← Каталог

· AI Engineer World's Fair 2026

Слой контекста данных для agents

The Data Context Layer for Agents — Yoni Michael & Brandon Callender, Typedef

Агенты по данным и коду ошибаются из-за нехватки контекста, и граф зависимостей помогает, только если агент реально его вызывает.

  • Детерминированный разбор первым — зернистость, lineage и связи строятся из AST SQL и профилирования таблиц, а LLM подключается для имён и классификации. По словам авторов, с таким контекстом успешность задач внутри Typedef выросла почти на 35 процентных пунктов.
  • Идентичность символов — tree-sitter даёт синтаксис, rustdoc JSON даёт канонические имена. Два типа PostingList в Qdrant текстовый поиск не различает, а граф различает.
  • Агент всё равно пойдёт в grep — инструмент назвали search, вернули вывод в формате ripgrep и сделали первый ответ полезным. По словам автора, доля использования графа выросла с 34% до 72% после правок промпта.
  • Измерять по всем прогонам — на 30 вопросах граф дал успех во всех прогонах в 19 случаях из 30, grep в 11, токенов примерно втрое меньше. Цифры из репозитория воркшопа, независимой проверки нет; в трассах нашлись неверные пути к файлам при хороших итоговых цифрах.

Кому полезно: тем, кто даёт агентам доступ к dbt-проектам или коду и хочет проверять, используют ли агенты свои инструменты.

Статья по теме

Главы

Похожие доклады