· AI Engineer World's Fair 2026
За пределами RAG: реляционный context engine сокращает расход токенов
Beyond RAG: A Relational Context Engine That Cuts Token Burn — Unblocked
Семантический поиск не покрывает вопросы с фильтрами, датами и агрегациями: их надёжнее переводить в валидируемые запросы к базе, чем отдавать модели без ограничений.
- Схема из выборки документов — схему базы можно определить во время работы: взять выборку документов, вывести из неё поля, перечисления и индексы. По словам спикера, многое здесь решается обычными процедурными методами, а LLM нужна только для спорных случаев, например как арбитр при сопоставлении идентичностей.
- Валидация до выполнения — запрос от модели считается недоверенным. Операторы вроде
$function, который выполняет JavaScript на сервере, и$regexотсекаются, скрытые поля защищены, а ограничение по тенанту добавляется снаружи, вне контроля модели. - Повторы с ошибкой — текст ошибки валидации или выполнения возвращается модели, число попыток ограничено. Точное совпадение по заголовку не находило нужный PR, и полнотекстовый поиск закрыл этот пробел.
- Цена контекста — в демо с Claude контекст снизил расходы и время: $1.29 за около 90 секунд против $2.60 и трёх минут без него. По словам спикера, это одна демонстрация, а не общий бенчмарк.
Кому полезно: тем, кто даёт агентам вопросы к истории PR, тикетов и обсуждений и упирается в фильтры, даты и подсчёты.
Статья по теме
Главы
Ещё доклады: Peter Werry
Страница спикера →Как создавать готовый к слиянию код с помощью context engine
AI Engineer World's Fair 2026
За пределами RAG: создаём реляционный движок контекста с нуля
AI Engineer World's Fair 2026
Готово к слиянию по умолчанию: создаём context engine, который экономит время и токены
AI Engineer Europe 2026
Похожие доклады
RAG нужна карта: как GraphRAG извлекает связанный контекст
AI Engineer World's Fair 2026
Близко по содержанию
Grep или embeddings? Агентный поиск по корпоративным документам
Близко по содержанию

