Transcription
热。热。热。热。嘿。嘿。嘿。我知道你知道你是热。热。N. 得到。告诉我。嘿，嘿，嘿。热。嘿，热。嘿，热。大家好，欢迎。>> 欢迎大家。所以，对于那些在后面最远的人，我希望你们进来填满这些座位。继续你们的谈话。没错。完成你们的谈话。确保，别担心，最后你们会有时间拿到每个人的领英信息。谢谢。谢谢。谢谢。好了，各位。所以，很高兴认识大家。我叫 Nia Mlin。我是 Neo4j 的高级开发者倡导者，我们一起非常激动能参加这次会议，这次上下文图会议。现在，有人以前参加过上下文图会议吗？>> 没有。没错。我们正在旧金山举办首次上下文图会议。哇！喜欢。喜欢。我喜欢。所以今天，各位，你们将听到一些来自上下文图领域最杰出专家的深入研究。那些从事这项工作几代人，不是几代人，而是我说是几十年的人。好吧，但那些从事这项工作很长时间的人，对吧？内容图实际上并不是一个新概念，但我们会深入探讨这一点。所以，首先，我想介绍我们今天的第一位演讲者。他的名字是 Will Lion，他是人工智能创新团队的高级产品经理，他将开始我们关于上下文图的对话。来吧 Will，给他一个掌声。>> 谢谢。麦克风没问题吧？是的，好了。我现在听到了。酷。而且我我没太看到我的幻灯片。如果我们能切换到嗯，到这个家伙，那就太好了。所以，是的，就像 Nia 说的那样，我叫 Will。我是 Neoraj 的产品经理。嗯，我Работаю 在嗯，人工智能创新团队。所以我们花了大量精力来确保 Neoraj 仍然是人工智能用例的最佳图数据库。所以，这正是我团队关注的重点。嗯，你可以在 graph.com/cg meetup/contextgraph meetup 找到幻灯片，或者扫描那里的二维码。所以，关于上下文图有很多很棒的讨论。嗯，这真的嗯，我认为在 Foundation Capital 发布了关于“上下文图是人工智能的万亿美元机会”的帖子后，这又重新浮出水面了。嗯，几年前有一篇非常好的上下文图论文。嗯，你知道，关于上下文图需要什么，挑战嗯，以及围绕它的很多很好的讨论。我认为在所有关于上下文图话题的讨论中，共同点是它都围绕着“缺失的为什么”这个想法。所以，如果我们有一个我不知道，一个代理人，你知道，建议做出信用审批决定，我们需要理解为什么，比如，是什么所有的数据都进入了这个决定，而这不仅仅是关于人工智能代理人，对吧？嗯，从根本上说，上下文图是一个知识图，它包含了做出组织内所有决定的必要信息，对吧？嗯，我们可能会将这些保存在审计日志中，显示你知道，好吧，这是你知道，逐行我们拒绝了这笔交易，但为什么，比如，是什么我不知道的政策的具体部分进入了这个，这可能存储在许多不同的系统中，我们需要将它们组合起来，并在一个嗯，在一个知识图中进行查询。对我来说，这从根本上就是这个上下文图概念的全部意义。嗯，所以让我们来看一个例子，嗯，在金融服务领域。这里有多少人从事金融服务？我只是好奇。一些。好吧，不多。是的。这是，这是旧金山。所以，你知道，这是有道理的。嗯，所以如果我们想到，好吧，我们可能需要一个上下文图的数据模型，用于金融服务领域？嗯，我们会有人，我们会有人在我们的银行有账户。会有交易。这些是嗯，这些是事件，对吧？所以交易是发生了什么。实体，那些人，组织。嗯，这些是，你知道，事物，然后是上下文，为什么。我们将这些建模为，比如，决策、政策，嗯，这些东西。所以，让我们看一个例子。这是，这是在线的。你可以在 versel.app 上运行这个上下文图演示。嗯，我们会看一下。嗯，所以这是一个演示应用程序，我把它放在一起，因为我看到了所有关于上下文图的伟大讨论，这个上下文图那个，你知道，我们可以这样做，我们可以那样做。那将是多么棒啊。我说，是的，好吧，酷，让我们试着拿一些看起来有点真实的东西，看看我们能嗯，能想出什么。所以这是数据模型，嗯，我们有这些数据，它加载在 nearj 中，类似于我刚才展示的幻灯片，但更复杂，对吧？所以我们的决策，它们嗯，应用一项政策，但决策也起到了先例的作用，对吧？所以我们有连接我们决策节点的链接，嗯，我们也有一些额外的信息，比如嗯，警报支持票据，嗯，这类东西，所以只是一个更丰富的数据模型。所以我们可以把它看作是，让我尽可能地放大。所以，把它想象成，我不知道，银行的分析师可能会使用这种工具来回应客户请求，嗯，这类事情。所以，这是一个上下文图代理。所以，我们说，嘿，你知道，我们有一个客户 Jessica Norris 的信用额度请求。她正在申请 25,000 美元的限额。