разбор · графы
3.0
из 10
смотреть не обязательно — забрать выжимку и пункты
оценка машинная и частично зависит от длины ролика — спорите, открывайте оригинал
Графовая память агентов: точность связей вместо токенов
CrabRAG: Why Automated Assistants Need Graph Memory, Not More Tokens — Stephen Chin, Neo4j
Спикер из Neo4j показывает, что память агентов на markdown-файлах не масштабируется: тратит токены, не находит связи. Решение — графовая память (Graph RAG): хранить память как граф, использовать векторный поиск для старта и граф для многошаговых связей. Демо на домашнем кластере: граф находит уязвимости точнее, чем векторная БД.
Графы — ключ к точной памяти агентов: вектор даёт похожесть, граф — связи и объяснимость.
что из этого моё
Можно применить для построения памяти агентов в оркестрации: вместо плоских файлов использовать граф для хранения контекста и связей, что повысит точность и масштабируемость. Для buyanov.io это значит улучшить агентов, которые работают с большим объемом данных, и добавить объяснимость ответов.
Что забрать
отметь, что берёшь в работу → или отбрось как не своёмоё →
поднять Neo4j в Docker и сохранить память агента как граф с эмбеддингами в узлах
настроить гибридный поиск: векторный для старта, затем графовые обходы для связей
позволить Claude писать Cypher-запросы для извлечения сущностей в граф
о чём говорят, по времени
главы доводят до 16:00 · дальше по ролику меток нет
01
Проблемы памяти агентов00:00 ↗
Агенты забывают, используют не те инструменты, память в markdown неэффективна.
02
Существующие решения04:30 ↗
Hermes, Goose, векторные БД — но у всех ограничения.
03
Графы как решение08:00 ↗
Графы хранят связи, точны, объяснимы, аудируемы.
04
Демо: цифровой двойник12:00 ↗
Сравнение векторной и графовой памяти на домашнем кластере.
05
Ресурсы и выводы16:00 ↗
Книга Graph RAG и бесплатные курсы Neo4j.