple : chaque page markdown devient un nœud du graphe, tandis que les liens wiki et les liens markdown ordinaires deviennent des arêtes orientées entre les nœuds. Les notes ne se contentent plus d'être lues : on peut les parcourir comme une structure connectée, où chaque document a un contexte, des voisins et une hiérarchie.

L'auteur du tutoriel commence par assembler une petite base de connaissances pour développeur : architecture, authentification, base de données, API, frontend, déploiement, cache et notes de performance. Il construit ensuite à partir de ces fichiers un objet KnowledgeGraph qui analyse titres, tags et liens. Par-dessus, il implémente les opérations de base d'IWE pour montrer que le graphe sert non seulement à stocker, mais aussi à naviguer et à analyser.

• find — cherche les notes pertinentes à partir d'une requête
• retrieve — récupère un document avec son contexte lié
• tree — affiche la hiérarchie et la carte des sections
• squash — fusionne plusieurs documents liés en un seul
• export dot — prépare la visualisation du graphe via Graphviz

Où intervient OpenAI

La couche suivante est celle des transformations de documents par IA. L'article construit une fonction ai_transform qui envoie une note à un modèle OpenAI et applique l'un de cinq modes : rewrite, summarize, expand, extract_todos ou generate_links. Autrement dit, la même base de connaissances ne se borne plus à stocker une structure : elle réécrit, condense, complète et relie automatiquement ses propres nœuds.

Dans la démo, c'est concret plutôt qu'académique. Le système résume brièvement la note sur l'authentification, lui propose de nouveaux liens wiki et extrait une liste de tâches de la note sur les performances. Point important : l'IA ne travaille pas dans un bac à sable séparé ni sur un export vers une base vectorielle, mais directement sur le graphe que le développeur utilise dans son éditeur.

L'agent parcourt le graphe

La partie la plus intéressante est le RAG agentique au-dessus du graphe de connaissances. Quatre outils sont décrits pour l'agent : 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 consulter l'arborescence des sections et quand demander des statistiques générales sur la base. Une boucle search-retrieve-synthesize s'exécute ensuite jusqu'à ce que l'agent assemble une réponse.

Dans les exemples, l'agent répond à des questions sur les dépendances du système d'authentification, le pipeline de déploiement et l'architecture globale du projet. L'auteur va ensuite plus loin : l'IA repère les lacunes du graphe, génère une nouvelle note sur la stratégie de gestion des erreurs, l'ajoute à la base et met à jour la visualisation. Le test final est une question multi-hop sur une charge qui passe de 1000 à 5000 RPS, où le modèle doit relier base de données, cache, tokens et infrastructure au lieu de résumer un seul fichier.

Ce que cela signifie

Ce cas montre la direction que prend le RAG pratique pour les développeurs. Au lieu d'une énième couche au-dessus de la recherche vectorielle, IWE propose d'utiliser une base de connaissances personnelle comme mémoire commune à l'humain et à l'agent : avec des liens explicites, un parcours du graphe, un stockage local et des actions IA contrôlées.

Pour les équipes, c'est un signal important : la valeur tient de plus en plus moins au modèle lui-même qu'à la qualité d'organisation et d'accessibilité de votre contexte.