Context engineering: связываем точки с помощью графов
Context Engineering: Connecting the Dots with Graphs — Stephen Chin, Neo4j
Связи между фактами в графе знаний дают контекст, который одиночный векторный поиск не соберёт, особенно когда ответ требует нескольких шагов обхода.
- Многошаговый поиск вместо одного запроса — graphs нужны там, где факты связаны и не достаются одним запросом; для одношаговых вопросов спикер считает обычный векторный RAG достаточным.
- Агентный обход графа через MCP — агент сначала читает схему графа, затем делает несколько Cypher-запросов и собирает подробный ответ по уязвимости, включая версии для обновления. Спикер показывает это на Claude Code и открытом Neo4j Cypher MCP server.
- Role-based доступ на уровне графа — права накладываются на узлы и связи, а LLM отвечает только теми данными, которые разрешены роли: врач видит диагнозы, администратор видит контакты пациента.
- Память агента как граф — сущности и связи хранятся с временными метками и эмбеддингами, поверх них работают векторный поиск и алгоритмы вроде PageRank и community detection.
Кому полезно: тем, кто строит RAG по связанным данным, например по документации, цепочкам поставок или оргструктуре, и упёрся в качество векторного поиска.
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
Связывая точки с помощью контекстных графов
AI Engineer Europe 2026
Похожие доклады
CrabRAG: почему автоматизированным ассистентам нужна графовая память, а не больше токенов
AI Engineer World's Fair 2026
Тот же спикер: Stephen Chin
Как создавать готовый к слиянию код с помощью context engine
AI Engineer World's Fair 2026
Близко по содержанию
GraphRAG: объединение графов знаний и RAG
AI Engineer World's Fair 2024
Близко по содержанию

