Context Graphs: концепция проактивных ИИ-агентов для предприятий
Sh0ny
10 июля 20261 мин чтения
Коротко
Исследователи предлагают Context Graph — структуру данных, которая помогает ИИ-агентам не ждать запроса, а заранее предоставлять сотрудникам релевантную информацию. Подход показал снижение среднего времени реакции с 47 минут до 30 секунд.
Современные корпоративные ИИ-агенты на базе Retrieval-Augmented Generation (RAG) остаются реактивными: они действуют только после запроса человека. Авторы работы предлагают концепцию проактивных агентов, которые сами предоставляют полезную информацию до того, как сотрудник о ней спросит.
Архитектура Context Graph
В основе решения лежит Context Graph — динамическая реляционная структура данных, моделирующая сущности предприятия, их связи и изменения состояния во времени. Поверх графа выстроены три компонента:
- Delta Detection Engine — непрерывно отслеживает изменения состояния в графе.
- Proactivity Scorer — ранжирует потенциальные уведомления по срочности, релевантности и соответствию роли пользователя.
- Surfacing Layer — слой на базе LLM, который доставляет отсортированные уведомления с обоснованными объяснениями.
Авторы формализуют каждый компонент и выводят единую функцию оценки проактивности (Proactivity Score). Полноценная реализация на Python выполнена с использованием библиотеки NetworkX и API Anthropic Claude.
Оценка эффективности
Подход протестировали на трёх сценариях: управление жизненным циклом контрактов, реагирование на инженерные инциденты и мониторинг воронки продаж. Результаты:
- Precision@5 составил 0.83
- Уровень ложных срабатываний — 0.11
- Среднее время предоставления информации сократилось с 47 минут (при реактивном подходе) до менее 30 секунд
Источник: cs.AI updates on arXiv.org