Construire une Infrastructure de Connaissance IA Persistante avec OpenClaw

Un développeur a construit un système complet d'infrastructure de connaissances appelé 'Brain' sur OpenClaw pour résoudre le problème d'absence d'état courant dans les configurations d'IA. Le système fournit une mémoire persistante entre les sessions, permettant aux utilisateurs d'interroger les décisions passées et l'historique des workflows.

Architecture centrale

Brain sert de service central de connaissances où les documents sont ingérés, découpés et intégrés localement en utilisant Ollama. Les données sont stockées dans plusieurs bases de données : Postgres, MongoDB et Qdrant, avec les relations cartographiées dans une base de données de graphes Memgraph. Cela rend chaque décision, session et workflow exécutable, consultable et connecté.

Recherche et récupération

La recherche dans Brain utilise une récupération hybride combinant la recherche sémantique via Qdrant avec la recherche en texte intégral BM25 de Postgres, fusionnées en utilisant la fusion de rang réciproque. Les résultats sont automatiquement dédupliqués et budgétisés en contexte avant la synthèse.

Agent RAG et système de plugins

Au-dessus de Brain se trouve un Agent RAG qui exécute un pipeline complet : récupérer → étendre le graphe → fusionner → synthétiser, le tout alimenté par des modèles Ollama locaux. L'agent estime la confiance pour chaque réponse et enregistre automatiquement les 'lacunes de connaissances' dans une file d'attente en attente lorsque la confiance est faible.

Le système inclut un système de plugins propre avec 33+ outils typés que les agents peuvent appeler, incluant : brain_search, brain_ingest, brain_rag_query, brain_graph_slice et brain_condense_domain. Chaque opération a une interface stricte et bien typée.

Workflows et observabilité

Les workflows sont des citoyens de première classe dans ce système. Les pipelines multi-étapes—orienter, récupérer, inspecter, synthétiser, enregistrer—peuvent être exécutés soit via des agents, soit via un exécuteur déterministe sur un planning cron sans aucune implication de LLM. La télémétrie et l'observabilité restent cohérentes dans les deux cas.

Chaque agent a un mandat strict et communique via des transferts structurés, avec toutes les activités retracées dans Brain comme historique consultable. Un vérificateur de dérive Python compare les configurations d'agent en direct avec les instantanés de Brain, enregistrant automatiquement des événements structurés lorsque les listes d'autorisation d'outils ou les versions de plugins changent.

Déploiement local et plans futurs

L'ensemble du système fonctionne localement en utilisant Ollama pour les intégrations et la synthèse, avec Docker pour tous les magasins. Il n'y a aucun appel OpenAI ou API externe pour la couche d'intelligence centrale.

Les prochaines étapes incluent la migration de l'agent RAG vers LlamaIndex Workflows, le développement d'un SDK client brain partagé et le resserrement de la surface API. Les points de terminaison RAG passent au préfixe /v1/rag/, le domaine devient un en-tête, et les façades de base de données fuyantes sont correctement abstraites.