而且我们可以在这里看到，如果我们检查我们代理的详细信息，嗯，我们的代理有很多工具。这些都是我们定义的如何与我们的上下文图交互的工具，当然，它有一个系统提示。你是一个乐于助人的代理，嗯，它对金融服务有很多了解，等等。然后我们有工具调用，对吧？所以工具调用是代理与环境交互并理解环境的方式。而且我们可以看到这个代理所做的所有工具调用，以获取数据，获取它做出这个推荐所需的上下文。嗯，我们以图形方式渲染了所有这些部分，对吧？所以我们可以嗯，我们可以看到这里实现的各种人、决策、政策。我们可以双击并遍历图以获取更多信息，供我们的分析师使用。我们还可以查看导致此结果的决策的因果链，等等。最终，我们从代理那里得到一个推荐。嗯，在这种情况下，推荐是条件批准，并说嘿，你想记录这个决定吗？好的，是的，将其记录在上下文图中，这将更新我们的图，添加另一个决策节点，它将作为先例，等等，以后。嗯，所以再次，你可以随时在线上玩玩。代码是开源的。有一篇博文解释了它是如何工作的。嗯，现在如果我们看看，你知道，这里到底发生了什么？代理是如何嗯，追踪这个决策历史来做出这个推荐的？它如何使用这个上下文图？嗯，它做的第一件事是，它搜索客户，对吧？嗯，然后嗯，通过遍历图来寻找围绕该客户的上下文，并找到哦，好吧，你知道，这个客户有一个以前的欺诈标志。嗯，然后我们可以使用混合搜索，结合向量和图搜索，来找到最相关的先例，并最终做出我们的推荐。这种结合图和向量的混合搜索，顺便说一句，我认为它非常重要，而且非常强大。嗯，Neo Forj 有一个叫做图数据科学的工具，它允许我们运行图算法，比如中心性 PageRank，或者在这里我们谈论图嵌入，在这种情况下是 fast RP 算法，它是一种生成嵌入的方式，不仅仅是基于文本的内容，对吧？所以，如果你熟悉文本嵌入，你知道，也许将它们存储为向量并进行向量相似性研究，对吧？嗯，这有助于我们找到，你知道，在这种情况下，决策和政策，你知道，文本上，比如语义上是相似的。但是结构呢？这就是图嵌入的用武之地。我们可以实际查看账户与它如何与交易、其他账户等交互的结构。我们看到的欺诈模式。这些也可以用来生成嵌入，然后我们可以使用我们熟悉的向量搜索功能来查找最相关的数据，用于我们的上下文。所以，关于上下文图演示中发生的事情，以及一些其他使用的图算法，一些工具，嗯，一些供以后参考的资源。所以，这一切都很好。比如，我们看到了一个很棒的代理聊天。我们看到了它如何帮助我们做出决定和应用政策。比如，那太棒了，但我们如何实际构建一个呢？这是利用上下文图的更大挑战之一，就是如何实际捕获这些推理痕迹。嗯，所以，在 Near Forj，我们构建了一个 NearJ Agent Memory Python 包，它允许你为你的代理添加基于图的代理内存，而且我们几乎与任何代理框架都有集成。但我想谈谈我们如何看待内存和上下文图之间的关系。所以，near agent memory 嗯，这是一个开源的 Python 包，嗯，你可以安装并利用，再次，许多不同的框架集成。我们会谈谈实体提取，因为我认为这是代理内存包的一个重要部分。所以，我们正在处理的内存类型有三种高级抽象，我认为上下文图都需要它们。对吧？所以，回到这张幻灯片，比如，上下文图需要短期记忆、长期记忆和这种推理或决策痕迹，对吧？比如，决策痕迹和审计，好吧，那很明显为什么我们需要它。也许不那么明显为什么我们需要短期和长期记忆。所以，短期记忆，这是，你知道，对话，会话状态，比如，工作记忆。把它想象成这样。嗯，当我们使用 NEFJ Agent Memory 包并保存消息时，这会启动一个后台实体提取作业，这就像将我们从短期记忆转移到长期记忆。嗯，所以我们正在寻找所有的实体，所有实体之间的连接，事实。嗯，我们从非结构化消息数据中提取这些，并将其加载到图中。现在，有许多其他代理内存系统具有这种实体提取的概念来构建图。嗯，我意识到或者我们意识到在构建这个的时候，一件非常重要的事情是，不仅仅是使用基于 LLM 的实体提取。嗯，将每条消息发送给 LLM 并说“嘿，实体是什么？它们是如何连接的？”这非常非常慢，而且成本非常高。嗯，所以我们有一个这个管道方法，我们嗯，开始使用一些嗯，你知道，更嗯，概率统计方法，比如命名实体识别，你知道，像 spacey Python 包中可用的那些，如果你熟悉它。然后我们使用像 gliner 2 这样的东西，这是一个本地模型，嗯，这是一个相当小的模型，我们可以在 CPU 上运行，专门为提取进行了微调，嗯，以及实体提取和关系提取，这非常好。然后我们只需要回退到 LLM。