Un graphe de connaissances d'entreprise stocke le savoir sous forme de nœuds typés reliés par des arêtes typées, au lieu de documents à plat ou d'un simple magasin vectoriel. Cette structure permet à l'IA de récupérer par sens, par terme exact et par relation à la fois — et de renvoyer des réponses qui remontent jusqu'à la note source. Le graphe de Fleece reste du markdown brut sur disque, interrogeable par n'importe quelle IA via MCP.
Documents à plat et vecteurs bruts perdent la structure.
Jetez tout dans un dossier et la recherche devient floue : un index par mot-clé trouve le mot mais pas le sens, un magasin vectoriel trouve le sens mais oublie les noms exacts, les identifiants et les liens. Ni l'un ni l'autre ne sait que cette décision en a annulé une autre, ni que cette personne pilote ce projet.
Ce sont les relations qui font le savoir. Quand la récupération aplatit une structure typée en fragments de texte, votre IA reçoit un contexte plausible sans pouvoir naviguer d'un client à ses tickets jusqu'à l'ingénieur qui les a résolus.
Nœuds typés, arêtes typées, champs optionnels.
Chaque note est un nœud doté d'un type — personne, projet, décision, réunion, client — et d'arêtes qui disent comment les nœuds se relient. Les champs sont à la façon de Tana et optionnels : ajoutez un statut, un responsable ou une échéance quand c'est utile, omettez-les sinon.
Le schéma est le vôtre et il s'applique sans vous enfermer. Sur le disque, c'est toujours 100 % markdown : frontmatter YAML pour les champs, [[wikilinks]] pour les arêtes, entièrement compatible Obsidian. Le graphe est un index sur vos fichiers, jamais une cage autour d'eux.
- +Des nœuds typés portent un schéma — pas des fragments de texte anonymes
- +Les arêtes sont de premier ordre : on parcourt les relations, on ne les devine pas
- +Des champs optionnels par nœud — de la structure là où vous la voulez
Trois moteurs, un classement, chaque réponse sourcée.
Une requête s'exécute de trois façons en parallèle : mot-clé BM25 sur FTS5 pour les termes exacts, similarité vectorielle sur les embeddings sqlite-vec pour le sens, et parcours de graphe en largeur (BFS) pour les nœuds liés. Les résultats sont fusionnés en une seule liste classée, pas recollés à la main.
Comme les résultats sont de vrais nœuds, chaque réponse revient avec sa source — la note d'où elle vient et le chemin qui y a mené. Le rappel médian tourne autour de 34 ms, et l'indexation de 1 000 nœuds prend environ 4,2 secondes.
Un cœur Rust : FTS5, sqlite-vec, redb, CRDT.
Le graphe tourne sur un moteur Rust compact — un binaire d'environ 9,7 Mo. FTS5 gère le mot-clé, sqlite-vec gère les embeddings, un magasin redb détient le graphe pour un parcours rapide, et yrs/CRDT maintient un historique de versions sans conflit pour que le graphe grandisse à plusieurs mains sans s'écraser lui-même.
Les agents interrogent et étendent le graphe via MCP — dix outils, de brain_recall et brain_traverse à brain_connect, brain_schema et brain_diff. Ils lisent, écrivent et remodèlent la même structure, si bien que le graphe s'enrichit au lieu de se périmer.
Ce qui rend le graphe de connaissances rapide et fiable.
Schéma de graphe typé
Nœuds et arêtes à la façon de Tana, avec champs optionnels. Modélisez personnes, projets et décisions comme de vrais types — pas comme des fragments de texte indifférenciés.
Récupération hybride classée
Mot-clé (BM25/FTS5) + sémantique (sqlite-vec) + parcours de graphe BFS, fusionnés en un seul classement. Termes exacts, sens et relations en une requête.
Provenance par construction
Les résultats sont de vrais nœuds : chaque réponse renvoie à sa note source et au chemin de parcours emprunté. Aucun contexte inventé.
Moteur Rust de récupération
FTS5, sqlite-vec et un magasin de graphe redb dans un binaire d'environ 9,7 Mo. Rappel médian ~34 ms ; 1 000 nœuds indexés en ~4,2 s.
Historique de versions CRDT
yrs/CRDT offre un historique sans conflit : de nombreux agents et personnes enrichissent le même graphe en parallèle, sans écrasement.
Interrogeable et extensible via MCP
Dix outils — brain_remember, brain_recall, brain_traverse, brain_connect, brain_schema, brain_diff et plus — laissent toute IA lire et étendre le graphe.
Questions techniques sur le graphe de connaissances.
Qu'est-ce qu'un graphe de connaissances d'entreprise ?+
C'est un dépôt de savoir d'entreprise modélisé en nœuds typés (personnes, projets, décisions, clients) reliés par des arêtes typées qui décrivent leurs relations. L'IA récupère sur la structure — par terme, par sens et par relation — plutôt que sur des documents à plat, si bien que les réponses reflètent les liens, pas seulement le texte voisin.
Pourquoi un graphe plutôt qu'une base vectorielle ?+
Un simple magasin vectoriel classe des fragments par similarité d'embedding et perd les identifiants exacts et les relations. Un graphe de connaissances conserve des arêtes typées, donc on navigue d'un nœud vers ses voisins, et il exécute la recherche vectorielle aux côtés du mot-clé et du parcours de graphe dans un classement fusionné — rappel sémantique, correspondances exactes et structure.
Comment fonctionne concrètement la recherche hybride ?+
Trois moteurs s'exécutent en parallèle : mot-clé BM25 sur FTS5, similarité vectorielle sur les embeddings sqlite-vec, et parcours en largeur sur le graphe. Leurs résultats fusionnent en une seule liste classée avec leur source, pour un rappel médian autour de 34 ms. La recherche sémantique utilise optionnellement une clé d'embedding, et le modèle est interchangeable.
Où est stocké le graphe et quel est le moteur ?+
Sur le disque, c'est 100 % markdown brut — frontmatter YAML pour les champs, [[wikilinks]] pour les arêtes, compatible Obsidian. L'index tourne sur un moteur Rust d'environ 9,7 Mo avec FTS5, sqlite-vec et un magasin de graphe redb, plus yrs/CRDT pour l'historique de versions sans conflit. Il indexe 1 000 nœuds en environ 4,2 secondes.
Comment les agents IA interrogent-ils et enrichissent-ils le graphe ?+
Via MCP, avec dix outils : brain_remember, brain_recall, brain_read, brain_list, brain_connect, brain_traverse, brain_forget, brain_diff, brain_schema et brain_export. Les agents rappellent du contexte, parcourent les arêtes, ajoutent des nœuds et des liens, et inspectent le schéma — le graphe grandit donc à mesure qu'ils travaillent. Local-first, avec synchro cloud optionnelle chiffrée de bout en bout.
Arrêtez de fouiller des fragments. Parcourez le savoir.
Offrez à votre IA un graphe typé avec récupération hybride et provenance — bâti sur du markdown qui vous appartient. Solo 12 €, Pro 24 €, Teams 49 €. Essai 14 jours, sans carte.