· AI Engineer World's Fair 2025
Агентный GraphRAG: логическое преимущество ИИ
Agentic GraphRAG: AI’s Logical Edge
Граф знаний, найденный векторным поиском и затем обойдённый по связям, по словам спикера, даёт ответы точнее и реже с галлюцинациями, чем простой векторный RAG.
- Два этапа поиска — запрос превращается в embeddings, находит ближайший узел графа (например, emphysema), а из него подтягиваются связанные диагнозы и состояния. Векторный поиск находит похожее, но не связанное, а граф добавляет недостающие связи.
- Порядок в контексте — по словам спикера, LLM на длинном контексте используют в основном начало, поэтому пре- и постфильтрация векторных результатов поднимает релевантные фрагменты наверх, даже при больших context window.
- Klarna — по словам спикера, компания заменила свои SaaS-системы GraphRAG-проектом: корпоративная wiki, HR-системы и внутренняя документация дали 250 тысяч вопросов сотрудников за первый год, 2000 запросов в день и 85% принятия среди сотрудников.
Кому полезно: тем, кто строит RAG над корпоративными знаниями, где структурированные и неструктурированные данные лежат вместе.
Статья по теме
На какие вопросы отвечает доклад
Как подключить граф-базу к агентам через MCP?
Граф-база работает как система записи за MCP-сервером: он генерирует Cypher-запросы из вопросов, даёт модуль памяти для агентов и MCP поверх облачного API для управления базами. По словам спикера, серверы открыты.
▶ 3:40Оркестрация агентов, MCP и инструменты Neo4j CypherПочему обычный RAG на векторном поиске даёт неполные ответы?
Векторная похожесть не равна релевантности. Поиск находит ближайшие узлы, а по связям графа подтягиваются связанные диагнозы и состояния, что, по словам спикера, снижает галлюцинации.
▶ 5:44LangGraph, графовая память и гибридный retrievalПочему генерация Cypher-запросов через LLM иногда работает плохо?
По словам спикера, LLM не всегда пишут Cypher с нужной точностью. Он предлагает сначала делать векторный поиск, находить узлы графа по эмбеддингам и брать из графа связанный контекст.
▶ 5:44LangGraph, графовая память и гибридный retrievalПочему LLM игнорируют середину длинного контекста и что с этим делать?
По словам спикера, evals показывают, что модели почти не используют большую часть длинного контекста и смотрят на его начало. Он предлагает фильтровать результаты векторного поиска и поднимать релевантные фрагменты в начало контекстного окна.
▶ 5:44LangGraph, графовая память и гибридный retrievalКак внедрить GraphRAG для корпоративной базы знаний и каких результатов ждать?
По словам спикера, Klarna собрала в GraphRAG-проект вики, HR-системы и внутреннюю документацию. За первый год было 250 тысяч вопросов сотрудников, около 2000 запросов в день и 85% внедрения среди сотрудников.
▶ 9:35Внедрение в корпоративной среде и вопросы аудитории
Главы
Ещё доклады: Stephen Chin
Все 6 докладов →Ваш PR пишет, что тесты прошли. Докажите это
AI Engineer Code 2026
Практический GraphRAG: как сделать LLM умнее с помощью графов знаний
Stephen Chin, Jesús Barrasa, Michael Hunger
AI Engineer World's Fair 2025
Context engineering: связываем точки с помощью графов
AI Engineer Code 2025
Похожие доклады
Как закрепить Enterprise GenAI с помощью графов знаний
AI Engineer Summit 2025
Тот же спикер: Stephen Chin
CrabRAG: почему автоматизированным ассистентам нужна графовая память, а не больше токенов
AI Engineer World's Fair 2026
Тот же спикер: Stephen Chin
RAG для руководителей AI-направлений
AI Engineer World's Fair 2024
Близко по содержанию
Тонкие агенты на умной основе: семантический слой на базе онтологии
AI Engineer World's Fair 2026
Близко по содержанию