嗯，这内置于这个包中。我认为这对于处理你知道的大量对话非常重要。所以，我们谈到了这个实体提取过程。嗯，在提取中很重要的一点是，除了不只是依赖 LLM 来完成提取，以降低成本和提高效率，我们用于归纳的数据模型也非常重要。我们保存到图中的内存与我们的领域相关非常重要。对吧？比如，如果我们从事金融服务，我们应该确保我们保存的是金融服务相关的数据，而不是嗯，你知道，不相关的东西，比如我不知道某人的孩子去度假了，或者我不知道里面有什么可能不相关的东西，对吧？所以，默认情况下，我们使用这个 poll 人员组织地点事件加上对象。嗯，所以，poll 加 O 模型。嗯，如果你熟悉 poll，它经常用于嗯，比如犯罪调查和这类事情。嗯，所以这只是我们使用的默认模型。所以，你有能力应用你自己的领域模型。嗯，这些就是被提取出来的，就像这样。我认为这对于代理内存也非常重要。嗯，这里的第三部分是推理内存抽象。我认为推理内存是构建上下文图的最重要部分之一。而且我认为这是我们在许多现有的 AI 代理内存框架中支持不足的部分。当我们谈论推理内存时，这可能是你会听到程序性内存这个词，这也是一个被使用的术语。嗯，所以你可以把它想象成程序性内存，但多了一点东西。所以，这记录了我们进行的工具调用痕迹。嗯，这些推理决策也被存储在图中。对吧？所以，短期、长期、推理内存。这些是我们 New York Agent Memory 中可用的 API，不仅用于构建你的上下文图，还用于搜索它，找到最相关的上下文，将其组装起来，供你的代理使用。所以，当你将所有这些结合在一起时，短期、长期、推理、内存，这是一个连接的图，对吧？所以，短期记忆是对话，从这些对话中提取的实体，然后是推理痕迹，工具调用，推理步骤，它们与检索到的消息和实体相关联。对吧？所以，现在我们在一个图系统中拥有了我们的内存，我们可以跨所有这些系统的数据进行查询。嗯，这是它看起来的样子。只是一个点击三种不同类型的例子，对吧？存储短期对话，搜索长期记忆，然后记录推理痕迹。所以，这里还有另一个我将快速提及的例子。所以，这是，这是我们构建的另一个演示应用程序。它是在线的。嗯，代码是开源的。有多少人熟悉 Lenny 的播客？它是一个流行的科技产品播客。嗯，所以我们从 Lenny 的播客中提取了文字记录，通过 Neo Forj Agent Memory 运行，就像一个代理对话一样，并从中构建了一个上下文图。嗯，所以我们可以做一些事情，比如问，你知道，提到的所有地点是什么？所以，在 Brian Chesky 的那一集里，Brian Chesky 是 Airbnb 的联合创始人，所以我们可以嗯，你知道，我们自动地理编码，然后丰富提取的地点，对吧？所以，提到了 Bolinus。我不知道 Brian Chesky 在那里拥有房产。我不知道为什么我没听那一集。但是它被维基百科的数据丰富了，对吧？嗯，罗德岛设计学院，Brian Chesky 在那里上过学，对吧？所以，嗯，我猜我猜我只是想指出的是，你知道，图中有其他类型的信息，我们提取的不仅仅是文本数据，对吧？比如，这里我们处理地理空间数据，以及这种丰富性的概念，我认为也非常重要。嗯，酷，所以，我可能会跳过更多例子，来谈谈，嗯，只是关于 Line's Memory 示例的架构。嗯，你知道，我们通过实体提取到上下文图构建，然后我们能够创建能够与上下文图交互的代理。嗯，有一件事可能很有趣，让我们看一下。嗯，所以这个 Line's Memory 应用程序。所以，这是公开运行的，你可以看到，你知道，所有人们之前问过的所有问题。这就是人们在外面公开问的问题，对吧？嗯，我们记录并写回图表，记录每个人的互动推理记忆。所以我把它运行在 Nefrj Aura 中。这是 Nej 的云服务。所以，如果我去，我认为是这个。嗯，如果我们打开 Nefrj 浏览器。所以，这是 Neo Forj 的查询工作台。所以，我们可以看到这里，我们可以看到提取的实体，嗯，在这一集里，然后通过这种方式查询。但我想看，让我们看看我们记录的推理痕迹。所以，这里有一个推理痕迹，有两个步骤。所以，每一步都是一个工具调用，我们正在记录，你知道，工具调用的结果。我们正在记录，比如使用的令牌数量，响应等等。嗯，这成为了推理记忆的基础，以及理解我们的代理所采取的痕迹。酷。所以，总之，这是在图中的样子。我们一直在嗯，与许多不同的代理框架进行集成。嗯，这是我们与许多云供应商集成的样子，他们有代理框架，我们已经集成了 Nefrj Agent Memory 包，嗯，你知道，这些代理框架就像 Google ADK，ads strands，Microsoft Agent Framework，它们都有自己的内存抽象。