LLM Wiki Part 2 : ce qui se passe apres le deploiement — knowledge graphs, wikis multiples et insights business automatiques
Dans le premier article, vous avez appris a deployer un LLM Wiki en 5 minutes avec Claude Code et Obsidian — la structure raw/wiki/index/log inspiree du gist d Andrej Karpathy.
Cette fois, on passe a l etape d apres. Celle ou votre wiki commence a vivre, a grossir, a connecter des idees que vous n aviez jamais reliees.
La video qui a inspire cet article montre exactement ce qui se passe quand un LLM Wiki tourne depuis plusieurs mois avec des dizaines de sources ingerees. Le resultat est saisissant : un systeme de connaissance qui devient plus intelligent a chaque ingestion, capable de generer des visualisations, de trouver des connexions invisibles a l oeil humain, et de produire des insights business actionnables.
Ce qui change quand le wiki n est plus vide
La difference entre un LLM Wiki fraichement deployee et un wiki qui tourne depuis des semaines ? La densite des connexions.
Au depart, chaque source ingeree cree 5 a 15 pages (concepts, entites, sources, analyses). Apres 20 sources, vous avez potentiellement 200 pages interconnectees. Apres 50 sources, le graphe commence a ressembler a un vrai cerveau.
Mais la magie opere quand le LLM commence a trouver des connexions entre des sources que vous n auriez jamais croisees.
L ingestion multi-sources en pratique
Un vrai LLM Wiki ne se nourrit pas que d articles. Voici ce que vous pouvez ingerer :
- Transcripts YouTube : chaque video = nouvelles pages de concepts, outils, techniques
- Enregistrements de reunions : comptes-rendus, decisions, evolution des idees dans le temps
- Articles web et URLs : le LLM lit et synthetise directement depuis le lien
- PDFs et system cards : docs techniques, whitepapers, proposals
- Notes personnelles : reflexions, idees, feedback client
Le LLM decide lui-meme comment structurer chaque source. Parfois, un seul PDF de 50 pages genere 20 pages wiki. Parfois, une note rapide ne cree que 2 ou 3 pages.
Le knowledge graph genere automatiquement
Le point le plus impressionnant montre dans la video : le LLM peut generer une visualisation HTML interactive de tout le wiki en un seul prompt.
L utilisateur a demande : "Transforme ce blob de transcripts YouTube en quelque chose que les gens pourraient regarder et comprendre. Quelque chose de simple, pas accablant, qui montre comment les outils et les techniques se connectent."
Le resultat : une page web interactive avec :
- Des concepts cles en haut (agentic workflows, routines, automation)
- Des liens cliquables entre chaque concept
- Un affichage des sources video qui ont alimente chaque idee
- La possibilite de cliquer et naviguer dans le graphe
Ce qui rend cette approche superieure a une tentative manuelle avec un modele classique (ex: Opus 4.8) : le LLM a compris emotionnellement ce qui rend une interface utilisable par un debutant. Pas juste techniquement correct, mais vraiment accessible.
Pourquoi ce n est pas juste un joli graphique
Une visualisation c est bien. Mais le vrai pouvoir, c est ce que le LLM peut decouvrir en naviguant dans son propre wiki.
Exemple concret : deux sources ingerees — un article OpenAI sur GPT-5.6 et la system card de Claude Fable 5. Instinctivement, vous les liriez separement. Le LLM Wiki, lui, a cree automatiquement une page "Frontier Model Cybersecurity" qui relie les deux. Pourquoi ?
Parce qu OpenAI a benchmarke GPT-5.6 contre Mythos Preview, alors que les deux laboratoires utilisaient des harnesses differents. Les chiffres ne s alignaient pas directement. Un humain lisant les deux documents separement aurait rate cette nuance. Le wiki, lui, a cree la connexion automatiquement.
C est ce genre de cross-reference imprevue qui fait la valeur reelle du systeme.
Wikis multiples : separer sans isoler
Un pattern avance : au lieu d un wiki monolithique, creez plusieurs wikis par type de donnee :
| Wiki | Contenu | Structure |
|---|---|---|
| YouTube | Transcripts video | Concepts, outils, techniques organisees |
| Reunions | Meetings internes/externes | Plate, chronologique |
| Proposals | Devis et propositions | Par client, par statut |
| Veille | Articles et benchmarks | Par sujet, par source |
Chaque wiki a sa propre structure, decidee par le LLM en fonction du type de donnee. Un wiki de transcripts YouTube va naturellement creer des sous-dossiers (comparaisons, concepts, sources, techniques, outils). Un wiki de reunions restera volontairement plat.
Le point cle : le LLM analyse le contenu et adapte la structure dynamiquement. Pas de schema impose.
Routing : comment les agents naviguent entre les wikis
Avoir plusieurs wikis, c est bien. Savoir lequel interroger pour quelle question, c est mieux.
La solution : les regles de routing dans le CLAUDE.md de votre projet principal. Chaque agent sait :
- Lire l index de chaque wiki pour comprendre ce qu il contient
- Router la requete vers le wiki pertinent
- Si necessaire, combiner les reponses de plusieurs wikis
Exemple : un agent qui prepare une newsletter peut interroger le wiki YouTube pour les tendances, le wiki reunions pour les decisions clients, et le wiki veille pour les benchmarks — le tout dans une seule requete.
Le calcul ultime : extraire des insights business
Une fois que le systeme tourne, vous pouvez lui demander des choses qu aucun outil de reporting classique ne peut fournir.
Dans la video, l utilisateur a demande a son LLM Wiki (alimente par 6 mois de donnees) :
"Construis-moi un voyage visuel de ce qu on a accompli ces 6 derniers mois."
Le resultat en un seul shot :
- Nombre d abonnes gagnes
- Mois de plus haut revenu
- Evolution du churn et de la conversion
- Detection automatique du pivot strategique (passage de contenu end-to-end a contenu Claude Code)
- Impact du pivot mesure (vues moyennes, revenus, croissance)
- Le funnel entier de l entreprise, prouvant que le systeme comprend comment les gens entrent dans l ecosysteme
Tout ca sans dashboard, sans BI, sans requete SQL. Juste la connaissance accumulee dans des fichiers markdown.
La portabilite du format markdown
Le plus beau dans tout ca ? Chaque page du wiki est un fichier markdown standard.
Pas de base proprietaire. Pas de format verrouille. Pas de vendor lock-in.
Vous pouvez :
- Versionner le tout avec git
- Connecter n importe quel agent (Claude Code, Codex, Cursor, Hermes)
- Partager des pages individuelles
- Generer des slides avec Marp
- Chercher avec Dataview ou qmd
Le LLM Wiki n est pas un produit. C est un format de fichier. Et c est pour ca qu il est si puissant.
Conclusion
Le LLM Wiki ne s arrete pas au deploiement. C est la que tout commence.
Apres quelques semaines d ingestion, vous obtenez :
- Un graphe de connaissance qui se densifie tout seul
- Des connexions entre sources que vous n aviez pas vues
- Des visualisations generees automatiquement
- Des wikis specialises par type de donnee
- Un systeme de routing pour vos agents
- Des insights business extraits en langage naturel
Le tout dans des fichiers markdown que vous controllez.
Si vous n avez pas encore deployee votre LLM Wiki, commencez par le premier article. Puis ingerez vos premieres sources et regardez le systeme evoluer tout seul.
Pour aller plus loin dans la construction de votre stack agentique, explorez notre Hub de Skills IA et notre Annuaire d Outils IA GTM.
🎁 Acceder au Hub des 1000 Skills
Recuperez des workflows pret-a-lancer pour deployer et exploiter votre LLM Wiki en production.
