Knowledge Management

Knowledge Management est un système personnel en deux phases : ingestion automatique des lectures et visualisation publique sous forme de graphe de concepts. L’idée centrale — quand j’écris un post ou un article, les fiches de recherche sont déjà prêtes. Je ne cherche plus pendant la rédaction.

Pourquoi ce projet

La veille intellectuelle se fait rarement à mon bureau. Elle se fait dans les transports, en déplacement, dans les moments creux — un podcast en marchant, un thread Twitter dans le métro, une vidéo YouTube en attendant. Je sauvegarde, je continue, j’oublie.

Le problème n’est pas l’accès à l’information. C’est le fossé entre “j’ai trouvé quelque chose d’intéressant” et “j’ai une fiche structurée, sourcée, que je peux lire, valider, et retrouver dans six mois”.

Ce projet comble ce fossé en deux couches :

1. Ingestion : tout ce que je sauvegarde pendant mes déplacements (YouTube playlist, Twitter bookmarks, LinkedIn saved, articles) arrive dans un backlog. Quand j’ai le temps, j’envoie un lien sur Telegram — le pipeline génère la fiche.
2. Visualisation : les fiches publiées forment un graphe navigable. Chaque nouveau concept révèle ses liens avec ce qui est déjà là — les connexions non-évidentes entre thèmes deviennent visibles.

Phase 2 — Concept Graph (livré ✅)

La visualisation est en ligne sur /concepts/map. Un graphe de force 3D avec 5 clusters thématiques, 17 nœuds, et des liens entre concepts connexes.

Architecture :

• _graph.json : index source de vérité — contient slug, titre, résumé (≤15 mots), cluster, concepts liés
• ConceptMap.tsx : composant React — rendu WebGL via 3d-force-graph (pas react-force-graph qui embarque A-Frame)
• map.astro : page Astro avec client:only="react" (canvas WebGL incompatible SSR)
• ConceptSearch.tsx : recherche Fuse.js côté client + filtres par cluster

Comportement :

• Hover → tooltip avec cluster + résumé + hint
• Clic → ouvre la fiche dans un nouvel onglet
• Bouton “Recentrer” → zoomToFit(400, 80)
• Les nœuds d’un même cluster s’attirent — les liens inter-clusters créent des “ponts” visuels

Mise à jour : commande /sync-concepts — Claude lit l’index existant (slugs + résumés), lit uniquement les nouvelles fiches, décide cluster + liens, met à jour _graph.json sans relire les 17 fiches existantes.

Phase 1 — Knowledge Ingestion Pipeline (en construction)

Tu envoies un lien Telegram (YouTube, article, PDF) → le workflow récupère le contenu → GPT extrait les concepts clés avec sources → génère les fichiers .md prêts pour src/content/concepts/.

Stack prévue :

• n8n pour l’orchestration
• yt-dlp + Whisper pour les vidéos
• Scraping + GPT pour les articles web
• Génération automatique de frontmatter Ekenor (slug, cluster, relatedConcepts)

Connexion avec le projet #18 Podcast Concept Extractor : celui-ci est la version YouTube dédiée — la Phase 1 couvre tous les types de sources et intègre directement la publication Ekenor.

Ce que ça change

Sans ce système : lire → noter → oublier → chercher → écrire.

Avec ce système : lire → envoyer un lien → fiche prête → publier.

La qualité des articles et posts augmente mécaniquement — les sources sont là, structurées, au moment d’écrire. Pas pendant.

Phase 2 livrée en mars 2026. Phase 1 en construction.