- Els gràfics de context modelen les decisions i el context que els envolta com a memòries en forma de gràfic, que van més enllà dels sistemes tradicionals de registre i el simple RAG per capturar com i per què s'han assolit els resultats al llarg del temps.
- Integren grafs de coneixement, grafs de contingut, dades temporals i traces de decisió, permetent als agents navegar per espais de problemes complexos amb control d'entropia explícit, auditabilitat i raonament multiestatal.
- L'adopció al món real requereix una nova infraestructura centrada en l'execució per a la resolució d'identitats, la captura de fluxos de treball entre eines i esquemes basats en SOP curats, en lloc de la mineria ingènua de traces de decisions sorolloses.
- El valor pragmàtic emergeix començant per un flux de treball d'alt risc i amb moltes excepcions, instrumentant-lo de principi a fi i tractant el llinatge i la procedència de les decisions com una infraestructura d'IA de primera classe.
Els gràfics de context s'estan convertint ràpidament en una de les idees més comentades en la IA empresarial., i amb raó: prometen donar als agents d'IA l'ingredient que falta per actuar de manera fiable en fluxos de treball empresarials reals: un context real i consultable sobre com es prenen les decisions al llarg del temps. Mentre que els sistemes tradicionals de registre expliquen què va passar, els gràfics de context tenen com a objectiu capturar la història més rica de com i per què va passar, entre persones, eines i polítiques.
Alhora, hi ha un escepticisme creixent i saludable al voltant de l'exageració.Alguns experts argumenten que els gràfics de context confonen les traces de decisions en brut amb el coneixement organitzatiu real, o que simplement són massa difícils de construir tenint en compte on es troben la majoria de les empreses avui dia. Comprendre aquesta tensió (la promesa d'un bilió de dòlars contra la realitat desordenada) és essencial si voleu esbrinar si els gràfics de context haurien d'estar a la vostra guia ara, més tard o potser mai.
Què són els grafs de context (i què no són)
En essència, els grafs de context són representacions en forma de graf de decisions i del context que les envolta.La majoria de sistemes empresarials (CRM, ERP, HRIS, ITSM) registren fidelment els resultats: es va aprovar un descompte, es va pagar una factura, es va denegar una reclamació, es va contractar un candidat. El que poques vegades emmagatzemen és la cadena de raonament que va conduir a aquests resultats: quines entrades es van inspeccionar, quines polítiques es van comprovar, quines excepcions es van sol·licitar, qui va aprovar, en quin ordre i amb quina justificació.
Foundation Capital emmarca un gràfic de context com un "registre viu de traces de decisions cosides a través d'entitats i temps perquè els precedents es puguin cercar"Un rastre de decisions no és només un registre; és un registre estructurat de com el context situacional es va convertir en acció. Concretament, un sol rastre pot incloure els fets que es van recopilar de diferents sistemes, la versió exacta de la política que s'aplicava, qualsevol excepció que es va invocar, les aprovacions recopilades amb marques de temps i canals, els canvis escrits de nou als sistemes de registre i el resultat final posterior.
Això fa que un gràfic de context sigui fonamentalment diferent de la cadena de pensament privada del vostre model.La cadena de pensament és un raonament intern i efímer dins d'un LLM per a una sola consulta; un gràfic de context és una memòria externa, duradora i de tota l'organització de com es van executar les decisions al món real. Tampoc és només un historial de xats, que és lineal i centrat en l'usuari. Els gràfics de context estan dissenyats per a relacions de molts a molts entre clients, tiquets, polítiques, aprovadors humans, temps i eines.
