· AI Engineer World's Fair 2025
Зачем мозгу агента нужен плейбук: практические преимущества онтологий
Why Your Agent’s Brain Needs a Playbook: Practical Wins from Using Ontologies
Онтология, сохранённая в самом графе, может определять, по каким связям GraphRAG retriever ходит при поиске, и менять это без правки кода.
- Онтология как общая схема — описание домена, например FIBO для финансов, задаёт классы и связи независимо от того, как извлекаются сущности. По словам спикера, это лучше, чем описывать схему отдельно в JSON, Pydantic или на естественном языке, и граф получается более точным.
- Векторный поиск плюс обход графа — найденные по эмбеддингам чанки связаны с сущностями, и от них retriever проходит по связям графа. Так в контекст попадают связанные факты, которых нет в одном фрагменте текста.
- Retriever, управляемый данными — связи, помеченные в онтологии как контекстные, например связи актёров с фильмами, не прописываются в коде жёстко. Изменив онтологию, которая хранится в графе, можно поменять поведение retriever на лету.
Кому полезно: тем, кто строит GraphRAG на графовой базе и хочет, чтобы схема данных управляла извлечением и поиском. Доклад во многом посвящён продуктам Neo4j, но подход с онтологией описан конкретно.
Статья по теме
Главы
Ещё доклады: Jesús Barrasa
Страница спикера →Практический GraphRAG: как сделать LLM умнее с помощью графов знаний
Stephen Chin, Jesús Barrasa, Michael Hunger
AI Engineer World's Fair 2025
Похожие доклады
Тонкие агенты на умной основе: семантический слой на базе онтологии
AI Engineer World's Fair 2026
Близко по содержанию
Связывая точки с помощью контекстных графов
AI Engineer Europe 2026
Близко по содержанию
Графы знаний в litigation-агентах
AI Engineer World's Fair 2025
Близко по содержанию

