Privat · lokala kunskapssystem · Grafverktyg
Investigation Workbench
En local-first-arbetsyta som förvandlar fragmenterat källmaterial till granskad, sökbar kunskap genom explicita steg för evidens, förslag, granskning och projektion.
- Nisch
- Evidenstung kunskapsgranskning och grafutforskning
- Kärnstack
- Memgraph · Python · Obsidian · Docker · MCP
- Modell
- Rå källa → kandidat → granskat kanoniskt kunnande → kompilerad graf
- Fokus
- Proveniens, granskningsbarhet, temporal struktur, reproducerbar projektion
Studien
Graf- och AI-verktyg gynnas av en explicit åtskillnad mellan extraktion, tolkning, granskning och kanonisk kunskap.
Automatiserade system föreslår entiteter, händelser och relationer; granskning etablerar kanonisk kunskap och dess proveniens.
Råa dokument går in i ett kontrollerat ingestlager. Kandidatkunskap granskas före befordran och granskade kanoniska anteckningar kompileras därefter till graf-, tidslinje- och viewerartefakter.
Systemstruktur
Granskningsstatus är en del av arkitekturen och avgör vilket material som kan etablera grafauktoritet.
Ingest föreslår entiteter, händelser och relationer; granskat kanoniskt material etablerar nedströms grafsanning.
Workspacet körs lokalt med explicita lagrings-, container- och resursgränser och håller källmaterial under lokal kontroll.
Grafnoder, kanter, tidslinjer, manifest och viewerartefakter kompileras från det granskade lagret så att resultat kan byggas om och kontrolleras.
Obsidian, Memgraph Lab, genererade tidslinje- och grafvyer och MCP-anslutna agenter konsumerar projektioner av samma granskade kunskap under en gemensam auktoritetsmodell.
Produkt- och interaktionsdesign
Det centrala produktproblemet är epistemiskt: gör källevidens, maskinförslag, granskad kunskap och härledda projektioner synligt åtskilda.
Skillnaden formar navigation, filstruktur, validering och grafsemantik. Gränssnittet presenterar osäkerhet och proveniens direkt och ger granskare en tydlig redogörelse för hur varje slutsats kom in i systemet.
Agenter och MCP-verktyg fungerar som fråge- och transformationsgränssnitt inom explicita scheman, granskningsgrindar och deterministiska kompileringssteg.
Utvecklingsmetod
Lagret är organiserat som en inspekterbar pipeline med tydliga steg och auktoritetsgränser.
Docker isolerar Memgraph och dess verktyg; Python-beroenden hanteras reproducerbart; kunskapsvalvet bär scheman och kontrollerade vokabulärer; validering täcker länkar, temporal semantik och föräldralöst material; fixturefall tränar kronologi och samtidighet innan verkliga data introduceras.
MCP-ingångar låter olika AI-klienter fråga samma lokala graf under en gemensam lokal dataauktoritet.
Privat repository · den publika fallstudien fokuserar på arkitekturen; källmaterialet förblir privat