Knowledge Raven : Une plateforme de base de connaissances agnostique en modèles, construite avec Claude Code

Knowledge Raven est une plateforme de base de connaissances qui permet à tout LLM compatible MCP (Claude, GPT, etc.) de rechercher des documents d'entreprise et de récupérer des sections spécifiques avec des citations de sources. La plateforme fonctionne comme une mémoire structurée et consciente des permissions pour les assistants IA.

Fonctionnalités et capacités de la plateforme

La plateforme prend en charge les téléchargements de documents et les connexions à diverses sources, notamment Drive, Confluence, Notion, Dropbox et GitHub. Elle propose un niveau gratuit avec des limites de 50 documents et 3 utilisateurs.

Architecture technique

L'ensemble de la plateforme a été construit en utilisant Claude Code par un fondateur solo. La pile technique comprend :

• Backend : Python/FastAPI
• Couche d'outils MCP
• Pipeline RAG agentique avec récupération parent-enfant
• Embeddings contextuels
• Recherche hybride

Inspiration et contexte

Le développement a été inspiré par le flux de travail d'Andrej Karpathy pour construire des bases de connaissances personnelles avec des LLM, qui implique de compiler des sources brutes en wikis structurés et de les interroger avec des agents. Karpathy a noté que son approche fonctionne bien à petite échelle (~100 articles, ~400 000 mots) mais a reconnu des limitations pour des implémentations plus importantes, déclarant : "Je pense qu'il y a de la place ici pour un nouveau produit incroyable au lieu d'une collection de scripts bricolés."

Knowledge Raven comble cette lacune en s'adaptant aux besoins des entreprises, gérant 50 000+ pages avec des contrôles d'accès et des sources synchronisées en temps réel. La plateforme implémente une véritable infrastructure RAG agentique, qui devient nécessaire à cette échelle par rapport aux approches plus simples basées sur des scripts.

Approche et philosophie technique

Le développeur précise que le système de Karpathy est basé sur des outils, où le LLM opère sur des fichiers externes, appelle un moteur de recherche comme outil et produit une sortie structurée. Cela correspond au modèle MCP utilisé par Knowledge Raven. Le post aborde les idées fausses sur le fine-tuning, notant que le fine-tuning des connaissances d'entreprise dans les poids du modèle entraînerait la perte de l'attribution des sources, des permissions et des capacités de mise à jour en temps réel.

Le développeur a construit Knowledge Raven spécifiquement pour résoudre le problème de donner aux assistants IA l'accès aux bases de connaissances organisationnelles à l'échelle de l'équipe, dépassant les flux de travail individuels pour des solutions prêtes pour l'entreprise.