Simple ang pangunahing lohika ng pipeline ng Temporal Agent.
Hatiin ang input
Magsimula sa isang dokumento (gaya ng transcript ng pulong ng board o taunang ulat). Hatiin ito sa mga bahaging madaling pangasiwaan (gaya ng bawat pagkakataong magsalita o mga talata).
Kunin ang mga Pahayag
Mula sa bawat bahagi, kumuha ng malinaw at kumpletong mga pahayag gaya ng: “Nangunguna sa merkado ang Kompanya X.”
Lagyan ng Label ang Uri
Katotohanan (obhetibong totoo)
Opinyon (subhetibo)
Prediksyon (pagtataya o estima)
Static (totoo sa isang partikular na panahon)
Dynamic (maaaring magbago sa paglipas ng panahon)
Atemporal (katotohanang hindi nagbabago sa paglipas ng panahon)
Unawain ang Panahon
Tinutukoy ng agent kung kailan naging totoo ang pahayag at, kung kailangan, kung kailan ito tumigil na maging totoo (ibig sabihin, kung kailan ito napawalang-bisa). Nauugnay ito sa panahon ng bisa ng impormasyon sa pahayag, na maaaring iba sa panahon kung kailan ginawa o inilathala ang pahayag.
Suriin ang mga Kontradiksyon (Pagpapawalang-bisa)
Kung sinasalungat ng bagong pahayag ang luma, mamarkahang paso ang mas lumang entry at iuugnay ito sa bago sa halip na ganap na alisin sa knowledge base ang napawalang-bisang impormasyon.
Awtomatiko at nasusubaybayan ang prosesong ito, kaya maaari mong siyasatin anumang oras kung ano ang nagbago at bakit.
Ang magandang balita? Hindi mo kailangang muling idisenyo ang buong system mo. Madalas na direktang naisasama ang mga Temporal Agent sa kasalukuyan mong arkitektura ng RAG o knowledge pipeline.
Mahahalagang Bahagi:
Semantic Chunking: Hatiin ang raw text sa mga makabuluhang bahagi.
Pagkuha ng Katotohanan Gamit ang LLM: Gumamit ng mga LLM upang tumukoy ng mga katotohanan at petsa, at lagyan ng label ang mga uri ng event.
Temporal na Pag-uuri: Gumamit ng mga LLM upang uriin ayon sa panahon ang mga pahayag at tukuyin ang saklaw ng panahon ng bisa ng mga ito
Lohika ng Temporal na Pagpapawalang-bisa: Maaaring awtomatikong i-update o gawing paso ng mga bagong katotohanan ang mga luma—nang walang manwal na versioning.
Triplet-Based na Storage: Iniimbak ang bawat katotohanan bilang: [Paksa]—[Aksyon]—[Layon] + [Oras ng Simula, Oras ng Pagtatapos] kapag gumagamit ng mga knowledge graph o graph-based na database.
Sa tamang setup, kahit maliliit na team ay makakabuo mula prototype hanggang production sa loob ng ilang linggo. Maaari kang gumawa ng prototype gamit ang mas malalaking modelo (GPT-4.1), saka lumipat sa mas mabibilis na bersyon (GPT-4.1-mini o nano) kapag stable na ito. Para sa mas teknikal at mas malalim na talakayan, tingnan ang OpenAI Cookbook: Mga Temporal Agent na may mga Knowledge Graph.
Kaya, maayos na ang knowledge graph mong may temporal na kamalayan, at mapagkakatiwalaan mo ang data rito. Paano mo magagawang halaga para sa negosyo ang matibay na pundasyong ito ng data?
Maaaring mahirap kunin ang impormasyong kailangan mo mula sa malalaking knowledge base. Makakatulong dito ang mga multi-step retrieval agent. Matalinong nalilibot ng mga system na ito ang knowledge base sa pamamagitan ng maraming magkakaugnay na query upang mahanap ang pinakanauugnay na impormasyon para sagutin ang query mo.
Habang lumalaki ang iyong system, nagiging mahalaga ang pagpapanatili ng kahusayan at pag-optimize ng performance. Makakatulong ang pagsasama ng mga planner upang gawing mas mahusay ang retrieval at maituon ang mga huling yugto ng retrieval pipeline sa mahahalagang bagay. Maaari ring maghatid ng mga pakinabang ang pagpapahusay sa mga tool sa paghahanap at pagsusuri na magagamit ng core system mo. Nagbibigay-daan ito sa mas kumplikadong query sa malalaking knowledge graph nang hindi bumabagal o bumababa ang kalidad.
Para sa mga deployment na may mataas na volume, malaki ang maitutulong sa performance ng sabay-sabay na paglibot sa graph, pag-cache ng madalas gamiting mga query path, at higit pang pagpapahusay sa prompt at fine-tuning.
Para sa mga gumagawa ng Temporal Agent, ginawa naming open source sa aming OpenAI Cookbook ang isang kumpletong teknikal na gabay tungkol sa Mga Temporal Agent na may mga Knowledge Graph. Saklaw nito ang lahat mula sa extraction logic hanggang sa multi-hop na pangangatwiran, kabilang ang:
Kumpletong code at mga blueprint ng pipeline
Gabay sa modelo at mga estratehiya sa pagsusuri
Pinakamahuhusay na kasanayan sa pag-scale mula prototype hanggang production
Binabago ng mga Temporal Agent kung paano nauunawaan ng AI ang iyong mundo—hindi bilang mga static na katotohanan, kundi bilang isang buhay at patuloy na umuunlad na salaysay.
Kapag nakasalalay ang iyong mga desisyon sa kung kailan nangyari ang isang bagay—at hindi lang kung ano iyon—panahon nang mag-isip nang temporal.
At hindi mo kailangang gawin ito nang mag-isa. Kung gusto mong gawing mas may kamalayan sa konteksto, mas handa sa pagdedesisyon, o mas naaayon sa realidad ang iyong mga system—handa kaming tumulong.