Graphe de connaissance
Un système d'agents IA autonomes qui construisent en continu une base de connaissance multi-secteurs : IA, dev, marketing, finance, analyse comportementale, biais cognitifs. Les agents lisent, structurent, lient : le graphe pousse tout seul.
Le problème à résoudre
Les informations utiles à un freelance ou à une entreprise sont dispersées : articles, papers, conversations clients, retours d'expérience, données financières, signaux faibles. Personne ne peut tout lire en continu. Les bases statiques se périment. Les outils de veille classique livrent du bruit, pas du sens. Ce qui manque : un système qui structure les liens entre concepts au fur et à mesure, en autonomie.
La solution livrée
Un système multi-agents Python qui interroge Claude pour lire, extraire et structurer en continu des nœuds de connaissance dans une base Neo4j. Chaque agent a une spécialité (extraction d'entités, déduplication, scoring de liens, enrichissement vectoriel). Les liens entre nœuds sont calculés via embeddings (vector DB). Le graphe pousse de façon organique : plus il grossit, plus il devient pertinent.
Ce qu'on peut faire avec
- Construire une base de veille IA / dev / marketing / finance à jour sans intervention humaine
- Détecter des signaux faibles : un concept qui apparaît dans plusieurs sources non liées au départ
- Naviguer par "concept → sources → contradictions" plutôt que par mots-clés flat
- Adapter le graphe à un secteur client précis (biais cognitifs en finance, sécurité en B2B SaaS, etc.)
- Interroger le graphe en langage naturel via un agent RAG dédié
- Exporter des analyses prêtes à coller en stratégie commerciale ou en reporting de veille
Stack technique
Choix orientés graph database + LLM agentique. Architecture conçue pour scaler horizontalement.