嗯，所以，我们把它们连接到 Nefrj Agent Memory，然后我们为这些包发布一个特定的集成，并确保我们支持它们的模型，以及在 Vert.ex 上运行，如果我们看 ADK，或者 Bedrock，如果我们谈论 AWS。嗯，还有一些其他功能，在一些版本中，比如 MCP Open Telemetry 支持，也支持 OPIC，如果有人在使用的话。嗯，另一个有趣的演示应用程序。我只是想把它留作一个资源。有一个这个金融服务演示的代理群版本。所以，如果你想看看拥有许多不同个性的代理是什么样子，也许有一个反洗钱代理，一个合规代理，一个客户服务代理，它们都有一个共享的内存层。所以，我认为看到如果给我们，你知道，不仅仅是一个代理，而是跨嗯，你知道，我们所有的代理都在为共享的 NEFJ Agent Memory 层做出贡献并从中理解，获取上下文，这非常有趣。嗯，所以那个非常有趣，如果你想看看的话。只是一个资源链接。有多少人注册了四月的 Nodes AI？好吧，那，那是 10% 的人。这远远不够。每个人都需要立即扫描二维码注册。节点 AI。所以，所以 Nodes 是 nearj 的在线会议，NearJ 在线开发者教育峰会。嗯，我们在秋季这样做，但我们刚刚开始了一个 AI 版本。所以，这真的很有趣。嗯，我们也会在会议之前举办研讨会。所以，一定要注册 Nodes AI。我们将就上下文图发表许多演讲，嗯，你知道，社区中的许多人也会分享他们正在做什么。嗯，酷。所以，这就是我所拥有的全部。嗯，你可以通过二维码或那个链接获取幻灯片。我们将把问题留到最后。嗯，所有演讲者加上 Emil，他就在观众席的某个地方，将在最后加入我们进行小组讨论。所以，我们将把问题留到最后。所以，对我来说就到这里了。非常感谢。谢谢。非常非常感谢 Will。嗯，好的，各位。所以，接下来，我们有一位非常特别的嘉宾，Jessica Talisman 女士。对于那些不知道的人，有没有人听说过这位令人难以置信的人？我看到了很多。好吧，我看到举手了。我看到举手了。是的。所以，对于那些不知道这位杰出的、杰出的建筑师的人。所以，Jessica Talisman 是一位信息架构师。好吧。一位信息架构师，一位语义策略师，一位系统、意义和人类理解的终身学习者。在过去的 25 年里，她一直在知识框架、数字基础设施的交叉领域工作，帮助大型组织和文化机构构建信息系统，以支持清晰性、互操作性和长期价值。所以，我们非常激动，非常激动，非常激动地邀请 Jessica Talison 女士今天加入我们，就上下文图和上下文进行对话，特别是知识。所以，在我们开始之前，因为我看到这里的东西还在发展，我想让你们所有人做的是，哦，我们实际上已经准备好开始了。好吧，所以下次我会有一些社交问题给你们。好吧。所以，让我们给 Jessica 一个掌声，各位。谢谢。非常感谢。嗯，这真是一场旋风。在不到两个月的时间里，我们突然有了上下文图。嗯，所以，碰巧在上下文图文章发表前大约三个月，我一直在做研究，并写了一篇关于流程知识管理的论文。不确定你们有多少人听说过。嗯，它是流程知识和程序性知识，本质上就是上下文图。所以，我会有点开玩笑，因为当我们说上下文图时，就像说湿水一样。嗯，因为这是图的好处，但我一直在语义领域工作了大约 25 年，特别是与知识图打交道。我是一名图书管理员，受过信息学训练，也从事教学工作。我大部分时间都在企业工作了 25 年，但我也幸运地在 glam 文化机构工作过一段时间，我认为这是一个很好的平衡。所以，让我们开始吧。嗯，在 2025 年 12 月，Foundation Capital 发表了一篇观点文章，请注意，是一篇博客，它在企业软件界引起了涟漪，仅标题就起到了作用。上下文图，人工智能的万亿美元机会。嗯，这个论点很清晰，很诱人，即在人工智能时代，企业最有价值的资产。嗯，这是万亿美元，而且仍然是万亿美元的机会。所以，这个论点很清晰。它非常诱人。像 Salesforce、Workday 和 SAP 这样的企业系统花费了数十年时间记录发生了什么。所以，决策痕迹并不新鲜。有趣的一点是，它改变了轨迹，至少从我的角度来看，当我开始研究这篇博文时，没有概念验证。没有解释这是如何完成的。没有演示，这对整个技术行业来说是一个绝佳的机会，可以尽情享受，尽情玩乐，开始创新，开始决定这意味着什么以及它应该如何在系统中体现。