Связывая точки с помощью контекстных графов
Connecting the Dots with Context Graphs
Context graph, объединяющий граф знаний, векторный поиск и память агента, даёт ответы с учётом связей и истории прошлых решений.
- Граф против векторного RAG — в примере с пациентом с эмфиземой общая LLM и векторный RAG давали типовые рекомендации, а ответ с графом учитывал курение и перенесённую операцию, которые терялись при поиске по сходству.
- Три вида памяти в одном графе — краткосрочная память, долгосрочная память и трассы рассуждений хранятся вместе, поэтому агент опирается на историю прошлых решений, а не только на похожие фрагменты текста.
- Neo4j Agent Memory — открытый пакет поверх Neo4j, который объединяет эти три вида памяти; по словам спикера, он построен на ACID-совместимом хранилище, а код доступен на GitHub.
- Объяснимые решения в финансовом кейсе — агент собирал данные через 10 MCP-инструментов из тикет-системы, CRM и внутренней системы и вернул рекомендацию с причинами, прошлыми решениями и паттернами мошенничества. Запросы Cypher видны в интерфейсе, поэтому решение можно проверить.
Кому полезно: тем, кто строит агентов для решений, которые нужно объяснять и проверять, например в финансовых сервисах.
Статья по теме
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 создать обучающуюся память для AI agents
AI Engineer World's Fair 2026
Близко по содержанию
Агентный GraphRAG: логическое преимущество ИИ
AI Engineer World's Fair 2025
Тот же спикер: Stephen Chin
Нужны ссылки: происхождение данных в графах знаний, созданных LLM
AI Engineer World's Fair 2026
Близко по содержанию

