Lmst

Как я построил Graph RAG систему с точностью 96.7% за 5 дней: от научных статей до production-ready пайплайна

Я реализовал Graph RAG систему, которая комбинирует 5 техник из свежих научных статей (KET-RAG, HippoRAG 2, VectorCypher) в единый пайплайн с декларативным Datalog reasoning-движком, полной провенансной трассировкой и типизированным API. Результат: 174/180 (96.7%) на билингвальном бенчмарке из 30 вопросов, оценённых в 6 режимах retrieval. Три режима достигли 100%. В статье — архитектура, 10 уроков оптимизации и эволюция от 38% до 96.7% за 10 итераций.

https://habr.com/ru/articles/1003064/

#GraphRAG #RAG #Neo4j #NLP #LLM #Python #Datalog #Knowledge_Graph #embeddings #PageRank

ERP.Next: Архитектура автономных ERP на основе мультиагентного ИИ

ERP-системы непрерывно развивались с самого начала своего создания. Но их архитектура до сих пор опирается на принципы, сформулированные до эпохи повсеместного распространения данных в реальном времени и развития автономного агентного искусственного интеллекта. Соответственно, можно с утверждением говорить, что текущая архитектура ERP-систем не отвечает современным вызовам. В этой статье разберем, почему ей нужен принципиально иной фундамент. Я предлагаю строить его на трех китах: семантический слой данных (USDL), открытая интеграционная среда и продвинутая мультиагентная платформа (AMAP). Далее я подробно представлю архитектуру такой ERP-системы, типы AI-агентов и примеры их работы в реальных бизнес-процессах. Ключевая идея — гибкая автономия под контролем человека. В статье я опираюсь на актуальные разработки и аналитику 2025 года, чтобы показать и возможности, и подводные камни мультиагентных систем в корпоративной ИТ-среде. 1. Вместо введения ERP-системы уже много лет являются центральной нервной системой крупного бизнеса. Они объединяют транзакции, данные и процессы в единый цифровой каркас. Исторически их архитектура заточена под главные задачи эпохи: обеспечить целостность данных, централизованный контроль и стандартизацию. Центральный механизм выполнения рабочих процессов и единая модель данных были главными козырями ERP, которые гарантировали надежную отчетность и соответствие регуляторным требованиям. Но мир изменился. Сегодня компании работают с постоянными потоками данных и телеметрии с IoT-устройств, в сложных цифровых экосистемах, в условиях рынка, где быстрые решения определяют операционные и финансовые результаты. Старая, монолитная архитектура ERP не успевает за новой реальностью.

https://habr.com/ru/companies/mt-integration/articles/992644/

#ERP #AInative_ERP #мультиагентные_системы #Knowledge_Graph #цифровая_трансформация #корпоративная_ИТархитектура #искусственный_интеллект #erpсистемы

Intent Weaving for AI Coding Agents
https://www.autohand.ai/updates/intent-weaving
#ycombinator #intent_weaving #AI_coding_agents #autonomous_execution #strategy_translation #mission_compiler #knowledge_graph #governance #adaptive_planning #benchmarks

Мама, у меня RAG: пути к улучшению, когда он «наивный»

В последние пару лет RAG (retrieval-augmented generation) стал одной из самых обсуждаемых технологий в области обработки текстов и поисковых систем. Его идея проста: объединить поиск (retrieval) и генерацию (generation), чтобы быстрее находить нужную информацию и создавать более точные тексты. Рост объёмов данных и информационного шума привёл к тому, что классические методы поиска и генерации уже не всегда справляются с новыми задачами. Например, большие языковые модели без доступа к актуальной информации могут искажать факты, а традиционные поисковики при запросах на естественном языке дают слишком общий результат. RAG решает эти проблемы, добавляя дополнительный "слой знаний" за счёт внешних баз данных, что особенно полезно для чат-ботов, систем вопрос-ответ, рекомендательных сервисов и многих других приложений. Целью данной статьи является погружение читателя в технологию RAG, а также ознакомление с основными критериями и методами его улучшения. В этой статье мы обсудим, как именно устроен RAG, как правильно оценивать его эффективность и какие существуют техники улучшения – от уже известных методов до совершенно новых решений.

https://habr.com/ru/articles/885770/

#graph_rag #RAG #retrival_augumented_generation #llmмодели #knowledge_graph #graphrag #semantic_search #genai #ии_и_машинное_обучение

[Перевод] Улучшение RAG с помощью графов знаний

Генерация с дополненной выборкой (RAG) — это метод, который соединяет внешние источники данных для улучшения вывода больших языковых моделей (LLM) . Этот метод идеально подходит для LLM для доступа к частным или специфичным для предметной области данным и решения проблем, связанных с галлюцинациями . Поэтому RAG широко используется для поддержки многих приложений GenAI, таких как чат-боты AI и системы рекомендаций . Базовый RAG обычно объединяет векторную базу данных и LLM, где векторная база данных хранит и извлекает контекстную информацию для пользовательских запросов, а LLM генерирует ответы на основе извлеченного контекста. Этот подход хорошо работает во многих случаях, однако он испытывает трудности со сложными задачами, такими как многоадресное рассуждение или ответы на вопросы, требующие соединения разрозненных фрагментов информации. Например, вопрос « Какое имя было дано сыну человека, который победил узурпатора Аллектуса? »

https://habr.com/ru/articles/871700/

#GraphRAG #rag #llm #milvus #knowledge_graph