← Каталог

· AI Engineer Europe 2026

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 →

Похожие доклады