És important destacar que un graf de context tampoc és "només una base de dades vectorial" ni "només un graf de coneixement".Els vectors són excel·lents per a la similitud semàntica difusa (com ara "troba'm passatges com aquest"), però no codifiquen de manera nativa la procedència, el temps o les relacions explícites com ara "excepció a", "aprovat per" o "substitueix". Els gràfics de coneixement, en canvi, normalment se centren en entitats i relacions relativament estàtiques (clients, productes, ubicacions, polítiques). La majoria de les implementacions de gràfics de coneixement no arriben a modelar la ruta d'execució completa del flux de treball i el llinatge de decisions que fa que les accions siguin auditables i reproduïbles.
El model mental correcte és que un gràfic de context és una memòria en forma de gràfic de decisions més context.Tracta el llinatge de decisions (el qui, què, quan, per què i sota quin precedent) com a dades de primera classe, no com una idea posterior enterrada en registres, fils de Slack o records de la gent.
Grafs de context com a espais de problemes estructurats per a agents d'IA
Més enllà de ser una memòria empresarial, els grafs de context també es poden veure com a mapes d'espais de problemes complexos que els agents d'IA poden navegar.En alguns marcs agentius, els grafs de context es descriuen com un dels components principals de l'orquestració: codifiquen la "forma" d'un problema: els seus límits, els camins de solució típics, els punts de decisió crucials, les oportunitats de reflexió i els punts morts coneguts. En lloc d'un diagrama de flux rígid, s'obté un camp topològic que combina estructura amb flexibilitat.
Aquesta visió topològica és important perquè permet als agents realitzar raonaments quantificats amb una puntuació de confiança explícita.En lloc d'emetre una única resposta monolítica, l'agent es mou a través d'estats de raonament discrets o "quanta", avaluant a cada pas la seva confiança, quina branca prendre a continuació i si el problema actual és resoluble amb el context disponible. Això sovint es descriu com a raonament conscient de l'entropia: a les regions d'alta certesa del gràfic, l'agent es comporta deterministament; a les zones més difuses, explora més i es recolza en la identitat, la intuïció o eines externes.
Els experts humans operen implícitament en aquest tipus d'espai estructurat però flexible tot el temps.Un metge sènior, per exemple, no segueix un únic arbre diagnòstic rígid; reconeix patrons, sap on són els punts de decisió d'alt risc, quan cal fer una pausa i reflexionar, i quan un cas s'està desviant cap a un territori on acaben les directrius i comença el judici. Els gràfics de context intenten fer que aquest coneixement topològic implícit sigui explícit i llegible per màquina, de manera que els agents puguin recórrer-lo de manera intel·ligent en lloc d'al·lucinar un procés cada vegada.
A la pràctica, això significa codificar no només quins passos són possibles, sinó també quines transicions són típiques, quines són rares però permeses i quines estan prohibides.Amb el temps, a mesura que s'acumulen les traces de decisió, el graf de context es pot refinar: emergeixen nous camins d'excepció, es poden patrons trencats i es promouen millors rutes. Això converteix el graf en un model de món viu de com l'organització resol realment els seus problemes recurrents.
Des de protocols clínics i SOP fins a serveis navegables
Una de les aplicacions més tangibles dels grafs de context és en dominis altament estructurats com l'atenció sanitària i altres serveis amb processos pesats.Penseu en els protocols clínics, els fluxos de treball de triatge o els programes de gestió de l'atenció contínua: sobre el paper, són documents llargs i estàtics; a la pràctica, els clínics els adapten constantment a pacients reals amb comorbiditats, dades que falten o presentacions atípiques. Els gràfics de context poden convertir aquests protocols en estructures navegables on cada pas, branca i excepció es modela explícitament.
En lloc d'una guia en PDF que els humans han d'interpretar mentalment, obteniu un pla de servei que un agent pot recórrer.El gràfic codifica els components bàsics de la prestació de serveis: admissió, triatge, diagnòstic, selecció de tractament, monitorització, escalada, documentació, planificació de l'alta, seguiment, etc. Cada node pot representar un estat d'acció (fer alguna cosa), un estat de decisió (triar un camí) o un estat de reflexió (avaluar si encara es troba en una trajectòria segura).
