Как построить граф контекста

Графы контекста — это не просто «добавить память агенту». Это инфраструктура, которая фиксирует логику принятия решений, а не только данные. Статья объясняет три ключевые идеи: проблему двух часов, агентов как информированных обходчиков и контекстные графы как модели мира организации.

Это AI-перевод статьи, сделанный каналом Про AI: Лучшие Статьи и Исследования.

Как построить граф контекста

How to build a context graph Автор: Animesh Koratana Оригинальный текст

@JayaGup10 и @ashugarg недавно написали о графах контекста — слое, который фиксирует следы принятия решений, а не просто данные. Аргумент: следующие платформы стоимостью в триллион долларов будут построены не путём добавления ИИ к существующим системам учёта, а путём захвата логики рассуждений (reasoning), которая связывает данные с действиями.

Статья нашла отклик, и с тех пор я получил много вопросов: как на самом деле его построить?

Ответ — не «добавить память агенту» и не подключить MCP. На самом деле само слово граф немного вводит в заблуждение. То, что вы пытаетесь смоделировать, гораздо более динамично и вероятностно, чем предполагает статический граф.

Честный ответ: это структурно сложно. Не «масштабировать вычисления» сложно — пересмотреть свои предположения сложно. Графы контекста не существуют сегодня, потому что их создание заставляет нас столкнуться с проблемами, которые мы игнорировали десятилетиями.

Каждая организация платит налог на фрагментацию: стоимость ручного сшивания контекста, который никогда не был зафиксирован изначально. Разные функции используют разные инструменты, каждый со своим частичным видением одной и той же базовой реальности. Граф контекста — это инфраструктура, чтобы перестать платить этот налог. Но чтобы его построить, сначала нужно понять, почему этот налог существует.

Три идеи формируют мой подход к этой теме.

Проблема двух часов

Есть интуиция, которая помогла мне понять, почему это сложно: мы построили все наши системы вокруг только половины времени.

Ваша CRM хранит итоговую сумму сделки, а не переговоры. Ваша система тикетов хранит «решено», а не логику рассуждений. Ваша кодовая база хранит текущее состояние, а не два архитектурных спора, которые его породили.

Мы построили инфраструктуру на триллион долларов для того, что истинно сейчас. Почти ничего для того, почему это стало истинным.

Это имело смысл, когда люди были слоем рассуждений. Организационный мозг был распределён по человеческим головам, реконструируемый по запросу через разговоры. Теперь мы хотим, чтобы системы ИИ принимали решения, но мы не дали им ничего, из чего рассуждать. Мы просим модели выносить суждения без доступа к прецедентам. Это как обучать юриста на приговорах без прецедентного права.

Конфиг-файл говорит timeout=30s. Раньше он говорил timeout=5s. Кто-то утроил его. Почему? Git blame показывает кто. Логика рассуждений потеряна.

Этот паттерн везде. CRM говорит «сделка потеряна». Не говорит, что вы были вторым выбором, а победитель имел одну функцию, которую вы выпускаете в следующем квартале. План лечения говорит «переключились на препарат B». Не говорит, что препарат A работал, но страховка перестала его покрывать. Контракт говорит 60-дневный срок расторжения. Не говорит, что клиент настаивал на 30 днях, и вы обменяли это на ограничение ответственности.

Я называю это проблемой двух часов. У каждой системы есть часы состояния — что истинно прямо сейчас — и часы событий — что произошло, в каком порядке, с какой логикой. Мы построили сложную инфраструктуру для часов состояния. Часы событий почти не существуют.

Состояние — это легко. Это просто база данных. События сложны, потому что они эфемерны — они происходят и исчезают. Состояние перезаписывается; события должны добавляться. И самая важная часть часов событий — логика рассуждений, связывающая наблюдения с действиями — никогда не рассматривалась как данные. Она жила в головах, тредах Slack, незаписанных встречах.

