Почему агентам нужны следы принятия решений, а не только документы
Why your agents need decision traces, not just documents — Zach Blumenfeld, Neo4j
Агентам для хороших решений нужен граф прошлых решений с причинно-следственными связями, а не только поиск по документам.
- Decision traces поверх RAG — каждое решение хранится с контекстом и обоснованием и связано с предыдущими; Graph Data Science кодирует эти связи в вектор, поэтому похожие трассы находятся обычным векторным поиском, даже когда в документах они разбросаны.
- Три слоя памяти — короткая (история сессии), долгая (сущности, которые повторяются и сводятся к одной) и reasoning-память с трассами решений. Извлечение сущностей из текста идёт через spaCy, GLiNER и LLM как запасной вариант.
- Стартовый стек одной командой —
create-context-graphподнимает бэкенд, фронтенд и MCP-сервер для 22 доменов и нескольких фреймворков, включая Pydantic AI и LangGraph; доклад при этом presentation продукта Neo4j. - Открытые вопросы — автоматическая запись новых решений и оценка их качества пока не решены: в демо решение сохранялось только по явной просьбе.
Кому полезно: тем, кто проектирует память агентов для задач с прецедентами, например одобрения заявок или поддержки.
Статья по теме
Главы
Ещё доклады: Zach Blumenfeld
Страница спикера →Введение в GraphRAG
AI Engineer World's Fair 2025
ИИ в вашем lakehouse: контекст — это структуры, а не запросы
Zach Blumenfeld, Ben Squire, Ryan Knight
AI Engineer World's Fair 2026
Agentic GraphRAG: упрощаем поиск по структурированным и неструктурированным данным
AI Engineer World's Fair 2025
Похожие доклады
Как создать обучающуюся память для AI agents
AI Engineer World's Fair 2026
Близко по содержанию
Агентный GraphRAG: логическое преимущество ИИ
AI Engineer World's Fair 2025
Близко по содержанию