Això permet als agents d'IA oferir una atenció altament consistent i, alhora, adaptar-se al context específic del pacient.Per exemple, en la dosificació de medicaments d'alt risc, el graf de context pot imposar una microvia ajustada i de baixa entropia amb molt poc marge per a la improvisació. En canvi, en una conversa terapèutica o en el coaching, el mateix graf pot obrir regions de menor densitat on l'agent té més graus de llibertat en la manera de formular preguntes o explorar temes, sempre que es mantingui dins dels límits.
Crucialment, els grafs de context redueixen la bretxa entre el protocol estàtic i la pràctica dinàmica.Poden capturar com els clínics es desvien realment del protocol "ideal", quines excepcions són freqüents i segures, quines porten a problemes posteriors i com aquestes desviacions es correlacionen amb els resultats. Amb el temps, la decisió traça patrons superficials que haurien de graduar-se en polítiques formals o procediments operatius estàndard (POE), en lloc de deixar-los com a solucions alternatives ad hoc.
Aquí és on alguns crítics estableixen una línia important: les traces de decisió en brut per si soles no són un bon punt de partida.Si simplement mineu fils de Slack o registres EMR per generar un gràfic de context, us arrisqueu a la inconsistència de codificació. Deu metges que prenen deu decisions diferents en casos similars no us donen saviesa; us donen un desastre reproduïble. Els SOP madurs i curats continuen sent la base correcta, i els gràfics de context construïts a partir de traces curades haurien de refinar aquests SOP, no substituir-los completament.
Densitat de context i gestió d'entropia
Una idea potent que apareix sovint en les discussions sobre grafs de context és la "densitat de context", és a dir, com de restringida està una regió del graf.Les zones d'alta densitat corresponen a baixa entropia: l'agent té molt poca llibertat i ha de seguir una seqüència precisa de passos. Les zones de baixa densitat són d'alta entropia: moltes opcions són acceptables, es permet l'experimentació i la creativitat, i l'estil propi de l'agent es pot veure.
Gestionar la densitat de context és bàsicament gestionar l'entropia operativaEn instruccions crítiques per a la seguretat, com ara la dosificació clínica o les accions de compliment financer, es vol una alta densitat: ambigüitat gairebé nul·la, passos de validació explícits i ramificació molt estreta. En sessions d'orientació o d'estratègia exploratòria, es vol una densitat més baixa: l'agent pot vagar, fer preguntes obertes, comparar alternatives i només ocasionalment tornar a un punt de control estructurat.
Aquesta estratificació deliberada d'entropia us ofereix el millor dels dos mons. Obteniu la fiabilitat dels processos altament estructurats on els errors són costosos, i la flexibilitat adaptativa i humana on els matisos i la creativitat realment importen. El gràfic de context en si mateix esdevé el mecanisme pel qual augmenteu o reduïu la restricció, regió per regió, en lloc d'intentar "protegir" globalment un model contra el jailbreak.
Els exemples concrets faciliten la visualització d'aixòUna regió d'alta densitat podria correspondre a "l'administració d'insulina segons el protocol", on cada microdecisió està bloquejada. Una regió de densitat mitjana podria modelar una "sessió de coaching professional", on hi ha arcs de conversa recomanats però molts camins acceptables. Una regió de baixa densitat podria cobrir "l'exploració d'objectius futurs", on el gràfic només defineix uns quants punts de referència imprecisos i permet que l'agent improvisi entremig.
Des d'una perspectiva de disseny, podeu pensar en la densitat com un pressupostCom més risc estiguis disposat a acceptar, més graus de llibertat concediràs a l'agent en aquesta porció del graf de context. Com més estrictes siguin els requisits de compliment i seguretat, més comprimiràs el camí en un túnel estret i completament instrumentat.