这句话，“在人工智能时代，企业最有价值的资产”，为创造力和新产品的出现留下了很大的空间。所以，他们点出了问题，这是我们许多人一直面临的问题，我同意这个问题。紧迫性是存在的，我想挑战的是解决方案，因为 Foundation Capital 使用的框架带有一个隐藏的假设，如果这个假设不被挑战，它将导致每个上下文图的倡议都失败，原因与大多数人工智能倡议失败的原因完全相同。那就是，我只是想告诉你，这是一个知识管理问题。它不能孤立存在。这是一个知识管理问题。隐藏的假设存在于一句话中，让我仔细读给你听。“障碍不是缺少数据，而是缺少决策痕迹。”这句话听起来像一个解决方案，我们大多数人都将其视为解决方案，即决策痕迹是解决方案。但实际上，这是一种误导，因为决策痕迹不是数据。决策痕迹是知识或知识的一部分。正如我们在 Will 的演示中刚刚看到的，他不得不将决策痕迹与其它上下文、其它意义、系统内的实际知识联系起来。我认为这展示得非常出色，它无法独立存在。捕获知识不是一个工程问题，你通过仪器化编排层来解决它。这是一个知识管理问题，需要完全不同的方法、学科和基础设施。我将向你展示上下文图理论的正确之处以及它出错之处，以及实际的基础应该是什么样的。借鉴流程知识管理系列和我一直在进行的本体论工作。所以，稻草人，我们将把它弄清楚，以充分理解这个论点。这个论点有一些正确之处。嗯，是的，当前状态系统保留了结果，而不是推理。而且我认为 Will 也刚刚展示了你无法重放决策时的世界状态。我们可以同意数据仓库在读取路径中。我们可以同意代理人具有结构优势，因为代理人处于编排路径中。我们可以同意。我正在挑战的说法是，这不是一个数据问题。这不是一个数据问题，也不是一个编排问题。这是一个知识管理问题。这在我与 sephreil 集团合作进行程序性和流程知识管理工作时得到了体现。必须有人定义什么是决策。必须有人对实体、关系、角色、例外策略和条件进行建模，这些赋予了决策意义。那不是数据库。这是一个知识模型。这就是为什么我们称之为知识图。我想直接向你们提出的主张是，Foundation Capital 说这不是一个数据问题。我说这不是一个数据问题，也不是一个编排问题。我向在座的各位提出的问题是，这是一个知识管理问题。上下文不等同于数据。上下文是从关系中派生的意义。所以，当一位副总裁，我认为是在文章中，当一位副总裁批准了超出政策 10% 的 20% 折扣时，是什么让这个决定可以理解？嗯，显然你需要围绕这个决定，使这个东西成为事实的周围事实。这就是我们在本体论和知识图中所看到的。所以，我们不仅仅是通过捕获一个已记录的事件或记录一个事件来获得这个。它是通过先前以结构化的方式定义了存在哪些客户层级，哪些政策管辖折扣，存在哪些角色和审批层级，有哪些可能的结局，以及例外情况如何与先例相关联来捕获的。所以，我不确定有多少人听说过 Palani 的悖论，即我们知道的比我们能说的多。我希望这个麦克风是便携的，伙计们。我正试图离开它，但我不会。嗯，那种默会知识，关于默会知识的事情是，它存在于人们的脑海中。我开玩笑说，如果我们想捕获默会知识，我们就必须雇用 neurolink，因为一旦知识被记录下来，它就不再是默会的了。这只是一个社会条件。关于知识管理，知识管理也是一个非常社会化的过程，而且不可避免地涉及人类。所以，如果我们想让决策痕迹可查询，如果我们想让先例可搜索，我们需要做三件事，而 Foundation Capital 的框架没有考虑到。所以，它被称为知识获取，即默会知识的获取，哦，谢谢。嗯，嗯，那是默会知识的获取，它决定了一个决策，甚至是什么是一个决策。谢谢。以及是什么让它有意义。所以，想法是组织和编码这些知识，使其有意义，以创建事物之间的关系和连接。所以，我们需要将它们编码成计算系统可以推理的正式表示。所以，有趣的是，当我们看上下文时，很多上下文，再次，我们在 Will 的演示中看到了这一点，上下文和意义是从事物之间的关系中派生的。这就是本质。这是负空间，节点之间的空间，事物如何连接以及那些决策的想法。所以，我们看到的那种事件日志，没有结构的可以放入数据列中的事实。当我们看知识时，我们正在对带有关系的事实进行建模，并且我们应用了正式的定义。当我们进入上下文时，我们正在从随时间的关系中推导出意义。那就是上下文发挥作用的地方。所以，当我们看如何构建流程和程序性知识以获得上下文时，在我的系列中，我的流程知识管理系列，我将其分为三个层次。一个是战略性的。所以，在知识管理中，在知识的获取和记录中，有一个实际的行为，我们质疑为什么这个流程存在？它创造了什么价值？