GraphRAG и агентная память: как агенты учатся и становятся лучше

Проблема с обычным RAG

Большинство разработчиков подключают векторную базу и называют это «памятью». Но семантический поиск — это только один способ найти релевантную информацию. Для продакшн-агентов нужен мультистратегийный подход.

Мультистратегийный поиск

В наших системах мы комбинируем четыре стратегии:

• Семантический поиск — embeddings и cosine similarity
• Ключевые слова (BM25) — точный текстовый поиск
• Обход графа — навигация по связям между сущностями
• Темпоральный поиск — учёт времени и актуальности

Grafовая память на Neo4j

Neo4j позволяет хранить не просто факты, а связи между ними. Когда агент знает, что «Проект X использует Технологию Y» и «Сотрудник Z — эксперт в Технологии Y», он может самостоятельно найти нужного эксперта для проекта.

Консолидация памяти

Мы используем паттерн Hindsight — автоматическую консолидацию наблюдений в паттерны и выводы. Агент не просто запоминает факты — он формирует ментальные модели.