Travessia multiestatal i el "viatge ocult" dels agents
Un dels poders infravalorats dels grafs de context és que permeten un recorregut intern ric entre els torns dels usuaris.Un usuari veu una simple conversa d'anada i tornada o una sola acció realitzada en nom seu; entre bastidors, l'agent pot recórrer desenes d'estats interns, consultar múltiples memòries i refinar un pla intern, tot dins del graf, abans de mostrar una resposta.
Molts marcs de treball imposen una "garantia d'estat d'acció": l'agent sempre comença i acaba en un estat d'acció des de la perspectiva de l'usuari.Tot el que passa entremig (raonament, generació d'hipòtesis, crides a eines, avaluació de polítiques, reflexió) està compost per quanta de processament més petits enllaçats pel graf de context. Això garanteix que cada interacció visible correspongui a un viatge coherent i rastrejable a través de l'estructura subjacent.
Imagineu-vos un usuari que diu: "Em sento atrapat en la meva carrera" a un agent terapèutic.La resposta visible pot semblar un únic missatge empàtic seguit d'unes quantes preguntes d'inquisició. Internament, però, l'agent pot passar per múltiples estats: avaluar el to emocional, comprovar si hi ha factors de risc, seleccionar un marc terapèutic rellevant, extreure traces prèvies similars per obtenir precedents, compondre un pla de diversos torns i només llavors generar la següent enunciació. L'usuari experimenta una conversa natural i fluida; el gràfic de context conserva un recorregut invisible però totalment inspeccionable.
Els dissenyadors solen pensar en aquest recorregut a tres nivells de resolucióA nivell global, l'agent veu regions àmplies del gràfic, per exemple, "avaluació", "planificació", "execució", "revisió". A nivell mitjà, veu subgràfics més detallats corresponents a fluxos de treball o llibres de joc específics. A nivell local, raona sobre petites transicions d'estat dins d'un sol torn. Aquesta navegació multiresolució reflecteix com els experts humans fan zoom d'aproximació i allunyament entre l'enquadrament de la imatge general i l'execució pas a pas.
La clau és que tots aquests salts interns es poden registrar com a part del rastre de decisions.Això significa que els equips de risc, compliment i qualitat poden reconstruir posteriorment no només què va enviar l'agent a l'usuari, sinó també quin context va considerar, quines regles va aplicar i com es va comparar la seva ruta amb traces anteriors reeixides o fallides.
Gràfics de context, memòria, coneixement i raonament
Els gràfics de context només assoleixen el seu màxim potencial quan es connecten a la memòria funcional i als comportaments dinàmics.La memòria, el coneixement i el raonament (sovint abreujats com a M-K-R) formen un cicle: la memòria emmagatzema interaccions i traces passades, el coneixement codifica fets i ontologies més estables sobre el món, i el raonament orquestra com aplicar tots dos a una nova situació. Els gràfics de context es troben a la unió on es troben aquests tres corrents.
En una arquitectura d'agents ben dissenyada, el graf de context proporciona les vies i els punts de decisió on s'extreuen o s'actualitzen la memòria i el coneixement.Quan un agent processa un cas nou, pot recuperar documents rellevants d'un gràfic de contingut, extreure relacions d'entitats d'un gràfic de coneixement i, a continuació, registrar les seves accions com una nova traça de decisió dins del gràfic de context. Cada resultat reeixit o fallit es retroalimenta, actualitzant el que el sistema considera un precedent fort enfront dels antipatrons que cal evitar.
Amb el temps, passes d'una mentalitat estàtica de "carrega alguns documents i espera que RAG funcioni" a un bucle de retroalimentació d'ample de banda elevat.Els agents no només consumeixen context, sinó que també generen un context estructurat a mesura que operen. Aquest nou context està disponible per a futurs passos de raonament, tant per al mateix agent com per a altres que operen en fluxos de treball adjacents. Les millores en l'organització de la memòria, el disseny d'ontologies o les estratègies de raonament es reparteixen pel graf de context i viceversa.
