· 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
PostingListв 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
RAG нужна карта: как GraphRAG извлекает связанный контекст
AI Engineer World's Fair 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
Введение в GraphRAG
AI Engineer World's Fair 2025
Близко по содержанию
Графы знаний и GraphRAG: методы создания эффективных GenAI-приложений
Michael Hunger, Andreas Kolleger, Tomasz, Zach Blumenthal
AI Engineer World's Fair 2024
Близко по содержанию


