Temporālā aģenta konveijera pamatā ir vienkārša loģika.
Sadaliet ievadi fragmentos
Sāciet ar dokumentu, piemēram, valdes sēdes stenogrammu vai gada pārskatu. Sadaliet to pārskatāmās daļās, piemēram, runātāju replikās vai rindkopās.
Izgūstiet apgalvojumus
No katra fragmenta izgūstiet skaidrus, patstāvīgus apgalvojumus, piemēram: „Uzņēmums X ir tirgus līderis.”
Norādiet veidu
Fakts (objektīva patiesība)
Viedoklis (subjektīvs)
Prognoze (paredzējums vai aplēse)
Statisks (patiess noteiktā brīdī)
Dinamisks (laika gaitā var mainīties)
Atemporāls (mūžīgs fakts)
Nosakiet laiku
Aģents nosaka, kad apgalvojums kļuva patiess un, ja nepieciešams, kad tas pārstāja būt patiess, proti, kad tas tika atspēkots. Tas attiecas uz apgalvojumā ietvertās informācijas derīguma laiku, kas var atšķirties no apgalvojuma izteikšanas vai publicēšanas brīža.
Pārbaudiet pretrunas (atspēkošana)
Ja jauns apgalvojums ir pretrunā ar iepriekšējo, vecākais ieraksts tiek atzīmēts kā nederīgs un sasaistīts ar jaunāko, nevis atspēkotā informācija tiek pilnībā izņemta no zināšanu bāzes.
Šis process ir gan automatizēts, gan izsekojams, tāpēc vienmēr varat iedziļināties un noskaidrot, kas un kāpēc ir mainījies.
Labā ziņa? Jums nav jāpārveido visa sistēma. Temporālos aģentus bieži var integrēt tieši esošajā RAG vai zināšanu apstrādes konveijera arhitektūrā.
Galvenie komponenti:
Semantiskā dalīšana fragmentos: sadaliet neapstrādāto tekstu jēgpilnās daļās.
Faktu izgūšana ar LVM: izmantojiet LVM, lai identificētu faktus, noteiktu datumus un marķētu notikumu veidus.
Temporālā klasifikācija: izmantojiet LVM, lai temporāli klasificētu apgalvojumus un noteiktu to derīguma laika diapazonus.
Temporālās atspēkošanas loģika: jauni fakti var automātiski atjaunināt vai padarīt nederīgus vecākus faktus — manuāla versiju pārvaldība nav vajadzīga.
Uz trijniekiem balstāta glabāšana: izmantojot zināšanu grafus vai grafu datubāzi, katru faktu glabā šādi: [Subjekts]—[Darbība]—[Objekts] + [Sākuma laiks, beigu laiks].
Ar pareizo risinājumu pat nelielas komandas dažu nedēļu laikā var pāriet no prototipa uz produkciju. Prototipu varat veidot ar lielākiem modeļiem (GPT-4.1), bet pēc stabilitātes sasniegšanas pāriet uz ātrākām versijām (GPT-4.1-mini vai nano). Plašāku tehnisko informāciju skatiet OpenAI pavārgrāmatas materiālā par temporālajiem aģentiem ar zināšanu grafiem.
Tātad temporāli strukturētais zināšanu grafs ir gatavs, un tajā esošajiem datiem varat uzticēties. Kā šo stabilo datu pamatu pārvērst uzņēmējdarbības vērtībā?
Vajadzīgās informācijas izgūšana no lielām zināšanu bāzēm var būt sarežģīta. To var atvieglot daudzpakāpju informācijas izguves aģenti. Šīs sistēmas spēj viedi pārvietoties pa zināšanu bāzi, veicot vairākus savstarpēji saistītus vaicājumus, lai atrastu jūsu vaicājuma atbildēšanai visatbilstošāko informāciju.
Sistēmai mērogojoties, izšķiroša kļūst efektivitātes saglabāšana un veiktspējas optimizēšana. Plānotāju iekļaušana var racionalizēt informācijas izguvi, palīdzot konveijera turpmākajos posmos koncentrēties uz svarīgāko. Uzlabojot centrālajai sistēmai pieejamos meklēšanas un analīzes rīkus, iespējams gūt papildu ieguvumus un apstrādāt sarežģītākus vaicājumus lielos zināšanu grafos, nezaudējot ātrumu vai kvalitāti.
Liela apjoma risinājumos veiktspēju var būtiski uzlabot, paralelizējot pārvietošanos pa grafu, kešojot bieži izmantotos vaicājumu ceļus, kā arī pilnveidojot uzvednes un veicot papildu pielāgošanu.
Temporālo aģentu izstrādātājiem esam publicējuši atvērtā pirmkoda tehnisko ceļvedi OpenAI pavārgrāmatā par temporālajiem aģentiem ar zināšanu grafiem. Tajā aprakstīts viss process no izgūšanas loģikas līdz daudzpakāpju spriestspējai, tostarp:
Pilns kods un konveijera shēmas
Modeļu lietošanas norādījumi un novērtēšanas stratēģijas
Paraugprakse pārejai no prototipa uz mērogojamu produkcijas risinājumu
Temporālie aģenti maina veidu, kā MI izprot jūsu pasauli: nevis kā statisku faktu kopumu, bet gan kā dzīvu un pastāvīgi mainīgu stāstu.
Ja jūsu lēmumi ir atkarīgi ne tikai no tā, kas notika, bet arī kad tas notika, ir pienācis laiks domāt temporāli.
Turklāt jums tas nav jādara vienatnē. Ja vēlaties, lai jūsu sistēmas labāk izprastu kontekstu, būtu gatavas lēmumu pieņemšanai vai vienkārši precīzāk atspoguļotu realitāti, mēs labprāt palīdzēsim.