Три вещи делают это сложным:

1. Большинство систем не полностью наблюдаемы. Любая реальная система имеет чёрные ящики: легаси-код, сторонние сервисы, эмерджентное поведение между компонентами. Вы не можете зафиксировать рассуждения о том, что не видите.

1. Нет универсальной онтологии. У каждой организации свои сущности, отношения, семантика. «Клиент» означает разное в B2B SaaS-компании и на потребительском маркетплейсе. Граф контекста не может предполагать структуру; он должен её изучить.

1. Всё меняется. Система, которую вы моделируете, меняется ежедневно. Вы не документируете статическую реальность, вы отслеживаете изменения.

Эти проблемы взаимодействуют. Вы пытаетесь реконструировать часы событий для системы, которую можете наблюдать лишь частично, структуру которой должны обнаружить, и которая мутирует под вами.

Большинство проектов «управления знаниями» терпят неудачу, потому что рассматривают это как статическую проблему. Загрузить документы, построить граф, запросить потом. Но документы — это просто замороженное состояние. Часы событий требуют захвата процесса, а процесс динамичен.

Итак, как построить часы событий для системы, которую нельзя полностью увидеть, нельзя полностью схематизировать и нельзя удержать на месте?

Агенты как информированные обходчики

Проблема онтологии поначалу выглядит неразрешимой. Каждая организация разная. Каждая система имеет уникальную структуру. Вы не можете стандартизировать «как работают решения» так же, как не можете стандартизировать «как работают компании».

Но есть то, что по определению навигирует произвольные системы: агенты.

Когда агент работает над проблемой (исследует инцидент, принимает решение, выполняет задачу), он выясняет релевантную онтологию на лету. Какие сущности важны? Как они связаны? Какая информация мне нужна? Какие действия доступны?

Траектория агента через проблему — это трасса через пространство состояний. Это неявная карта онтологии, обнаруженная через использование, а не заданная заранее.

Типичные эмбеддинги (embeddings, векторные представления) семантические: похожие значения, близкие векторы. Это полезно для поиска, но не для того, что нам нужно. Нам нужны эмбеддинги, кодирующие структуру — не «эти концепции означают похожее», а «эти сущности играют похожие роли» или «эти события со-возникают в цепочках решений».

Семантические эмбеддинги кодируют значение. Организационное рассуждение требует моделирования структуры и формы решений.

Информация не о значении. Она о формах рассуждения. Какие сущности затрагиваются вместе при решении проблем? Какие события предшествуют каким? Каковы паттерны обхода через пространство состояний организации?

Здесь полезна интуиция из обучения представлений графов. Графовые эмбеддинги (node2vec) показали, что вам не нужно знать структуру графа, чтобы изучить его представления. Случайные обходы — последовательности узлов, посещённых при блуждании по рёбрам — достаточны. Статистика со-вхождений кодирует структуру. Узлы, часто появляющиеся вместе, связаны — либо напрямую соединены, либо играют аналогичные роли в разных окрестностях.

Это инвертирует обычное предположение. Вам не нужно понимать систему, чтобы представить её. Обойдите её достаточно раз, и представление возникнет. Схема — не начальная точка. Это результат.

Но способ обхода определяет, что вы узнаете. Node2vec использует два параметра, контролирующих смещение обхода. Локальные обходы (склонные возвращаться) изучают гомофилию — узлы похожи, потому что связаны. Глобальные обходы (устремлённые наружу) изучают структурную эквивалентность — узлы похожи, потому что играют аналогичные роли, даже если никогда не связаны напрямую.

Рассмотрим двух старших инженеров в компании. Один работает над платежами, другой над уведомлениями. Нет общих тикетов, не пересекающегося кода, нет общих Slack-каналов. Гомофилия не увидит их похожими. Но структурно они эквивалентны — та же роль в разных подграфах, похожие паттерны принятия решений, похожие пути эскалации. Структурная эквивалентность выявляет это.