因为我们必须定义我们正在建模的内容。这只是实际的。这是务实的。第二个是战术性的。我们关注瓶颈、资源分配、异常处理和优化。所以，那是战术层面。第三个层次是操作性的，这是 Foundation Capital 论文的大部分焦点，也是我看到的许多上下文图的大部分焦点，那就是操作性部分。它是顶层。所以，再次，我们跳到了最终结果，而不是做必要的功来实际将其编码为知识，以便我们能够构建有弹性的系统。所以，上下文图的实际方面是，如果你不理解，你就无法查询。你无法查询你没有正式表示的东西，你也无法跨系统查询，尤其是在有多个工作流程的情况下。这不是一个万能的解决方案。这是事实。我们以前经历过。这就像《土拨鼠之日》，我们以前经历过其他系统，现在我们又和人工智能系统一起，希望我们能神奇地呈现知识，人工智能系统的帮助。嗯，幸运或不幸的是，这涉及到人类的参与。所以，我有点匆忙地讲完，以便我们能节省时间，但知识基础设施看起来是怎样的？这对我与 sephreil 集团和程序性知识的研究来说非常有趣。这是一个为期三年的项目，他们实际上有白皮书和同行评审论文，并且正式来说，这些东西不被称为上下文图。Will 提到的论文是一个知识图，但它不是我们现在所知的传统意义上的上下文图，即记录决策痕迹。传统上，在知识管理中，上下文图实际上被称为程序性知识，但这听起来不像营销那么性感。所以，我们将使用上下文图。所以，在程序性知识中，你正在记录程序。这是 PKO 的一个表示，这是一个程序性知识本体。大多数人对本体这个词过敏。你可以将类似的东西转换成模式，如果你正在处理关系数据库。两者皆可。最重要的是，你有一个方法来实际记录知识的不同阶段和过程。所以，我们知道，这是程序性知识中最有趣的事情，有一个之前和之后。所以，在记录事物之前，我们谈论的默会知识被称为流程知识。一旦被记录下来，不再是默会的，它就变成了程序性知识。流程知识变成程序性知识。这样做，当你知识化时，当你组织原材料时，当你从人们的头脑中收集或获取原始的默会知识时，记住我们是从人们的头脑中提取的，一旦它被记录下来，被编码和组织起来，它就变成了本体论中的编码层，那时我们就有了证明点，即程序性知识本体，它能够捕获工作流程中的每一个步骤，从执行痕迹到决策痕迹。从他们的研究中得出的一个重要结论是，这是他们的同行评审研究和论文。他们对西门子在其电网中的一个大型研究，并且能够记录跨一个非常复杂的电网系统，跨越他们的工厂，精确到毫秒，确定何时一个系统需要从一个电网切换到另一个电网。这是结果之一。另一个是与欧盟的 Belco 有关，涉及锁定挂牌，这碰巧是我最喜欢的研究和论文之一，因为当你将程序性知识和上下文图带入真实的物理世界时，当人们的生命处于危险之中时，故事就会改变，你实际上拥有了带有 AI 辅助的程序和流程。顺便说一句，PKO 研究中的所有东西都来自真实的工业经验和系统。所以，当实际人类的生命和福祉处于危险之中时，你真的看到了像这样的系统程序性知识的影响。所以，通过研究，Beco Fager Seaman's 和欧盟为其内部系统所发现的是，他们 70% 的数据分析，这专门是与博世合作的，与他们的知识图和程序性知识合作，他们能够每年节省约 20 万欧元。这仅仅是通过记录这些工作流程，但关键不仅仅是创建我们称之为决策痕迹或程序性知识或上下文图或那个简单的原因、什么和为什么做出这些决定的数据流。而是实际拥有这些知识并将其正式地编码和表示在系统中，以便可以随时调用、扩展和维护。所以，当我们看如何为这种类型的系统奠定基础，上下文图的概念，如何将其带入现实世界并实际实现可靠的东西时，我建议的一件事，也许这就是我在这里的原因，是实际看看先前的艺术，看看已经完成的研究，认识到这是一个已建立的研究、研究和实践领域，这个想法，这个概念并非凭空出现。我们正在人工智能时代失去它，我们正在失去引文。我们正在失去先前的艺术。我们没有站在巨人的肩膀上。也许这是上下文图最大的机会之一，就是能够借鉴多年来存在的专业知识，多年来存在的研究。所以，我认为个人认为组织需要做四件事。第一是承认这是一个知识管理问题，因为如果不认识到这是一个知识管理问题，那么我们只会收集数据流，然后寄希望于最好的结果。所以，需要管理我们自己的知识。我觉得这是我们一直回避的房间里的大象。管理知识是艰苦的工作，要保持你的文档标记，能够组织事物，标记事物，描述事物，定义事物。接下来是建立，投资于获取基础设施。所以，我们谈论了很多想自动化一切，并且我们某种程度上会从系统中显现知识，但实际上有一个人类因素。