· AI Engineer World's Fair 2025
Agentic GraphRAG: упрощаем поиск по структурированным и неструктурированным данным
Agentic GraphRAG: Simplifying Retrieval Across Structured & Unstructured Data — Zach Blumenfeld
Top-k поиск по документам даёт неверные подсчёты и связи между людьми, а граф знаний, построенный из резюме, отвечает на такие вопросы точно.
- Top-k не подходит для подсчётов — число ответов ограничено параметром K: при K=5 агент назвал пять Python-разработчиков, а запрос к графу по навыку Python дал точный счёт.
- Простая модель из нескольких сущностей — люди, навыки и достижения (built, shipped, led) с доменами и типами работ извлекаются из PDF через Pydantic-классы и LangChain, а агент читает схему через MCP-сервер и пишет Cypher.
- Новые связи без миграции — данные о совместной работе из внутренней системы добавляются как новые отношения, без join-таблицы и рефакторинга модели, как потребовалось бы в реляционной базе.
- Обход графа на 0–3 шага — поиск похожих людей учитывает общие навыки, домены и достижения, и агент объясняет расчёт пересечений, а не только семантическую близость.
Кому полезно: тем, кто строит агентов, которым нужны агрегации и связи между сущностями поверх набора документов. Доклад по сути демонстрация продукта Neo4j, но код ноутбуков и MCP-сервер авторы выложили на GitHub.
Статья по теме
Главы
Ещё доклады: Zach Blumenfeld
Страница спикера →Введение в GraphRAG
AI Engineer World's Fair 2025
ИИ в вашем lakehouse: контекст — это структуры, а не запросы
Zach Blumenfeld, Ben Squire, Ryan Knight
AI Engineer World's Fair 2026
Почему агентам нужны следы принятия решений, а не только документы
AI Engineer Europe 2026
Похожие доклады
Как довести RAG до production: поиск, оценка и анализ ошибок
AI Engineer Summit 2023
Близко по содержанию
Графы знаний в litigation-агентах
AI Engineer World's Fair 2025
Близко по содержанию

