Knowledge Graph
AgentLed Knowledge Graph est une couche de mémoire structurée qui stocke les entités, les relations, l'historique de notation et les résultats du flux de travail pour toutes les exécutions dans un espace de travail.
Il ne s'agit pas simplement d'une base de données ni d'une simple mémoire d'invite. Il s'agit d'un graphique de connaissances métier que les flux de travail et les agents peuvent lire et écrire au fil du temps, de sorte que les décisions futures utilisent le contexte antérieur au lieu de partir de zéro.
Nœuds
entreprises, personnes, offres
Bords
noté, apparié, contacté
Histoire
scores, justification, résultats
Accès
workflows, agents, MCP
Pourquoi c'est important
Lorsqu'un client demande : « Avons-nous déjà vu cet investisseur ? ou "Que s'est-il passé avec des startups similaires la dernière fois ?", la réponse vient de la mémoire structurée et non de conjectures.
1. Qu'est-ce que c'est ?
Le Knowledge Graph stocke les objets qui intéressent votre entreprise, leurs relations les uns avec les autres et ce que vos flux de travail ont appris à leur sujet. Cette mémoire s’aggrave avec le temps.
Entreprises, investisseurs, startups, contacts, transactions et tout autre objet métier avec lequel vos flux de travail fonctionnent.
Bords typés tels que SCORED, CONTACTED, MATCHED ou INVESTED_IN qui connectent les entités entre les exécutions.
Les scores passés, les justifications et les résultats qui permettent aux futures analyses de calibrer les décisions au lieu de démarrer à froid.
Contexte isolé du locataire partagé entre les workflows, les agents et l'accès MCP/API dans le même espace de travail.
2. Flux de travail
La couche de flux de travail est l'endroit où le graphique devient utile. Les exécutions ne produisent pas seulement des résultats : elles mettent également à jour la mémoire partagée pour l'exécution suivante.
Écrire
Les résultats de l'exécution deviennent un contexte durable : contacts enrichis, prospects notés, investisseurs correspondants, relations découvertes et résultats finaux.
Lire
Un workflow peut demander : avons-nous déjà évalué cette entité, que s'est-il passé la dernière fois, quelles relations existent déjà et qu'est-ce qui a été appris des résultats précédents ?
Apprentissage composé
Au lieu de répéter la même analyse à partir de zéro, chaque exécution s’appuie sur les exécutions précédentes déjà découvertes et validées.
Exécution du flux de travail
Enrichissez une startup, marquez un investisseur ou qualifiez un prospect.
Écrire à KG
Stockez les entités, les scores, les relations, la justification et les résultats.
Lectures de la prochaine exécution
Utilisez le contexte antérieur avant de prendre la décision suivante.
Exemples d'écriture typiques
Questions de lecture typiques
3. Agents
Les agents utilisent le graphique comme contexte métier persistant. Cela compte à la fois dans le chat et dans l’exécution autonome : l’agent peut récupérer les décisions passées, stocker de nouvelles découvertes et les partager avec le reste de l’espace de travail.
Les agents peuvent lire la mémoire de l'espace de travail tout en discutant avec les utilisateurs ou en effectuant des tâches autonomes.
La mémoire de l'agent est sauvegardée par Knowledge Graph, de sorte que les décisions et les résultats ne disparaissent pas à la fin d'une session.
Un agent peut stocker une évaluation et un autre agent peut la réutiliser ultérieurement sans refaire la même analyse.
Les agents de recherche, de sourcing, de mise en relation et de sensibilisation fonctionnent tous sur la même couche de mémoire métier.
Exemple multi-agent
Agent d'approvisionnement
Évalue une startup et stocke l’adéquation de la thèse, les notes sectorielles et la justification de la notation dans le KG.
Agent correspondant
Lit cette évaluation plus tard lors de la recherche d'investisseurs, afin de commencer par un contexte connu au lieu de refaire la même recherche.
C'est la différence pratique entre les agents séparés et les agents coordonnés : les résultats d'un agent deviennent disponibles pour tous les agents de l'espace de travail via la même couche mémoire.
4. Exemples
Le but du graphique n’est pas une « mémoire » abstraite. Le fait est que le travail répété devient plus éclairé, plus coordonné et moins inutile.
Semaine 1
L'enrichissement écrit sur le graphique
Semaine 2
La sensibilisation lit avant d’agir
Pourquoi c'est important : Le travail ne se fragmente pas entre les exécutions car l'état du flux de travail réside dans la mémoire partagée.
Exécuter 1
Profil statique uniquement
Exécuter 8
Le score utilise l'historique réel
Pourquoi c'est important : La valeur n'est pas un score. La valeur est un score qui s’améliore à mesure que les résultats réels s’accumulent.
Premier lot
Dépistage initial
Deuxième lot
Criblage avec contexte d’étalonnage
Pourquoi c'est important : Le KG transforme le sourcing répété en une boucle d’apprentissage au lieu d’un exercice manuel répété.
5. Comparaison
n8n, Zapier et Make peuvent orchestrer des étapes. Le Knowledge Graph ajoute un contexte commercial durable à travers les exécutions.
| Capacité | n8n | Zapier | Make | AgentLed KG |
|---|---|---|---|---|
| Mémoire partagée entre les exécutions | Non | Non | Non | Oui : mémoire professionnelle persistante |
| Graphique de relation entre les entités | Manuel | Manuel | Manuel | Intégré |
| Historique des scores et suivi des résultats | Pas natif | Pas natif | Pas natif | Intégré |
| Réutilisation de contextes inter-workflows | Limité | Limité | Limité | Partagé dans l’espace de travail |
| Les agents peuvent interroger directement la mémoire | Non | Non | Non | Oui — via MCP et les outils de workflow |
| Apprentissage composé à partir des résultats | Construction personnalisée | Construction personnalisée | Construction personnalisée | Modèle natif |
6. Accès technique
Le graphique est accessible via les outils MCP, la surface API de AgentLed et le serveur CLI/MCP. Cela le rend utilisable à la fois dans les flux de travail et à partir d’outils techniques externes.
Outils MCP
query_kg_edges
Parcourez les relations d'une entité et inspectez la façon dont les entreprises, les personnes, les transactions ou les scores se connectent.
get_knowledge_rows
Lisez les lignes structurées d'une liste de connaissances que les flux de travail stockent et mettent à jour au fil des exécutions.
get_scoring_history
Récupérez les décisions et les résultats de notation passés pour calibrer la décision suivante.
get_knowledge_text
Récupérez des connaissances textuelles telles que des notes ICP, des thèses d'investissement ou des règles de fonctionnement.
Accès programmatique
Documents associés
Partagez cette page avec un contact technique, puis montrez-lui le workflow. Le Knowledge Graph est la couche qui rend chaque exécution suivante plus informée que la précédente.
