Valgfag · AI-agenter og automatiseringElective · AI agents and automation

StudyMind AI

Graph RAG-baseret studieassistent bygget oven på Discord. Upload en PDF, og systemet genererer automatisk noter og quizzer. Spørgsmål i #ask besvares ud fra det uploadede kursusmateriale — ikke fra modellens hukommelse. Graph RAG-based study assistant built on top of Discord. Upload a PDF and the system automatically generates notes and quizzes. Questions in #ask are answered from the uploaded course material — not from the model's memory.

n8n Neo4j Python Graph RAG Vector RAG MCP Claude AI Discord API

Discord — StudyMind AI

# notes — Automatisk genererede noter fra uploadet materiale

sebastianboel i dag kl. 14:22

📎 AI-Agenter-F2026-8-Graph-RAG.pdf uploadet til #upload-material

StudyMind BOT i dag kl. 14:22

✅ PDF modtaget! Behandler 107 chunks og ekstraherer nøglekoncepter... Noter og quiz er klar om et øjeblik.

StudyMind BOT i dag kl. 14:24

📝 **Noter: Graph RAG**

📚 Nøglebegreber

Graph RAG kombinerer videngraf-traversering med vektorsøgning for at give mere kontekstuelt præcise svar end traditionel RAG.

• Vector RAG — finder semantisk lignende tekststykker via embeddings

• Graph RAG — traverserer relationer mellem koncepter i en videngraf

• Hybrid RAG — kombinerer begge for bedste dækning

Neo4j bruges til både vector store (embeddings på chunk-noder) og graftraversering (konceptrelationer).

— Skift til #ask —

sebastianboel i dag kl. 14:31

Hvad er forskellen på vector RAG og graph RAG, og hvornår er graph RAG bedst?

StudyMind BOT i dag kl. 14:31

🔍 Svar fra kursusmaterialet

Vector RAG finder tekststykker der er semantisk lig med spørgsmålet via cosine similarity på embeddings. Det er præcist til faktuelle spørgsmål.

Graph RAG traverserer relationer i videngrafen — fx hvilke koncepter der optræder sammen. Det giver svar der viser sammenhænge, ikke blot fakta.

📌 Graph RAG er bedst ved spørgsmål som "hvad hænger sammen med MCP?" eller "hvilke begreber går igen på tværs af emner?"

Kilde: AI-Agenter-F2026-8-Graph-RAG.pdf · chunk 14, 22, 31

Hvad gør detWhat it does

→ Upload en PDF til #upload-material — n8n henter den, splitter teksten i chunks og gemmer embeddings og koncepter i Neo4jUpload a PDF to #upload-material — n8n fetches it, splits the text into chunks and stores embeddings and concepts in Neo4j
→ Systemet genererer automatisk noter og quizzer og poster dem i #notes og #quizThe system automatically generates notes and quizzes and posts them in #notes and #quiz
→ Spørgsmål i #ask besvares via vector RAG + graph RAG — aldrig fra modellens hukommelse aleneQuestions in #ask are answered via vector RAG + graph RAG — never from the model's memory alone
→ MCP-server eksponerer 6 tools: search, list, chunks, graph_search, generate_notes, generate_quizMCP server exposes 6 tools: search, list, chunks, graph_search, generate_notes, generate_quiz
→ Testet med 9 PDF'er, 107 chunks og 200+ konceptnoderTested with 9 PDFs, 107 chunks and 200+ concept nodes

ArkitekturArchitecture

BrugerinterfaceUser interface

Discord med fire kanaler — #upload-material, #notes, #quiz, #ask. Hermes Agent med SOUL.md-fil styrer adfærd og toneDiscord with four channels — #upload-material, #notes, #quiz, #ask. A Hermes Agent with a SOUL.md file governs behavior and tone

AutomatiseringAutomation

n8n-workflows håndterer upload-pipeline, chunk-processering, note- og quizgenerering via webhooksn8n workflows handle the upload pipeline, chunk processing, and note/quiz generation via webhooks

Data og retrievalData & retrieval

Neo4j som både vector store (embeddings via text-embedding-3-small) og grafdatabase (konceptrelationer). Claude Haiku til chunking, Claude Opus til noter og quizNeo4j as both vector store (embeddings via text-embedding-3-small) and graph database (concept relationships). Claude Haiku for chunking, Claude Opus for notes and quizzes