В основе конвейера темпорального агента лежит простая логика.
Разбейте входные данные на фрагменты
Возьмите документ — например, стенограмму заседания совета директоров или годовой отчет. Разбейте его на удобные для обработки части, например реплики выступающих или абзацы.
Извлеките утверждения
Из каждого фрагмента выделите ясные, самостоятельные утверждения, например: «Компания X — лидер рынка».
Определите тип
Факт (объективная истина)
Мнение (субъективная оценка)
Предсказание (прогноз или оценка)
Статическое (верно в определенный момент времени)
Динамическое (может меняться со временем)
Вневременное (факт, не зависящий от времени)
Установите временные рамки
Агент определяет, когда утверждение стало истинным и, при необходимости, когда перестало им быть, то есть утратило силу. Речь идет о периоде достоверности содержащейся в утверждении информации, который может не совпадать со временем его создания или публикации.
Проверьте противоречия (утрату актуальности)
Если новое утверждение противоречит старому, прежняя запись помечается как утратившая актуальность и связывается с новой, а не удаляется из базы знаний полностью.
Этот процесс автоматизирован и прозрачен: всегда можно изучить подробности и понять, что изменилось и почему.
Хорошая новость? Вам не придется полностью перестраивать систему. Темпоральных агентов часто можно встроить прямо в существующую архитектуру RAG или конвейера знаний.
Ключевые компоненты:
Семантическое разбиение: разделение исходного текста на смысловые части.
Извлечение фактов с помощью LLM: определение фактов и дат, а также классификация типов событий.
Временная классификация: использование LLM для классификации утверждений по времени и определения периодов их достоверности.
Логика временной актуализации: новые факты могут автоматически обновлять старые или помечать их как утратившие актуальность — без ручного управления версиями.
Хранение в виде триплетов: при использовании графов знаний или графовой базы данных каждый факт хранится в формате [Субъект]—[Действие]—[Объект] + [Время начала, Время окончания].
При правильной настройке даже небольшие команды могут перейти от прототипа к рабочей системе за несколько недель. Для прототипа можно использовать более крупные модели (GPT-4.1), а после стабилизации перейти на более быстрые версии (GPT-4.1-mini или nano). Подробный технический разбор см. в руководстве OpenAI Cookbook по темпоральным агентам с графами знаний.
Итак, у вас есть надежный граф знаний, учитывающий временной контекст, и его данным можно доверять. Как превратить этот надежный фундамент данных в пользу для бизнеса?
Находить нужную информацию в крупных базах знаний бывает непросто. В этом могут помочь агенты многоэтапного поиска. Такие системы способны интеллектуально перемещаться по базе знаний, выполняя цепочку взаимосвязанных запросов, чтобы найти наиболее подходящую информацию для ответа на ваш вопрос.
По мере масштабирования системы особенно важно сохранять эффективность и оптимизировать производительность. Планировщики помогают упростить поиск и сосредоточить последующие этапы конвейера на действительно важной информации. Совершенствование доступных основной системе инструментов поиска и анализа также повышает эффективность, позволяя выполнять более сложные запросы к крупным графам знаний без потери скорости или качества.
В системах с высокой нагрузкой производительность можно существенно повысить за счет параллельного обхода графа, кэширования часто используемых маршрутов запросов, дальнейшей доработки промптов и тонкой настройки.
Для тех, кто создает темпорального агента, мы опубликовали в открытом доступе полное техническое руководство OpenAI Cookbook по темпоральным агентам с графами знаний. В нем рассмотрено все — от логики извлечения до многошаговых рассуждений, включая:
Полный код и схемы конвейеров
Рекомендации по выбору моделей и стратегии оценки
Рекомендации по масштабированию от прототипа до рабочей системы
Темпоральные агенты меняют подход ИИ к пониманию вашего мира: вместо набора статичных фактов он видит живую, постоянно развивающуюся историю.
Если для принятия решений важно не только то, что произошло, но и когда, пора учитывать временной контекст.
И вам не придется создавать такую систему в одиночку. Если вы хотите, чтобы ваши системы лучше учитывали контекст, помогали принимать решения или просто точнее отражали реальность, мы будем рады помочь.