Post LinkedIn de **Rakesh Gohel** (builder chez **JUTEQ**, gouvernance et infrastructure de preuve pour agents) publié vers le **25 octobre 2026**, ~250 mots, accompagné d'une **infographie** signée *@rakeshgohel01*. Il distingue trois graphes dont un agent a besoin pour décider, sur l'exemple *« Rebook this passenger »*.
#knowledge graph#graphe de connaissances#context graph
Rakesh Gohel — builder chez JUTEQ (gouvernance et infrastructure de preuve pour agents IA) ; LinkedIn · newsletter rakeshgohel.substack.com.
Fiche de **Skill** : **graphify** de **Safi Shamsi** (Graphify Labs, Y Combinator S26) transforme un projet entier — code, docs, PDF, images, vidéos — en **graphe de connaissance interrogeable**, invocable par `/graphify` depuis Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot et une quinzaine d'autres clients. Observé le **6 août 2026** : **103 187 étoiles**, **10 024 forks**, dépôt créé le **3 avril 2026**. Apache-2.0, Python 3.10+, branche par défaut **v8**. **Trois partis pris de conception**, énoncés dans le README. *« Code maps for free, fully local »* : le code est parsé en **AST tree-sitter**, de façon déterministe et sans LLM, rien ne quittant la machine. *« Every edge is explained »* : chaque arête est étiquetée **`EXTRACTED`** (explicite dans la source) ou **`INFERRED`** (résolue par graphify), une troisième valeur `AMBIGUOUS` apparaissant dans le rapport. *« Not a vector index »* : *« no embeddings, no vector store: a real graph you traverse »*. **Trois sorties** : `graph.html` (graphe interactif), `GRAPH_REPORT.md` (god nodes, connexions surprenantes, questions suggérées) et `graph.json` (graphe persistant, interrogeable des semaines plus tard sans relire les fichiers). **Trois modes d'interrogation** en remplacement du grep : `query` (sous-graphe pour une question en langue naturelle), `path A B` (plus court chemin entre deux entités) et `explain` (voisinage d'un concept). **Couverture** : 36 grammaires tree-sitter (~40 langages), plus Terraform, Apex, configurations MCP, manifestes de paquets, Office, Google Workspace, PDF, images, et vidéo/audio transcrits localement par faster-whisper. Communautés détectées par **Leiden**, labellisées sans LLM. **Benchmarks** : sur LOCOMO, recall@10 de **0,497** contre 0,149 pour supermemory et 0,048 pour mem0, mais exactitude QA inférieure (45,3 % contre 49,7 %) ; sur LongMemEval-S, **76 %**, à égalité avec un RAG dense ; et *« Graph build — LLM credits: 0 »*. **Points à consigner** : la branche `main` porte un README de l'ère v1 décrivant un produit différent (skill Claude Code uniquement, argument « 71,5× moins de tokens ») ; le paquet PyPI s'appelle **`graphifyy`** avec deux *y*, le temps que le nom `graphify` soit récupéré ; et un **journal de requêtes** est écrit par défaut dans `~/.cache/graphify-queries.log`, désactivable par variable d'environnement.
#skill#graphe de connaissance#knowledge graph
**Safi Shamsi** — créateur et mainteneur de graphify · et de **Graphify Labs** · société passée par **Y Combinator (promotion S26)** selon le badge du dépôt. Il maintient aussi le site d'annuaire `graphify.net` (cf. [[graphify-net-annuaire-ia-coding-2026-08-06]]) et publie un livre · *The Memory Layer* · sur les idées et l'architecture derrière le projet.
Troisième volet de la série « New Engineering Disciplines for the AI Era » d'Ashish Singh, consacré au **KDLC — Knowledge Development Life Cycle** : un cycle de vie en **8 étapes** pour transformer la connaissance d'entreprise en **actif ingénieré**, au même titre que le code ou la donnée. Thèse : les initiatives IA échouent parce qu'elles se focalisent sur le choix du LLM ou le déploiement d'un RAG, **sans traiter la structure sous-jacente de la connaissance** — « AI is only as effective as the knowledge it can discover, understand, retrieve, and trust ». Le KDLC enchaîne Discovery → Extraction → Structuring → Knowledge Graph → Embedding → Index Optimization → Retrieval Evaluation → Refresh. Il oppose le **RAG traditionnel** (documents isolés, mots-clés) à l'**Enterprise Knowledge Fabric** (Knowledge Graphs + Semantic Search + Vector DB + Hybrid Search) où les agents comprennent « relationships, context, and business meaning ». Formule-signal : « Models provide reasoning. Memory provides continuity. Knowledge provides understanding. » Trois exemples (finance/conformité, ingénierie logicielle, santé) illustrent l'impact.
#KDLC#knowledge development life cycle#cycle de vie de la connaissance
Ashish Singh
Agent sémantique : la symétrie modèle+harnais et ontologie+données, effondrement des frameworks d'agents, ontologie comme seul actif non-commodité
#agent sémantique#harnais d'agent#ontologie
Tony Seale
Architecture données unifiée Netflix, knowledge graph RDF/SHACL, modélisation domaine, Upper metamodel, mappings sémantiques, projections automatiques GraphQL/Avro/Iceberg - Netflix Technology Blog
#UDA#Unified Data Architecture#knowledge graph
Alex Hutter · Alexandre Bertails · Claire Wang · Haoyuan He · Kishore Banala · Peter Royal · Shervin Afshar (Netflix Technology Blog)
Philosophie mange l'IA : noyau ontologique entreprise, sémantique métier, knowledge graph, semantic data products
#ontologie#noyau ontologique#philosophie
Tony Seale
LightRAG - RAG simple et rapide - Knowledge graphs - Dual-level retrieval - EMNLP2025 - GitHub
#knowledge-graph#gpt#rag
Zirui Guo · Lianghao Xia · Yanhua Yu · Tu Ao · Chao Huang (HKUDS - Hong Kong University Data Science)