Aquí també és on entren en escena les eines d'optimització automatitzadesSistemes com ara "Agent Forge" (i agents de codificació similars) poden analitzar dades de rendiment del món real a nivell de graf: quins patrons de recorregut es correlacionen amb l'èxit, on els agents s'encallen, on la càrrega cognitiva augmenta, quins calibratges de densitat són massa ajustats o massa fluixos. En lloc d'ajustar manualment els grafs, els agents de codificació poden ajustar programàticament els estats, les vores i les densitats, fent evolucionar el graf en funció de resultats mesurables.
La visió a llarg termini és un ecosistema que s'automilloraEls agents operen sobre un graf de context, generen traces, els agents d'optimització refinen el graf en funció d'aquestes traces i el graf actualitzat permet una millor presa de decisions en el futur. És essencialment RL en fluxos de treball, amb el graf com a substrat compartit.
Grafs de context, grafs de coneixement i el món basat en triples
Per entendre completament els grafs de context, cal situar-los en l'univers més ampli de les tecnologies de grafs.Molta confusió en aquest camp prové de termes sobrecarregats com ara "gràfic de coneixement", "GraphRAG" i "ontologia", cadascun amb la seva pròpia història i conjunt d'evangelistes. Els gràfics de context absorbeixen idees de tots aquests sense ser reduïbles a cap de sol.
Un graf de coneixement clàssic representa les entitats i les seves relacions com a triplets: subjecte → predicat → objecte. Això podria ser “Alice → isMotherOf → Bob” o “Ticket123 → governat_per → Policy_v4”. En l'interior, aquests triplets s'emmagatzemen normalment en magatzems de triplets RDF o bases de dades de grafs de propietats. RDF aporta una rica pila d'estàndards (RDFS per a esquemes, OWL per a ontologies), mentre que els grafs de propietats com els de Neo4j emfatitzen els nodes, les arestes i les propietats amb llenguatges de consulta més fàcils de desenvolupar com Cypher o, més recentment, GQL.
Els debats sobre "la manera correcta" de modelar el coneixement s'han intensificat durant dècades.Els defensors de l'RDF destaquen el seu poder expressiu i la seva interoperabilitat a través d'URI; els fans dels gràfics de propietats prefereixen la simplicitat del modelatge de nodes i vores i les propietats a les vores. Ontologies com OWL, SKOS o Schema.org afegeixen vocabularis de domini, restriccions i jerarquies, cosa que permet definir significats llegibles per màquina per a entitats i relacions.
Els gràfics de context solen situar-se a sobre o al costat d'aquestes estructures en lloc de substituir-les.Podeu utilitzar un gràfic de coneixement per representar els vostres clients, productes, contractes i polítiques, i un gràfic de contingut per organitzar documents, tiquets i transcripcions. El gràfic de context enllaça aquestes entitats i documents al llarg del temps emmagatzemant traces de decisions: "aquesta excepció_a aquella política", "aquesta aprovació_per aquella persona", "aquest llibre d'execució utilitzat_en aquell incident", amb marques de temps i resultats.
Un gir interessant a l'era de la LLM és que els models ara poden llegir i escriure amb fluïdesa tant en formats llegibles per humans com per màquina.Els experiments mostren que proporcionar context com a RDF o Cypher, tot i que és més prolix en els tokens, pot produir millors resultats que el text no estructurat o els CSV en brut. L'estructura en si mateixa transmet què és un node, què és una aresta i què és una propietat, reduint la càrrega del model per inferir un esquema sobre la marxa.
Més enllà de RAG: GraphRAG, ontologies i context temporal
El viatge des del RAG ingenu fins als grafs de context passa per diverses etapes intermèdiesPrimer, teníem LLM simples que responien a partir de les seves dades d'entrenament. Després va venir RAG: dividir alguns documents en fragments, incrustar-los com a vectors i introduir els fragments més similars a l'indicador. GraphRAG va ampliar això mitjançant representacions basades en gràfics (sovint gràfics de coneixement derivats de LLM) per capturar les relacions entre entitats i navegar-hi per recuperar-les.
