Создайте свою первую базу контекста по запросу: пусть AI-агенты сами скажут, что им нужно
Build Your First Demand-Driven Context Base: Let AI Agents Tell You What They Need
Базу знаний для агентов можно собирать по реальным задачам: агент проваливается, эксперт дописывает только недостающее.
- Подход от задач — агенту дают реальные тикеты и инциденты, он перечисляет, чего не нашёл, человек заполняет эти пробелы, а агент сохраняет знания в базу. Спикер советует делать это до retrieval, а не во время работы, иначе эксперты становятся постоянными собеседниками агента.
- Знания вне документации — метод вытаскивает то, что никогда не записывали. По оценке спикера, около 40% знаний компании существуют только в головах сотрудников.
- Сканер пробелов — прогон старых инцидентов по базе делит документацию на актуальную, устаревшую и отсутствующую и ранжирует пробелы по критичности. По словам спикера, документация одного домена укладывалась примерно в 96K токенов, поэтому для небольших доменов RAG не понадобился.
- GitHub как хранилище — репозиторий даёт pull request и ревью, когда базу правят несколько команд и агентов. Конфликт между кодом и Confluence спикер не закрыл: при расхождении непонятно, какой источник считать истиной.
Кому полезно: тем, кто подключил MCP и RAG к внутренним знаниям и видит, что агенты всё равно упираются в неописанные процессы.
Статья по теме
Главы
Похожие доклады
Хватит нянчиться с агентами: создаём context engine для кода, готового к слиянию
AI Engineer Europe 2026
Близко по содержанию
ИИ в вашем lakehouse: контекст — это структуры, а не запросы
Zach Blumenfeld, Ben Squire, Ryan Knight
AI Engineer World's Fair 2026
Близко по содержанию
Готово к слиянию по умолчанию: создаём context engine, который экономит время и токены
AI Engineer Europe 2026
Близко по содержанию
Agentic Search для context engineering
AI Engineer Europe 2026
Близко по содержанию

