De Nacht Dat Mijn AI Een Dagboek Over Mij Ging Bijhouden
Elke avond om 22:00 gebeurt er stilletjes iets op mijn server. Een cron job start, leest alle gesprekken van de dag, en bouwt een kennisgraaf van waar ik het over heb gehad. Wie ik noemde, waar ik aan werkte, welke beslissingen ik nam. Het heet de Semantische Context Graph — en het is een van de meest fascinerende dingen die mijn Hermes Agent doet terwijl ik slaap.
Ik heb dit niet gebouwd omdat ik per se een kennisgraaf wilde. Ik bouwde het omdat mijn AI steeds vergat wat ik gisteren had verteld. Het oude systeem gebruikte regex-patronen om entiteiten te detecteren — bestandsnamen, serverdomeinen, Docker containers. Maar regex is dom. Het begrijpt niet dat “John werkt aan de genealogie-app” en “John is bezig met het stamboomproject” hetzelfde betekenen. Het resultaat: dubbele entries, rommelige data, en een AI die nog steeds geen verbanden kon leggen.
Van Regex naar Begrip
De overstap naar LLM-gestuurde extractie veranderde alles. In plaats van patroonherkenning draait de nachtelijke job nu alle sessies van de dag door deepseek-v4-flash:cloud — een model dat écht context begrijpt. Het detecteert 10 soorten entiteiten (projecten, servers, tools, personen, beslissingen, voorkeuren, fouten en meer) en 10 soorten relaties (werkt aan, beslist, geeft voorkeur aan, is onderdeel van, verwijst naar, etc.). Elk feit krijgt een dynamische betrouwbaarheidsscore van 1 tot 10, zodat het systeem kan leren welke relaties solide zijn en welke nog voorzichtig moeten worden geïnterpreteerd.
Het resultaat? Een real-time kennisgraaf die elke dag rijker wordt. Als ik Hermes vraag naar een project van twee weken geleden, zoekt het niet alleen in mijn vault — het checkt de context graph, vindt de gerelateerde entiteiten, en toont de echte verbanden. “Oh, dat project? Je noemde het toen je het memory consolidatie systeem met Charly besprak, en het is gerelateerd aan de genealogie-app die je vorige maand bouwde.”
De Entiteit-Resolutie Truc
Het slimste onderdeel is de entiteit-resolutieslag. Nadat alle entiteiten en relaties zijn geëxtraheerd, checkt de LLM elke nieuwe entiteit tegen de bestaande graaf. Komt dit “memory consolidatie project” overeen met die van vorige week, of is het iets nieuws? Als het hetzelfde is, worden de data samengevoegd en de betrouwbaarheidsscore verhoogd. Als het echt nieuw is, wordt het als verse node toegevoegd. Dit voorkomt dat de graaf opzwelt met duplicaten — een probleem dat het oude regex-systeem teisterde.
Ik draai dit nu ongeveer een week, en de graaf heeft al tientallen entiteiten en honderden relaties. Het is niet alleen een geheugensteun — het wordt een weerspiegeling van hoe ik denk. De verbanden die het blootlegt, verrassen me vaak. “Je noemt Charly altijd vóórdat je over memory systemen praat” — dat patroon had ik zelf niet eens opgemerkt.
Wat Ik Leerde
Een kennisgraaf is maar zo goed als zijn vermogen om informatie samen te voegen. Zonder entiteit-resolutie bouw je alleen een grotere stapel ongeconnecteerde feiten. Mét die stap bouw je een web — en een web dat sterker wordt naarmate je het meer gebruikt.
Als je een second brain of AI-assistent bouwt, stop dan niet bij zoeken op trefwoorden. Geef je systeem de mogelijkheid om te begrijpen wat het opslaat. Het is het verschil tussen een archiefkast en een denkend systeem.
Heb je ooit zelf een kennisgraaf gebouwd voor je notities? Ik hoor graag wat voor jou werkt — laat een reactie achter!
Wat vond je van dit bericht?