El RAG basat en ontologia va un pas més enllà imposant esquemes i relacions més explícitsEn comptes de deixar que el model inventi predicats arbitraris, definiu un vocabulari controlat (una ontologia) per al vostre domini, com ara "client", "contracte", "incident", "política", "aprovació", a més de tipus de relació específics. La recuperació respecta aquesta semàntica, millorant tant la precisió com la recuperació.
Els gràfics de context es basen en tot això, però afegeixen dos ingredients crucials: el temps i les decisions.S'alineen amb les idees de l'origen d'esdeveniments, on els canvis d'estat es representen com una seqüència d'esdeveniments que es pot reproduir. La diferència rau en l'èmfasi: l'origen d'esdeveniments se centra en les transicions d'estat (què va canviar i quan), mentre que els gràfics de context se centren en les transicions de decisió (quin raonament, excepcions, aprovacions i polítiques van justificar aquests canvis).
Les relacions temporals són especialment importants per a la confiança i la governançaPreguntes com ara "Encara és vàlida aquesta política?" o "Es va concedir aquesta excepció abans o després que canviéssim la nostra tolerància al risc?" depenen de la comprensió de com evolucionen els fets, les polítiques i els comportaments al llarg del temps. Els gràfics RAG temporals i els gràfics de coneixement temporal exploren aquesta frontera, i els gràfics de context poden aprofitar aquestes tècniques per fer un seguiment de l'actualitat, l'estabilitat i la corroboració de la informació al llarg de llargs períodes.
A mesura que els LLM milloren treballant amb ontologies dinàmiques, és possible que finalment vegem materialitzar-se algunes de les antigues promeses de la web semàntica.En lloc d'intentar congelar una ontologia perfecta abans d'escriure algoritmes de recuperació, podem deixar que les ontologies evolucionin a mesura que els agents troben nous patrons en les traces de decisió i utilitzar els propis models per interpretar i adaptar-se als esquemes canviants.
Context operacional i de decisió: per què RAG per si sol s'estanca
Des d'un punt de vista executiu, els gràfics de context aclareixen per què "vam connectar RAG als nostres documents" sovint decepciona.A la majoria d'empreses falten dues capes de context: el context operatiu i el context de decisió. El context operatiu tracta sobre qui és el propietari de què, com es relacionen les entitats, quins sistemes de registre de la matèria i quin és l'estat actual. El context de decisió tracta sobre com es van prendre decisions al llarg del temps, incloent-hi els precedents i l'auditabilitat.
Els sobrevectors RAG simples només proporcionen segments de contingut, no estructura operativa ni llinatge de decisions.Podeu recuperar el document de política que diu que els descomptes superiors al 10% requereixen aprovació, però no veieu que, a la pràctica, finances hagi estat aprovant rutinàriament descomptes del 15% per a certs segments quan hi ha una escalada oberta i una interrupció prèvia. Podeu obtenir el document de la llista de comprovació d'incorporació, però no veieu que els millors resultats se saltin els passos 4, 7 i 9 perquè no aporten cap valor.
Els gràfics de context aborden això fent que es pugui cercar precedents.Podeu preguntar "Quan hem vist una situació com aquesta abans?" o "Què ha passat les últimes deu vegades que hem aprovat una excepció d'aquest tipus?" i obtenir traces estructurades, no només documents. Això permet als agents actuar d'una manera coherent tant amb la política com amb la pràctica, o bé marcar on les dues divergeixen i cal atenció humana.
