Память агентов в графе: как превратить её в скиллы

Что в ролике
Доклад продакт-менеджера Neo4j Уилла Лайона посвящён тому, как превратить память агентов из простого поиска похожих кусков текста в связанный контекстный граф с тремя видами памяти: краткосрочной, долгосрочной и памятью рассуждений. Вместо того чтобы просто извлекать эмбеддинги и вставлять в контекст похожие фрагменты, он предлагает извлекать сущности, связывать их через онтологию и фиксировать канонические представления, чтобы три разных упоминания одного человека считались одной сущностью. Отдельно автор выделяет reasoning memory — следы решений агента, где каждое действие связано с доказательствами, политиками, вызванными инструментами, затраченными токенами и временем, и эти следы можно шарить между сотнями агентов в организации. Дальше речь идёт о скиллах как открытом стандарте Anthropic с progressive disclosure, но обычные скиллы страдают теми же проблемами: текст не типизирован, шаги не отлаживаются и нет канонической модели. Исследователи Neo4j предложили протокол APE, который превращает скилл в типизированный граф выполнения с шагами-узлами и строгой схемой, и на бенчмарке Skills Bench это дало заметный рост успешно выполненных задач. На основе этих идей в Neo4j Agent Memory Service (NAMS) работает пайплайн дистилляции из семи этапов, где почти всё детерминировано, а LLM используется только для синтеза описаний и проверки покрытия, связности и разделения тем. В демо с медицинским скиллом он показывает, как из последнего разговора о приёме пациента извлекаются шаги от записи до заполнения медкарты, каждый из которых привязан к реальным вызовам инструментов и сущностям, а при изменении данных система помечает скилл устаревшим.
Практика
- Что получишь
- Понимание, как устроена агентная память в виде графа и какие компоненты нужны, чтобы превращать накопленный опыт в переиспользуемые скиллы с проверкой устаревания.
- Первый шаг
- Начать с чтения документации NAMS и открытых исходников Neo4j, а затем завести workspace и прогнать свой самый свежий разговор агента через пайплайн дистилляции.
- Цифры
- —7 — столько этапов в пайплайне дистилляции скилла в NAMS
- —3 — столько типов памяти в контекстном графе: краткосрочная, долгосрочная и память рассуждений
- Честно
- Автор — продакт-менеджер Neo4j, и выступление продвигает их сервис NAMS и open-source тулинг, в конце он приглашает на стенд Neo4j. Демонстрация дашборда, графа и пайплайна доступна только на видео, без ссылки на код в пересказе повторить не получится. Сервис сейчас бесплатный, но условия могут измениться.
Если слова незнакомы — 8 терминов
- контекстный графструктура, где знания хранятся как связанные узлы и отношения, а не отдельные тексты
- эмбеддингичисловые векторы, превращающие текст в координаты для поиска похожих фрагментов
- онтологияописание типов объектов и связей предметной области, например врач, пациент, приём
- reasoning memoryсохранённые следы решений агента: шаги, вызванные инструменты, затраты токенов и времени
- скиллпереиспользуемая инструкция или набор шагов, которые агент умеет выполнять
- progressive disclosureпринцип подачи информации от краткого описания к деталям по мере необходимости
- APEпротокол Neo4j, представляющий скилл как типизированный граф выполнения с шагами-узлами
- LLMбольшая языковая модель, которая генерирует текст
Компоненты
5 шт.Формат: разбор · для практикующих · уверенность разметки 0.85 · источник