#knowledge-graph Dépôts
210 dépôts au total
Transformez n’importe quelle base de code en un graphe de connaissances fondé sur les méthodes formelles. Vos agents d’IA obtiendront des réponses exactes à toute tâche liée au code, garantiront la correction et optimiseront l’utilisation du temps et des tokens.
Donnez à vos agents IA une mémoire persistante et collective — avec absorption dédupliquée, lignée de remplacement, recherche sémantique et une interface graphique. Parle MCP.
Le Wiki LLM local-first : constructeur de graphes de connaissances open-source, base de connaissances RAG et stockage de mémoire pour agents. Construit sur le modèle d'Andrej Karpathy. Une alternative à Obsidian pour la gestion des connaissances personnelles, un second cerveau IA et une mémoire durable pour Claude Code / Codex / OpenClaw.
Graphe de connaissances de projet persistant pour agents de codage. Serveur MCP avec recherche sémantique, embeddings intra-processus et explorateur web.
Exploration des architectures d’AGI en boîte blanche : métacognition (boucle d’auto-conscience), apprentissage continu (volant d’inertie du savoir), modèle du monde (espace conditionnel + graphe spatiotemporel sémantique), auto-amélioration (discipline d’amorçage), pipeline en boîte blanche sans LLM et garde-fous de confiance auditables.
PromptKG Family : une galerie d'œuvres de recherche, de kits d'outils et de listes d'articles liés à l'apprentissage par invite (Prompt Learning) et aux graphes de connaissances (KG).
Mémoire persistante supervisée par un LLM pour les agents d’IA — rappel basé sur des graphes, connaissances intersessions et un binaire unique. Compatible avec DeepSeek Harness, Claude Code, OpenClaw et tout environnement d’exécution d’agents.
Dans ce projet, j'ai exploré comment extraire des graphes de connaissances à partir de textes à l'aide de LLM, tels qu'OpenAI GPT4o.
Génération configurable de schémas synthétiques et de graphes de connaissances à portée de main
Graph Data Science : une couche d'abstraction en Python pour la construction de graphes de connaissances, intégrée à des bibliothèques de graphes populaires – au-dessus de Pandas, NetworkX, RAPIDS, RDFlib, pySHACL, PyVis, morph-kgc, pslpython, pyarrow, etc.
Utiliser GPT pour organiser et accéder à l'information, et générer des questions. L'objectif à long terme est de créer un assistant de recherche semblable à un agent.
Deepseek Harness, un plug-in de mémoire basé sur un graphe de connaissances pour OpenClaw. Invité à être présenté lors d’un colloque de l’Université Tsinghua en avril 2026. Graphe de connaissances + mémoire ; moteur de contexte par graphe de connaissances pour OpenClaw — il extrait des triplets structurés des conversations, compresse le contexte de 75 % et permet de réutiliser l’expérience entre les sessions.
Liste d'articles sur l'intégration hyperbolique, les modèles hyperboliques, les applications hyperboliques
🔗 Semantic MediaWiki transforme MediaWiki en une plateforme de gestion des connaissances avec des capacités de requête et d'exportation
Transformez vos connaissances, vos souvenirs et vos décisions en un jumeau d’agent IA open source et inspectable.
Génération et révision de spécifications basées sur l'IA utilisant l'intelligence du graphe de code multi-dépôts pour les équipes backend qui livrent en production.
🍇 GRAPE est une bibliothèque d'apprentissage de représentation de graphes Rust/Python pour les prédictions et les évaluations
Posez des questions sur vos notes Markdown grâce à un moteur Graph RAG entièrement local. Conçu pour les coffres Obsidian, il fonctionne avec n’importe quel dossier de fichiers Markdown. Extrait des triplets entité-relation des wikiliens et du frontmatter YAML, puis récupère les réponses via une recherche hybride (vecteurs + BM25 + temporelle). Multilingue. Aucun cloud. Fonctionne avec Ollama.
Base de connaissances RAG d’entreprise privilégiant le chinois : analyse contrôlable, gouvernance, découpage, recherche hybride, reranking, citations, graphes de connaissances, évaluation et intégration avec Dify.
Un système de mémoire natif orienté graphes pour les agents IA et les graphes de contexte. Stockez des conversations, créez des graphes de connaissances et permettez à vos agents d'apprendre de leur propre raisonnement — le tout optimisé par Neo4j.
