Herramientas de grafos de conocimiento multifuente
Herramientas propias para crear grafos de conocimiento desde código, documentos y artículos: clústeres, auditoría de relaciones y exportación para RAG.
Python · networkx · Claude · Whisper · Neo4j · GraphML · MCP
Son herramientas de investigación propias que desarrollamos y usamos internamente. No son un encargo de cliente ni un producto empaquetado: son el taller que necesitábamos para trabajar con RAG de manera verificable.
Qué es
El conjunto convierte un directorio de archivos en un grafo de conocimiento consultable: conceptos como nodos y relaciones como aristas.
- Acepta código, documentos, artículos, notas, capturas, grabaciones y URL indicadas.
- Agrupa nodos en clústeres temáticos para revelar conexiones entre fuentes.
- Audita cada relación como encontrada en la fuente, inferida o incierta, con una valoración de confianza.
- Exporta un grafo interactivo, JSON para RAG e informes para personas.
- Mantiene el grafo en un archivo; las preguntas siguen disponibles después de la sesión.
Cómo lo construimos
La herramienta está escrita en Python y usa dos vías de extracción. En código, las relaciones proceden del árbol sintáctico; para documentos, imágenes y notas interviene un modelo de lenguaje, y las grabaciones se transcriben antes. Guardamos nodos, aristas ponderadas e hiperaristas en networkx, calculamos comunidades y centralidad, y exportamos JSON, GraphML, SVG y Cypher para Neo4j.
La regla no negociable es: no presentar una relación inferida como un hecho. Si una fuente es ambigua, la arista se marca como incierta.
Qué demuestra
Que sabemos ordenar conocimiento en una estructura apta para respuestas de IA, distinguiendo hechos e inferencias. Es una base para second brain para empresas y para sistemas multiagente, donde el agente consulta una estructura explícita en vez de adivinar la arquitectura.