De manera crítica, això fa que la governança passi de ser un simple control a ser un sistema d'aprenentatge.En lloc d'intentar anticipar i bloquejar cada cas límit ex ante, permeteu que els casos límit es produeixin en condicions controlades, els instrumenteu com a traces i, a continuació, refineu les vostres polítiques i l'estructura del graf en funció del que observeu. Amb el temps, el vostre graf de context esdevé una representació compacta de la tolerància al risc i la saviesa operativa de la vostra organització.
Aquí també és on les veus escèptiques són essencialsSi tractes ingènuament el que va passar en el passat com a política, simplement codifiques la inconsistència i el biaix. Les traces de decisions necessiten curació; són matèria primera, no la veritat final. Els SOP curats i els manuals de joc validats continuen sent la base. Els gràfics de context ben dissenyats t'ajuden a identificar excepcions que val la pena convertir en noves polítiques i exposen els llocs on l'organització ignora les seves pròpies normes.
Per què els gràfics de context són difícils de construir al món real
Tot això sona elegant sobre el paper, però la bretxa d'implementació és enorme.La majoria d'organitzacions encara tenen dificultats amb la unificació bàsica de dades: aconseguir que el CRM, el suport, l'anàlisi i les dades de producte s'alineïn. Moltes tot just comencen a experimentar amb agents semiautònoms en dominis estrets com el suport de nivell 1 o la cerca interna de coneixement.
Un problema profund i pràctic és que la majoria de treballs no tenen "moments de decisió" explícits que es puguin registrar fàcilment.L'aprovació d'un descompte és un esdeveniment clar; es pot registrar. Però la variabilitat de 6x en el temps de processament de reclamacions entre dos gestors sovint prové d'eleccions subtils de flux de treball: qui valida què, en quin ordre, utilitzant quines eines, a través de quins canals. Aquestes microdecisions rarament apareixen com a esdeveniments discrets. Viuen a la ruta d'execució: en intercanvis de correus electrònics, fils de Slack, comprovacions de fulls de càlcul i trucades ad hoc.
Les eines tradicionals d'anàlisi i mineria de processos només veuen el que està registrat als sistemes.Et poden dir que una factura va estar "pendent d'aprovació" durant 10 dies, però no poden veure que set d'aquests dies es van passar buscant un PDF perdut, verificant les dades del proveïdor a l'Excel i coordinant una excepció a través de Slack. El context real (el "per què això va trigar 28 dies en lloc de 8") es troba entre sistemes.
És per això que alguns constructors argumenten que els grafs de context s'han de construir des de l'execució cap amunt, no des dels documents cap avall.Necessiteu una infraestructura que es trobi a la ruta d'execució, que resolgui les identitats entre eines (john.smith@company.com = @jsmith = Employee 12345) i que capturi com flueix el treball a través dels canals en temps real. Només així podreu començar a inferir decisions a partir del comportament observat i convertir-ho en traces de decisions fiables.
A més d'això, hi ha el problema de l'adopció d'agents.Moltes de les visions de grafs de context més ambicioses assumeixen que els agents ja estan executant parts substancials dels fluxos de treball i, per tant, generant traces riques i estructurades per disseny. En realitat, els agents encara són a les primeres etapes, estan limitats i estan fortament supervisats a la majoria d'empreses. Demanar a les empreses que construeixin una infraestructura completa de traça de decisions abans de confiar als agents els fluxos de treball bàsics és com demanar-los que construeixin un garatge per a tres cotxes abans de tenir un sol vehicle.
Patrons d'arquitectura i adopció pragmàtica
Malgrat els obstacles, estan sorgint alguns patrons arquitectònics per a les organitzacions que volen avançar en aquesta direcció sense bullir l'oceà.El primer és deixar de pensar en els gràfics de context com un projecte acadèmic de modelització de dades i començar des d'un únic flux de treball d'alt valor on la fiabilitat i l'auditabilitat dels agents siguin innegociables.