Агенты — это информированные (не случайные) обходчики.

Когда агент исследует инцидент или выполняет задачу, он обходит пространство состояний организации. Он затрагивает системы, читает данные, вызывает API. Траектория — это обход через граф организационных сущностей.

В отличие от случайных обходов, траектории агентов направлены на проблему. Агент адаптируется на основе того, что находит. Исследуя производственный инцидент, он может начать широко — что изменилось недавно во всех системах? Это глобальное исследование, территория структурной эквивалентности. По мере накопления доказательств он сужается до конкретных сервисов, конкретной истории деплоев, конкретных путей запросов. Это локальное исследование, территория гомофилии.

Случайные обходы обнаруживают структуру через грубое покрытие. Информированные обходы обнаруживают структуру через проблемно-направленное покрытие. Агент идёт туда, куда ведёт проблема, а проблемы выявляют, что действительно важно.

Правильно спроектированные траектории агентов становятся часами событий.

Каждая траектория сэмплирует организационную структуру, смещённую к частям, важным для реальной работы. Накопите тысячи, и вы получите изученное представление того, как функционирует организация, обнаруженное через использование.

Онтология возникает из обходов. Сущности, появляющиеся повторно — это сущности, которые важны. Отношения, по которым проходят — это отношения, которые реальны. Структурные эквивалентности проявляются, когда разные агенты, решающие разные проблемы, следуют аналогичным путям.

Здесь есть экономическая элегантность. Агенты не строят граф контекста — они решают проблемы, за которые стоит платить. Граф контекста — это выхлоп. Лучший контекст делает агентов более способными, способные агенты развёртываются чаще, развёртывание генерирует траектории, траектории строят контекст. Но это работает, только если агенты выполняют работу, оправдывающую вычисления.

Графы контекста — это организационные модели мира

Есть концепция, к которой стоит отнестись серьёзно, потому что она переосмысливает, чем на самом деле являются графы контекста: модели мира (world models).

Модель мира — это изученное, сжатое представление того, как работает среда. Она кодирует динамику: что происходит, когда вы совершаете действия в определённом состоянии. Она захватывает структуру: какие сущности существуют и как они связаны. И она позволяет предсказывать: дано текущее состояние и предлагаемое действие — что произойдёт дальше?

Модели мира демонстрируют нечто важное: агенты могут изучать сжатые представления сред и обучаться полностью внутри «снов» — симулированных траекторий через латентное пространство. Модель мира становится симулятором. Вы можете запускать гипотетические сценарии и получать полезные ответы без выполнения в реальной среде.

Это имеет очевидную аналогию в робототехнике. Модель мира, захватывающая физику (как падают объекты, как распространяются силы), позволяет симулировать действия робота до их выполнения, обучать политики в воображении, безопасно исследовать опасные сценарии и переносить на физическое оборудование. Чем лучше ваша модель физики, тем полезнее ваши симуляции.

Та же логика применима к организациям, но физика другая.

Организационная физика — это не масса и импульс. Это динамика решений. Как одобряются исключения? Как распространяются эскалации? Что происходит, когда вы меняете эту конфигурацию при включённом том feature flag? Каков радиус поражения при деплое на этот сервис при текущем состоянии зависимостей?

Состояние говорит вам, что истинно. Часы событий говорят, как ведёт себя система — а поведение и есть то, что нужно симулировать.

Граф контекста с достаточно накопленной структурой становится моделью мира для организационной физики. Он кодирует, как разворачиваются решения, как распространяются изменения состояния, как взаимодействуют сущности. Когда это есть, можно симулировать.

В PlayerZero мы строим симуляции кода — проецируем гипотетические изменения на нашу модель производственных систем и предсказываем результаты. Дано предлагаемое изменение, текущие конфигурации и feature flags, паттерны использования системы пользователями: сломает ли это что-то? Каков режим отказа? Какие клиенты пострадают?