所以，其中一部分是让人们参与到过程中，并记录这些知识。所以，这是第二部分，我的论文中有关于如何做到这一点的方法，而且它可以是半自动化的。第三是先于持久层构建知识模型，这一点至关重要。所以，你定义你的领域中的决策是什么。你对实体、角色、条件、政策进行建模，这成为你的本体论或知识表示的一部分。所以，不要本末倒置。第四是设计知识捕获作为主要目标。所以，像构建提示库这样的东西。我看到很多人没有这样做。中央注册表，正式表示。你让整个 AI 主张围绕流程、程序和知识，而不仅仅是决策痕迹、执行痕迹。你把它接地。用事实来接地。我问的另一件事是，是的，这个框架非常简单。它非常简单，而且非常诱人，但当我们真正投入工作时，我认为我们将通过后续的演示看到这一点，还有很多工作要做。所以，当我们看程序性知识实际包含什么时，获取、定义、构建、吸引人类，并认识到上下文不是技术问题，而是知识问题，这就是为什么它们被称为知识图，再次，它是知识，它是知识管理。所以，我将用这个结束，这是，我，你知道，我放纵地包含了我的论文中的一句我自己的话，我的一篇论文中的话，即你无法管理你不理解的东西，你也无法理解你没有费心去记录的东西。这通常被认为是枯燥的东西。我认为这是最令人兴奋的东西，因为它让你深入了解你的业务。这是你真正理解你正在构建的东西的方式，也是你如何从你构建的系统以及你呈现给 AI 的系统中获得价值的方式。所以，在我看来，它一点也不枯燥。就这样。谢谢。>> 谢谢。非常非常非常非常感谢 Jessica。这太棒了，我们非常感激能够就上下文图进行一次诚实的对话。所以，接下来各位，我们想确保你们所有人都，我们有这个演讲，然后还有一个演讲，然后我们将有一个非常特别的小组讨论，在这次对话结束时，我们将有一位特别嘉宾加入我们的小组讨论。所以，你肯定会想留下来。但与此同时，我想介绍我们的下一位演讲者，>> 他是 Dave Bennett。Dave Bennett 是 Indite 的高级解决方案工程师。有人听说过 Indieite 吗？好吧，有几个人举手了。喜欢看到它。喜欢看到它。太棒了。好的。所以，Dave 本人实际上是身份管理方面的专家，他专注于身份管理项目的各个方面，从产品选择到实施。所以，他今天将就上下文图作为代理企业控制平面进行演示。所以，他将深入探讨上下文图如何利用 AI 作为丰富的上下文和嵌入式控制，这需要实时治理每一个动作，确保精确性、可追溯性和大规模的运营信任。所以，我们即将开始。Dave 将加入我们。与此同时，在他开始之前，他通常会抢在我前面，就像他一直做的那样。但我们将开始。各位，为 Dave 鼓掌。哇。好了，Jessica 不想要麦克风，但我被固定在桌子上了。所以，谢谢大家光临。嗯，我叫 Dave Bennett。我是 Indie Kite 的解决方案工程师。嗯，我将向你们介绍上下文图作为代理企业控制平面。嗯，所以今晚我将做的是，我将快速浏览几个幻灯片，然后跳到一个参考架构，然后展示一个小演示。所以，我们开始吧。嗯，所以，在 Indite，我们相信上下文图是组织多代理系统的绝佳方式。所以，我们认为将代理智能与代理治理分离很重要。所以，分离允许企业在不重建治理的情况下更改层级。新的代理可以被引入而不会分散数据访问和策略。随着堆栈的演进，架构仍然足够灵活，可以随之演进。仅仅拥有数据是不够的。现在我们需要将其投入运营。我认为这有点像我们与 Jessica 和 Will 的演示所走向的方向。嗯，但是为了以最少的摩擦力部署人工智能，我们需要提高我们的控制层。传统的知识图将事实编码为三元组。你知道，员工 A 在部门 B 工作。嗯，但上下文图增加了来源和时间有效性。此外，正如你所见，决策可以在图中具体化，使其易于查询。这就是图的本质，也是为什么决策痕迹在图中如此有意义。你可以追溯许多决策的血统。嗯，上下文图是一个动态控制平面。我们正从静态权限转向动态的、意图感知的治理。上下文图使我们能够解释为什么或如何发生某事，或者某事发生的顺序。嗯，如果代理没有固定的角色，它们会执行因用户意图、数据敏感性、环境、信任信号而异的任务。在 indicite 的知识库访问控制中，我们在运行时评估所有这些因素，而不仅仅是静态的 RO 标签。所以，在 indicite，我们将上下文图视为代理企业的控制平面，而不是锦上添花。没有它，安全部署是不可能的。代理需要有根据的、可追溯的决策来处理复杂性。我们正在弥合将信任直接嵌入图中的差距，实时授权、来源、身份验证、细粒度访问控制。好的，所以我们今天看到的世界是碎片化的。嗯，你知道，没有明确的代理存在视图。