IWE e OpenAI: como transformar notas em markdown em um grafo de conhecimento para agentes de IA
Saiu uma análise detalhada de como usar o IWE para montar um grafo de conhecimento local a partir de notas em markdown e conectar um agente de IA a ele. O exemplo inclui busca de notas, retrieval com percurso de ligações, OpenAI function calling, transformações de documentos com IA e raciocínio multi-hop. O resultado: o modelo responde sobre arquitetura, deploy e performance com base em toda a estrutura de conhecimento, e não em um único arquivo.
Processado por IA de MarkTechPost; editado por Hamidun News
Um exemplo baseado no IWE mostra como transformar um conjunto de notas em markdown em um grafo de conhecimento completo para pessoas e agentes de IA. Sobre ele, os autores montaram um RAG agêntico, conectaram o OpenAI function calling e ensinaram o modelo a buscar respostas nas ligações entre documentos, e não em arquivos soltos.
Um grafo em vez de uma pasta
A base do exemplo é o IWE, uma ferramenta local em Rust para trabalhar com notas via CLI e LSP. A ideia é simples: cada página markdown vira um nó do grafo, e os links wiki e os links markdown comuns viram arestas direcionadas entre os nós. Assim, as notas podem ser não só lidas, mas também percorridas como uma estrutura conectada, em que cada documento tem contexto, vizinhos e hierarquia.
O autor do tutorial começa montando uma pequena base de conhecimento para desenvolvedores: arquitetura, autenticação, banco de dados, API, frontend, deploy, cache e notas de performance. Depois, a partir desses arquivos, constrói um objeto KnowledgeGraph que faz o parsing de títulos, tags e links. Sobre ele, implementa as operações básicas do IWE para mostrar que o grafo serve não só para armazenar, mas também para navegar e analisar.
- find — busca notas relevantes por consulta
- retrieve — traz um documento junto com o contexto relacionado
- tree — mostra a hierarquia e o mapa de seções
- squash — junta vários documentos relacionados em um só
- export dot — prepara a visualização do grafo via Graphviz
Onde entra a OpenAI
A camada seguinte são as transformações de documentos com IA. O artigo constrói uma função ai_transform, que envia uma nota a um modelo da OpenAI e aplica um de cinco modos: rewrite, summarize, expand, extract_todos ou generate_links. Ou seja, a mesma base de conhecimento passa não só a guardar estrutura, mas também a reescrever, resumir, ampliar e ligar seus próprios nós automaticamente.
Na demonstração, isso parece prático, não acadêmico. O sistema resume brevemente a nota sobre autenticação, sugere novos links wiki para ela e extrai uma lista de tarefas da nota sobre desempenho. O ponto importante é que a IA não trabalha em uma sandbox separada nem sobre uma exportação para um banco vetorial, mas diretamente sobre o mesmo grafo que o desenvolvedor usa no editor.
O agente percorre o grafo
A parte mais interessante é o RAG agêntico sobre o grafo de conhecimento. São descritas quatro ferramentas para o agente: iwe_find, iwe_retrieve, iwe_tree e iwe_stats. Via OpenAI function calling, o próprio modelo decide quando procurar um ponto de entrada, quando ler um documento relacionado, quando consultar a árvore de seções e quando pedir estatísticas gerais da base. Em seguida, roda um ciclo search-retrieve-synthesize até o agente montar a resposta.
Nos exemplos, o agente responde a perguntas sobre as dependências do sistema de autenticação, o pipeline de deploy e a arquitetura geral do projeto. Depois, o autor vai além: a IA procura lacunas no grafo, gera uma nova nota sobre a estratégia de tratamento de erros, adiciona à base e atualiza a visualização. O teste final é uma pergunta multi-hop sobre o aumento da carga de 1000 para 5000 RPS, em que o modelo precisa conectar banco de dados, cache, tokens e infraestrutura, em vez de resumir um único arquivo.
O que isso significa
Esse caso mostra para onde caminha o RAG prático para desenvolvedores. Em vez de mais uma camada sobre a busca vetorial, o IWE propõe usar a base de conhecimento pessoal como memória compartilhada entre humano e agente: com ligações explícitas, percurso do grafo, armazenamento local e ações de IA controladas.
Para as equipes, é um sinal importante: o valor está cada vez menos no modelo em si e mais em quão bem organizado e acessível está o seu contexto.
- 21 de nov. de 2026OpenAI libera o ChatGPT Spaces para assinantes do Plus: documentos colaborativos com IA
- 21 de nov. de 2026Gigantes chinesas de tecnologia dobraram gastos com IA para US$ 139 bilhões, mas os laboratórios recuperam menos de 8%
- 21 de nov. de 2026Agentes da OpenAI sozinhos concluem 46% das tarefas de pesquisa que levam de 2 a 4 horas, antes eram 23%
- 21 de nov. de 2026OpenAI revisou os prompts para o GPT-6.2: menos perguntas, menos testes
Perguntas frequentes sobre a notícia
O que se sabe sobre Um grafo em vez de uma pasta?
A base do exemplo é o IWE, uma ferramenta local em Rust para trabalhar com notas via CLI e LSP. A ideia é simples: cada página markdown vira um nó do grafo, e os links wiki e os links markdown comuns viram arestas direcionadas entre os nós. Assim, as notas podem ser não só lidas, mas também percorridas como uma estrutura conectada, em que cada documento tem contexto, vizinhos e hierarquia.
Onde entra a OpenAI?
A camada seguinte são as transformações de documentos com IA. O artigo constrói uma função ai_transform, que envia uma nota a um modelo da OpenAI e aplica um de cinco modos: rewrite, summarize, expand, extract_todos ou generate_links. Ou seja, a mesma base de conhecimento passa não só a guardar estrutura, mas também a reescrever, resumir, ampliar e ligar seus próprios nós automaticamente. Na demonstração, isso parece prático, não acadêmico.
O que se sabe sobre O agente percorre o grafo?
A parte mais interessante é o RAG agêntico sobre o grafo de conhecimento. São descritas quatro ferramentas para o agente: iwe_find, iwe_retrieve, iwe_tree e iwe_stats. Via OpenAI function calling, o próprio modelo decide quando procurar um ponto de entrada, quando ler um documento relacionado, quando consultar a árvore de seções e quando pedir estatísticas gerais da base. Em seguida, roda um ciclo search-retrieve-synthesize até o agente montar a resposta.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.