Эти симуляции — не магия. Это инференс (inference, вывод) по накопленной структуре. Мы наблюдали достаточно траекторий через производственные проблемы, чтобы изучить паттерны — какие пути кода хрупкие, какие конфигурации опасно взаимодействуют, какие последовательности деплоев вызывают инциденты. Модель мира кодирует это. Симуляция — это запрос к модели с гипотетическими сценариями.

Симуляция — это тест понимания. Если ваш граф контекста не может ответить на «что если», это просто поисковый индекс.

Есть более глубокое следствие для дебатов о непрерывном обучении.

Многие утверждают, что ИИ не трансформирует экономику, потому что модели не могут обучаться на работе — мы застряли на построении кастомных циклов обучения для каждой способности, что не масштабируется на длинный хвост организационных знаний. Диагноз верен.

Но я думаю, стандартная постановка — это отвлечение. Непрерывное обучение спрашивает: как обновлять веса из текущего опыта? Это сложно — катастрофическое забывание, сдвиг распределения, дорогое переобучение.

Модели мира предлагают альтернативу: держать модель фиксированной, улучшать модель мира, по которой она рассуждает. Модели не нужно обучаться, если модель мира продолжает расширяться.

Это то, что агенты могут делать на накопленных графах контекста. Каждая траектория — это доказательство об организационной динамике. Во время принятия решения выполняется инференс по этим доказательствам: учитывая всё захваченное о поведении этой системы, учитывая текущие наблюдения — какова апостериорная вероятность происходящего? Какие действия успешны?

Больше траекторий — лучше инференс. Не потому что модель обновилась, а потому что модель мира расширилась.

И поскольку модель мира поддерживает симуляцию, вы получаете нечто более мощное: контрфактическое рассуждение. Не просто «что произошло в похожих ситуациях?», а «что произойдёт, если я совершу это действие?» Агент воображает будущее, оценивает его, выбирает соответственно.

Это то, что есть у опытных сотрудников и нет у новичков. Не другая когнитивная архитектура — лучшая модель мира. Они видели достаточно ситуаций, чтобы симулировать исходы. «Если мы выкатим это в пятницу, дежурному будут плохие выходные». Это не поиск. Это инференс по внутренней модели поведения системы.

Путь к экономически трансформирующему ИИ может не требовать решения непрерывного обучения. Он может требовать построения моделей мира, которые позволяют статическим моделям вести себя так, будто они обучаются — через расширяющиеся базы доказательств и вычисления во время инференса для рассуждения и симуляции по ним.

Модель — это двигатель. Граф контекста — это модель мира, которая делает двигатель полезным.

Что это значит

Графы контекста требуют решения трёх проблем:

Проблема двух часов. Мы построили инфраструктуру на триллион долларов для состояния и почти ничего для рассуждений. Часы событий должны быть реконструированы.

Схема как результат. Вы не можете предопределить организационную онтологию. Траектории агентов обнаруживают структуру через проблемно-направленный обход. Эмбеддинги структурные, не семантические — захватывают окрестности и паттерны рассуждений, а не значение.

Модели мира, а не системы поиска. Графы контекста, накапливающие достаточно структуры, становятся симуляторами. Они кодируют организационную физику — динамику решений, распространение состояний, взаимодействия сущностей. Симуляция — это тест. Если вы можете спросить «что если?» и получить полезные ответы, вы построили нечто реальное.

Компании, которые сделают это, получат нечто качественно иное. Не агентов, которые выполняют задачи — организационный интеллект, который накапливается. Который симулирует будущее, а не только извлекает прошлое. Который рассуждает на основе изученных моделей мира, а не начинает с нуля.

Вот что разблокирует прогресс. Не лучшие модели. Лучшая инфраструктура для накопления развёрнутого интеллекта.

Подпишитесь на канал и каждый день читайте лучшие материалы про AI переведенные на русский!

Нашли интересную статью для перевода? Пришлите нашему боту: @ailongreadsbot