Ceci est le dépôt GitHub officiel de Think-on-Graph (ICLR 2024). Si vous êtes intéressé par notre travail ou si vous souhaitez rejoindre notre équipe de recherche à Shenzhen, n'hésitez pas à nous contacter par e-mail ([email protected])
Graphe de code et mémoire pour vos agents de programmation, réunis dans un seul programme Rust. Pour Claude Code, Codex, Cursor et tout client MCP.
Clinical Knowledge Graph (CKG) est une plateforme à double objectif : 1) construire une base de données en graphe avec des données expérimentales et des données importées de diverses bases de données biomédicales 2) automatiser la découverte de connaissances en utilisant toutes les informations contenues dans le graphe
CTX Fit trouve la configuration de codage IA la moins chère qui fonctionne de manière fiable sur votre dépôt, puis applique la solution gagnante sous forme de modification révisable.
Exemples de graphes de connaissances Excel vers Neo4j : py2neo v3 hérité et Neo4j GraphRAG/recherche vectorielle moderne.
Orchestration de flux de travail pilotée par l'intention pour le développement d'IA multi-agents — moteur de cycle de vie adaptatif, graphe de connaissances auto-renforçant et tableau de bord visuel pour Claude Code, Gemini, Codex et plus
Caura (anciennement MemClaw) — mémoire partagée gouvernée pour les flottes d’agents d’IA. Multi-agents, multi-locataires et native MCP. Niveaux de confiance, politiques fondamentales, pistes d’audit, graphe de connaissances et récupération auto-améliorée. Apache 2.0.
code et documentation pour l'article EMNLP "DeepPath : Une méthode d'apprentissage par renforcement pour le raisonnement sur les graphes de connaissances"
BrainAPI est une couche de mémoire IA alimentée par un graphe de connaissances, qui transforme les données non structurées en connaissances structurées et permet la recherche intelligente, les recommandations et la mémoire contextuelle pour les agents et applications d’IA.
Aperçu (subjectif) des projets liés à la fois à Python et aux technologies sémantiques (RDF, OWL, Raisonnement, ...)
CRSLab est une boîte à outils open-source pour la construction de systèmes de recommandation conversationnelle (CRS).
GraphRAG-rs est une implémentation Rust haute performance et de pointe de GraphRAG (Génération Augmentée par Récupération Basée sur des Graphes) qui construit des graphes de connaissances à partir de documents et permet des requêtes en langage naturel avec extraction d'entités configurable et intégration locale de LLM
Station de création IA full-stack privilégiant le local : cinq modules — conversation avec l’IA, bandes dessinées générées par IA, création de séries en format BD, espace d’écriture et apprentissage des connaissances — ; inférence locale avec plusieurs moteurs (vLLM / llama.cpp / Transformers), gestion intelligente de la mémoire vidéo, isolation en compartiments et autorétablissement. Réservé à l’apprentissage ; échanges et suggestions bienvenus. (En raison de restrictions liées au protocole, les dernières avancées, à l’exception du système de plugins, ne peuvent pas encore être envoyées dans le dépôt.)
Une extension SQLite qui ajoute des fonctionnalités de base de données de graphes, la prise en charge du langage de requêtes Cypher et des algorithmes de graphes intégrés.
Système RAG hybride combinant la recherche vectorielle, un graphe de connaissances (LightRAG) et un réordonnancement par cross-encoder, avec analyse de documents via Docling, intelligence visuelle (génération de légendes pour les images et les tableaux), chat agentique en streaming et citations intégrées. Propulsé par des modèles Gemini ou Ollama locaux.
🧠 Système d'examen personnalisé alimenté par l'IA : intégration de LLM OpenPangu, de RAG de graphes de connaissances et de l'algorithme BKT pour la génération et la recommandation adaptatives de questions. Système intelligent de création de questions basé sur LLM et graphes de connaissances.
Mémoire d’agent IA privilégiant le local, avec graphe de connaissances, contraintes ontologiques et raisonnement traçable — le tout dans un seul fichier SQLite.
Intelligence structurelle du code pour les agents IA : recherche sémantique, graphes de connaissances et serveur MCP intégré dans un seul binaire Rust. Donnez à Claude, Cursor et à tout client MCP une compréhension approfondie de votre base de code.