Els bons candidats solen compartir tres trets: tenen moltes excepcions, abasten diversos sistemes i una decisió equivocada comporta un risc real. Alguns exemples són els descomptes i les aprovacions de la taula de negociació, les escalades de suport i l'anàlisi de les causes arrel, la incorporació de proveïdors i les excepcions de seguretat, o els casos de recursos humans basats en polítiques com ara permisos i adaptacions. En cadascun d'aquests casos, els agents necessiten tant un context operatiu (qui és el propietari de què, què va canviar i quan) com un context de decisió (com es van gestionar casos similars abans, qui va aprovar les desviacions, què va funcionar).
El punt de partida pràctic és un esquema deliberadament petitPodeu definir entre 8 i 15 tipus d'entitats principals (Client, Producte, Contracte, Política, Tiquet, Incident, Aprovació, Excepció, Propietari) i entre 15 i 25 tipus de relació (governat_per, excepció_a, aprovat_per, referències, impactes, similar_a, substitueix). Feu servir un llenguatge empresarial, no argot acadèmic. L'objectiu és la claredat compartida, no la puresa ontològica.
Tècnicament, ingereixes un grapat de repositoris d'alt valor — sistemes de ticketing, notes de CRM, documents de polítiques, llibres d'execució — extreuen entitats i metadades i emmagatzemen relacions al magatzem de grafs que trieu, mantenint els documents originals adreçables per a la citació. A més a més, instrumenteu el vostre agent o motor de flux de treball de manera que cada acció significativa emeti un rastre estructurat: entrades consultades amb marques de temps i permisos, regles avaluades amb versions, excepcions invocades amb justificació, aprovacions sol·licitades i concedides i accions escrites de nou als sistemes de registre.
A partir d'aquí, utilitzeu els resultats empresarials com a mètriques clau.En comptes de presumir de "tokens desats", feu un seguiment de la qualitat de la desviació i la resolució en el suport, els temps de cicle i les taxes d'excepcions a les taules de negociació i compres, el compliment de polítiques i les conclusions d'auditoria en l'àmbit legal i de seguretat, o les taxes de reelaboració i escalada en les operacions. A mesura que millorin la cobertura del gràfic i la qualitat del rastre, hauríeu de veure una millor gestió de les excepcions, menys escalades humanes innecessàries i resultats més consistents.
Amb el temps, poden entrar en joc capes addicionals com la navegació creuada entre gràfics.Podeu separar els grafs per domini (un per al context operatiu, un per al contingut i un per a les decisions) i permetre que els agents saltin entre ells sense crear un sol graf monstruós i inmanejable. Aquest enfocament de "grafs de grafs" us permet modelar espais problemàtics imbricats (la metàfora d'"un somni dins d'un somni" d'Inception) sense perdre modularitat.
Tot això només funciona si tractes el llinatge de decisions i la procedència com a ciutadans de primera classe.Cada acció d'un agent hauria de venir amb un registre de "mostra la teva feina" que un equip de riscos acceptaria, i cada fet recuperat hauria de ser atribuïble a una font concreta: un document, un registre del sistema o un esdeveniment de rastreig específic. Així és com es converteix la governança de la IA d'un conjunt de reunions de revisió incòmodes en una capacitat estructural integrada a la mateixa arquitectura.
En conjunt, els grafs de context representen una convergència de dècades de recerca en grafs, somnis de la web semàntica, cerca d'esdeveniments i capacitats modernes de LLM.No són una vareta màgica, i l'enrenou sovint passa per alt les mancances molt reals en la qualitat de les dades, la visibilitat de l'execució i l'adopció d'agents. Però a mesura que les empreses superen les demostracions RAG i exigeixen operacions responsables i repetibles basades en la IA, la idea d'una capa de memòria temporal, centrada en la decisió i amb forma de gràfic comença a semblar menys una paraula de moda i més una peça inevitable de la pila, sempre que la construïm sobre polítiques curades, dades d'execució reals i expectatives sòlides en lloc de sobre traces i eslògans en brut sobre oportunitats de bilions de dòlars.
