IWE e OpenAI: Como Transformar Notas em Markdown em um Grafo de Conhecimento para Agentes de IA

Na IWE, demonstraram como converter um conjunto de anotações markdown em um grafo de conhecimento completo para pessoas e agentes de IA. Sobre ele, os autores construíram um RAG agentic, conectaram OpenAI function calling e ensinaram o modelo a encontrar respostas não através de arquivos planos, mas através de conexões entre documentos.

Grafo em Vez de Pasta

No coração do exemplo está IWE, uma ferramenta local em Rust para trabalhar com anotações através de CLI e LSP. Sua ideia é simples: cada página markdown se torna um nó no grafo, e wiki-links e links markdown comuns se tornam arestas direcionadas entre nós. Por isso, as anotações não apenas podem ser lidas, mas também percorridas como uma estrutura conectada, onde cada documento tem contexto, vizinhos e hierarquia.

O autor do tutorial primeiro coleta uma pequena base de conhecimento para um desenvolvedor: arquitetura, autenticação, banco de dados, API, frontend, deployment, caching e notas de performance. Então a partir desses arquivos, um objeto KnowledgeGraph é construído com análise de títulos, tags e links. Sobre ele, operações básicas de IWE são implementadas para mostrar que o grafo é adequado não apenas para armazenamento, mas também para navegação e análise.

• find — encontra anotações relevantes por consulta
• retrieve — puxa um documento junto com contexto relacionado
• tree — mostra hierarquia e mapa de seções
• squash — mescla vários documentos relacionados em um
• export dot — prepara visualização do grafo através de Graphviz

Onde OpenAI se Conecta

A próxima camada é transformações de IA dos documentos. No artigo, para isso eles constroem uma função ai_transform que envia uma anotação para um modelo OpenAI e aplica um de cinco cenários: rewrite, summarize, expand, extract_todos ou generate_links. Ou seja, a mesma base de conhecimento começa não apenas a armazenar estrutura, mas também a reescrever, comprimir, expandir e vincular automaticamente seus nós.

Na demonstração, isso parece prático, não acadêmico. O sistema resume brevemente uma anotação sobre autenticação, sugere novos wiki-links para ela e extrai uma lista de tarefas de uma anotação sobre performance. Um ponto importante é que a IA funciona não em uma caixa de areia separada e não sobre uma exportação para um banco de dados vetorial, mas diretamente sobre o mesmo grafo que o desenvolvedor usa no editor.

Agente Percorre o Grafo

A parte mais interessante é o RAG agentic sobre o grafo de conhecimento. Para o agente, quatro ferramentas são descritas: iwe_find, iwe_retrieve, iwe_tree e iwe_stats. Através de OpenAI function calling, o modelo decide por si próprio quando procurar um ponto de entrada, quando ler um documento vinculado, quando observar a árvore de seções e quando solicitar estatísticas gerais sobre a base de dados. Então um loop search-retrieve-synthesize é executado até que o agente colete a resposta.

Nos exemplos, o agente responde perguntas sobre as dependências do sistema de autenticação, o pipeline de deployment e a arquitetura geral do projeto. Depois disso, o autor vai ainda mais longe: IA encontra lacunas no grafo, gera uma nova anotação sobre uma estratégia de tratamento de erros, adiciona-a à base de dados e atualiza a visualização. O teste final é uma pergunta multi-hop sobre crescimento de carga de 1000 para 5000 RPS, onde o modelo precisa conectar banco de dados, caching, tokens e infraestrutura, em vez de parafrasear um único arquivo.

O Que Isso Significa

Este caso mostra bem para onde o RAG prático para desenvolvedores está se movendo. Em vez de outra camada sobre a busca vetorial, IWE propõe usar sua base de conhecimento pessoal como memória compartilhada para uma pessoa e um agente: com links explícitos, travessia de grafo, armazenamento local e ações de IA gerenciadas. Para equipes, este é um sinal importante: o valor cada vez mais não está no modelo em si, mas em quão bem você organiza e torna o contexto acessível.