A temporális ügynökök feldolgozási folyamatának alaplogikája egyszerű.
A bemenet felosztása
Induljon ki egy dokumentumból, például egy igazgatósági ülés jegyzőkönyvéből vagy egy éves jelentésből. Bontsa kezelhető részekre, például felszólalásokra vagy bekezdésekre.
Állítások kinyerése
Minden részből nyerjen ki egyértelmű, önálló állításokat, például: „Az X vállalat piacvezető.”
A típus meghatározása
Tény (objektív igazság)
Vélemény (szubjektív)
Előrejelzés (prognózis vagy becslés)
Statikus (egy adott időpontban igaz)
Dinamikus (idővel változhat)
Időtlen (mindig érvényes tény)
Az időbeliség értelmezése
Az ügynök megállapítja, mikor vált igazzá az állítás, és szükség esetén azt is, hogy mikor szűnt meg igaznak lenni, vagyis mikor vált érvénytelenné. Ez az állításban szereplő információ érvényességi idejére vonatkozik, amely eltérhet az állítás megfogalmazásának vagy közzétételének időpontjától.
Ellentmondások ellenőrzése (érvénytelenítés)
Ha egy új állítás ellentmond egy korábbinak, a rendszer a régebbi bejegyzést lejártként jelöli meg, és összekapcsolja az újabbal, ahelyett hogy teljesen eltávolítaná az érvénytelenné vált információt a tudásbázisból.
Ez a folyamat automatizált és nyomon követhető, így mindig részletesen megvizsgálhatja, mi és miért változott.
A jó hír? Nem kell hozzá az egész rendszerét újraterveznie. A temporális ügynökök gyakran közvetlenül beilleszthetők a meglévő RAG- vagy tudásfeldolgozási architektúrába.
Fő összetevők:
Szemantikai felosztás: a nyers szöveg jelentéssel bíró részekre bontása.
LLM-alapú ténykinyerés: LLM-ek használata a tények azonosítására, a dátumok felismerésére és az eseménytípusok címkézésére.
Időbeli osztályozás: LLM-ek használata az állítások időbeli besorolására és érvényességi időszakuk meghatározására.
Időbeli érvénytelenítési logika: az új tények automatikusan frissíthetik vagy lejárttá tehetik a régieket, kézi verziókezelés nélkül.
Hármasokon alapuló tárolás: tudásgráf vagy gráfalapú adatbázis használatakor minden tény tárolási formája: [Alany]—[Művelet]—[Tárgy] + [Kezdő időpont, Záró időpont].
Megfelelő kialakítással még a kis csapatok is heteken belül eljuthatnak a prototípustól az éles rendszerig. A prototípus elkészítéséhez használhatja a nagyobb modelleket (GPT-4.1), majd a rendszer stabilizálása után áttérhet a gyorsabb változatokra (GPT-4.1-mini vagy nano). A téma részletesebb műszaki bemutatását az OpenAI Tudásgráfokkal működő temporális ügynökök című Cookbook-útmutatója tartalmazza.
Tegyük fel, hogy elkészült az időbeliséget figyelembe vevő tudásgráf, és megbízhat a benne tárolt adatokban. Hogyan alakíthatja ezt a stabil adatalapot üzleti értékké?
Nagy tudásbázisokból nehéz lehet kinyerni a kívánt információt. Ebben többlépéses lekérdező ügynökök segíthetnek. Ezek a rendszerek több, egymással összefüggő lekérdezéssel intelligensen bejárhatják a tudásbázist, hogy megtalálják a kérdés megválaszolásához leginkább releváns információkat.
A rendszer növekedésével egyre fontosabbá válik a hatékonyság fenntartása és a teljesítmény optimalizálása. A tervezőkomponensek egyszerűsíthetik a lekérdezést, és segíthetnek abban, hogy a folyamat későbbi szakaszai a lényeges elemekre összpontosítsanak. A központi rendszer számára elérhető keresési és elemzési eszközök finomhangolása szintén javulást hozhat: gyorsaság- vagy minőségromlás nélkül teszi lehetővé a nagy tudásgráfokon végzett összetettebb lekérdezéseket.
Nagy terhelésű környezetekben a gráfbejárás párhuzamosítása, a gyakori lekérdezési útvonalak gyorsítótárazása, valamint az utasítások további finomítása és a modellek finomhangolása jelentősen növelheti a teljesítményt.
A temporális ügynököket fejlesztők számára nyílt forráskódú, teljes műszaki útmutatót tettünk közzé az OpenAI Cookbook Tudásgráfokkal működő temporális ügynökök című anyagában. Ez a kinyerési logikától a többlépéses érvelésig mindent bemutat, többek között:
Teljes forráskód és folyamatábrák
Útmutatás a modellekhez és értékelési stratégiák
Bevált módszerek a prototípustól az éles rendszerig történő skálázáshoz
A temporális ügynökök átalakítják azt, ahogyan az AI értelmezi a világát: nem statikus tények halmazaként, hanem élő, folyamatosan alakuló történetként.
Ha döntéseiben nemcsak az számít, hogy mi történt, hanem az is, hogy mikor, ideje időbeli összefüggésekben gondolkodni.
És nem kell egyedül megvalósítania. Ha rendszereit kontextusérzékenyebbé, döntéstámogatásra alkalmasabbá vagy egyszerűen a valósághoz jobban igazodóvá szeretné tenni, örömmel segítünk.