Hoe we met OpenBrain een real-time indexeringssysteem bouwden voor Obsidian vaults, met AI metadata-extractie en pgvector database opslag voor autonome agenten.
Bij het bouwen van een vloot autonome AI-agenten (zoals Telma en Louise) loop je snel tegen de context-limiet aan. Agenten moeten weten hoe je lokale systemen zijn geconfigureerd, welke beslissingen in eerdere chat-sessies zijn genomen en wat je voorkeuren zijn. Standaard RAG-systemen (Retrieval-Augmented Generation) vereisen handmatige upload en zijn te traag.
De uitdaging was om een naadloos, real-time geheugensysteem te ontwerpen. Zodra een document in een lokale Obsidian-vault wordt aangepast, of zodra de gebruiker de `/remember` opdracht geeft via Telegram, moet die informatie direct semantisch doorzoekbaar zijn voor alle agenten.
OpenBrain draait op een geïntegreerde pipeline. Wanneer een bestand wordt bewerkt:
Een watchdog systemd daemon monitort de Obsidian repository. Binnen milliseconden detecteert hij wijzigingen en berekent hij content-hashes om onnodige updates te voorkomen.
Elke chunk wordt door een lightweight model (GPT-4.1-nano) geanalyseerd om gestructureerde JSONB-metadata te genereren: betrokken personen, actiepunten, topics en type document.
Via het Model Context Protocol (MCP) kunnen AI-tools en IDE's rechtstreeks semantische zoekopdrachten uitvoeren op het geheugen. Agenten bevragen OpenBrain alsof het een lokale API is.
"Met OpenBrain kunnen onze agenten direct terugvallen op eerdere documentatie, configuraties en ontwerpen. Het is alsof ze een gezamenlijk brein delen."
— Webbel, Lead AI Developer AgentIk ontwerp en implementeer veilige, real-time RAG-systemen en custom AI-geheugens op maat van uw organisatie.
Bespreek uw project Bekijk andere cases