Claude crée des graphes de connaissances sans serveur LLM local

Un nouvel outil open source appelé Chaos Cypher permet aux développeurs de créer des graphes de connaissances persistants à l'aide de Claude Code ou d'autres clients du Model Context Protocol (MCP). Publié le 28 septembre 2026 par Denis MacPherson, cette approche déplace la charge computationnelle de l'extraction d'entités d'un serveur local vers l'assistant déjà exécuté dans l'éditeur du développeur. Le système valide chaque affirmation contre le texte source avant de l'enregistrer dans une base de données locale.

Ce qui s'est passé

Les systèmes traditionnels de Graph Retrieval-Augmented Generation (GraphRAG) nécessitent généralement un serveur pour héberger un grand modèle de langage. Cette configuration exige des ressources matérielles importantes, telles que des GPU, pour traiter les documents et extraire les relations. Chaos Cypher inverse cette architecture. Au lieu que le serveur appelle un modèle, l'assistant côté client effectue l'extraction. Le serveur agit uniquement comme une couche de stockage et de validation, recevant des données structurées de l'assistant et les vérifiant par rapport au texte original.

Le flux de travail commence lorsqu'un utilisateur connecte le CLI Chaos Cypher à un client compatible MCP comme Claude Code, Cursor ou Claude Desktop. L'utilisateur demande à l'assistant de traiter un dossier de fichiers markdown. L'assistant lit les documents par blocs, identifie les entités et les relations, puis les soumet au serveur. Le serveur exécute ensuite un validateur de preuves pour s'assurer que chaque fait soumis correspond à des numéros de phrase spécifiques dans le texte source. Si les preuves ne correspondent pas, le serveur rejette l'entrée. Cette boucle continue jusqu'à ce que le graphe soit construit, aboutissant à une base de données SQLite persistante qui survit aux redémarrages de session.

Détails clés

• Le CLI Chaos Cypher nécessite Python 3.14 ou une version ultérieure et s'installe via pipx.
• L'extraction est entièrement effectuée par l'assistant côté client, ce qui signifie que le serveur n'exécute aucun modèle de langage.
• Le serveur valide les soumissions en vérifiant les références de phrases, supprimant toute entité ou relation dépourvue de preuve textuelle.
• Le graphe résultant est stocké dans une base de données SQLite locale et peut être exporté sous forme de package .ccx.
• Les requêtes multi-sauts sont résolues à l'aide de Personalized PageRank et Reciprocal Rank Fusion, combinant traversée de graphe et recherche vectorielle.
• Le système bascule gracieusement vers la recherche par mots-clés si le modèle d'embedding local n'est pas disponible.

Contexte

GraphRAG est une technique qui améliore les systèmes de récupération standards en cartographiant les connexions entre les concepts. Alors que la recherche vectorielle traditionnelle trouve des documents contenant des mots similaires, un graphe de connaissances comprend comment les entités sont liées les unes aux autres. Cela permet un raisonnement multi-sauts, où le système peut répondre à des questions nécessitant de connecter des informations disparates à travers plusieurs documents. Par exemple, il peut identifier quels composants dépendent d'une bibliothèque spécifique et quelles décisions architecturales régissent les changements apportés à cette bibliothèque.

Le Model Context Protocol (MCP) est une norme ouverte qui permet aux assistants IA de se connecter à des outils externes et à des sources de données. En utilisant MCP, Chaos Cypher permet à tout assistant compatible d'agir comme couche d'intelligence pour la construction du graphe. Cela découple la capacité de raisonnement de l'infrastructure de stockage, permettant aux développeurs d'utiliser les modèles auxquels ils ont déjà accès dans leurs environnements de codage sans configurer de serveurs d'inférence dédiés.

Pourquoi c'est important

Pour les équipes gérant leur propre logiciel, cette approche abaisse considérablement la barrière à l'entrée pour les systèmes de récupération avancés. Maintenir un serveur LLM local nécessite du matériel spécialisé et une maintenance continue. En déléguant l'extraction au client, les développeurs peuvent construire des bases de connaissances sophistiquées sur des ordinateurs portables standard sans GPU. Cela rend réalisable pour les petites équipes ou les ingénieurs individuels d'implémenter des workflows GraphRAG sans investir dans une infrastructure coûteuse.

L'accent mis sur la validation des preuves répond également à une préoccupation critique dans la gestion automatisée des connaissances : la confiance. Les grands modèles de langage hallucinent souvent des relations ou interprètent mal le contexte. En exigeant des citations au niveau de la phrase et en les validant côté serveur, Chaos Cypher garantit que le graphe reflète le contenu réel des documents. Cette auditabilité permet aux équipes d'inspecter les entrées rejetées et de comprendre pourquoi certains faits ont été exclus, offrant ainsi un degré plus élevé de confiance dans les informations récupérées.

De plus, la persistance du graphe signifie que les connaissances s'accumulent avec le temps. Contrairement aux sessions de chat transitoires où le contexte est perdu après la fermeture de la fenêtre, le graphe reste disponible pour les futures requêtes. Cela permet aux assistants de répondre à des questions complexes inter-documents qui dépasseraient autrement leurs fenêtres de contexte. Cela transforme la documentation statique en un asset interactif et interrogeable qui évolue avec le projet.

Ce que vous pouvez faire

• Installez le CLI Chaos Cypher en utilisant pipx et assurez-vous que votre environnement exécute Python 3.14 ou une version ultérieure.
• Connectez le CLI à votre client MCP préféré, tel que Claude Code, en mode écriture pour permettre la construction du graphe.
• Commencez avec un petit ensemble de fichiers markdown, tels que des notes de conception ou des résumés de réunions, pour tester la qualité de l'extraction.
• Consultez les journaux de l'outil dans votre éditeur pour surveiller le processus d'extraction et voir quelles phrases soutiennent chaque entité.
• Utilisez l'interface du serveur local pour inspecter le graphe généré, modifier les relations incorrectes et afficher les notes de qualité.
• Exportez le graphe finalisé sous forme de package .ccx pour le partager avec d'autres membres de l'équipe ou l'importer dans différents assistants.