这是我所说的企业世界。这些人是我每天都交谈的人。嗯，他们说，“好吧，我们想做所有这些事情，我们有一些代理，我们正在试验，我们将在几年内拥有数百万个不同的路线，穿过我们成千上万的代理。我们如何开始管理它？”所以，你知道，我们正在努力管理代理工作流。嗯，所以有人，这些东西分散了。没有人知道谁拥有它们或谁在使用它们。身份和数据访问策略没有在企业中的代理、工具和平台之间强制执行或统一执行。我们难以强制执行最小特权，这些是我们最近在身份领域认为理所当然的事情。嗯，这些东西现在有点被忽视了，因为每个人都在以超快的速度向前冲，试图实现所谓的全新见解和收益，以及各种效率。它们缺乏人工监督和适当的委托。嗯，内部工具和外部 MCP 服务器的爆炸式增长造成了混乱，你知道，我们面临很多意外的数据暴露风险。好的，我们想从治理数据转向将良好治理的数据付诸行动。所以，我们想给代理人身份。代理人在图中具体化。所有权通过相邻的图对象来维护。最终，我们现在拥有了一个代理、技能和工具的目录。我们想妥善管理委托的权限。我们正在使用 OOTH 令牌交换规范来使用它进行委托。现在，在我的演示中，我将要展示的，我们正在使用 curity 作为第三方 IDP，但 curity 支持这种委托令牌交换，你将在稍后看到它是如何工作的。嗯，代理在我们的世界中没有固定权限，而是从呼叫的人或其他呼叫的代理那里获取其上下文。我们始终有一个完整的呼叫链，从第一个用户到最后一个代理，贯穿始终，我们想要动态的策略执行，代理工作流和呼叫用户上下文。好的，那信息量很大。我们开始吧。参考架构。这是我认为可能对大家更好的部分。但这是我正在获取的地方。
在。所以如果你看这里右下角，这有点像我正在描述的事情。嗯，我们在左下角有一系列企业系统，比如 Workday、SharePoint、Salesforce，这些是存在于，你知道，每个企业中的东西，但所有这些。如果你再看看，我们回到 Foundation Capital 的故事，但我认为 Foundation Capital 的故事之所以引起这么多人的共鸣，是因为它非常真实。嗯，我们现在正试图做一些事情，而且，你知道，数据就在那里，但它都集中在一个地方，它不是知识。我们相信，通过我们的捕获 API，将来自不同系统的零散数据引入 indicite 控制平面，我们就可以汇集来自不同系统的不同信息片段，并为理解企业构建一个重要的，你知道，上下文。很好。
所以，然后在这里右下角，你会看到我有一个外部引用之类的东西。indie kite 控制平面，你知道，我们不必真的把所有数据都具体化到图中。有时，数据最好是留在图之外。它是时间性的或遥测数据，可能需要在某个时间点访问，而不是一直访问。我们不需要用所有这些信息来填充我们的图。所以我们可以调用各种 API，从不同地方获取我们所需的信息。在这里，我将获取一些股票报价，这只是我有一个小例子。
所以如果我移到这里左边，我们有一个人类，然后我们有一个，你知道，一个代理网关，一个编排器代理，另一个网关和另一个检索器。所以这三样东西基本上是我们的用户将尝试从它们那里获取东西，但我们将使用 indicite 代理网关来确保是正确的用户在正确的工作流中调用正确的东西。
所以，当用户发起调用时，他们会以自己的身份进行身份验证，他们有自己的令牌。所以我们再次通过这里的 IDP 获取这个。嗯，IDP 已经为我们的用户，我们的人类用户颁发了一个标准的 OAUTH 令牌，然后他们想要在聊天机器人中输入一些东西，填写一个提示并获得一些响应。
所以这些信息然后流向 indicite 代理网关，indicite 代理网关会说：“好的，酷，这是，你知道，乔想要一些东西，我知道代理一，我知道他们的令牌和身份，我将拿这两个令牌，并将它们交给我的 IDP。”然后，在我们的例子中，这又将是 Curity，嗯，它又是任何将要连接到任何第三方 IDP 的人，该 IDP 将符合 OAUTH 标准并支持令牌交换流程。
嗯，总之，这两个令牌都进入 IDP，它会说：“好的，现在我将授予并铸造一个新令牌，其中调用者是该令牌的主体，而代理现在是该令牌的执行者。”
所以，执行者将代表调用者行事。所以现在代理网关有了这个链条，这个委托链被嵌入到令牌中，它会说：“好的，现在我知道，你知道，乔调用了代理一。”这是一个有效的工作流吗？所以它会回调到 indicite 控制平面，确保这是一个有效的工作流，如果它是一个有效的工作流，那么它会去实际查看乔是否真的被允许调用该工作流。如果乔被允许调用该工作流，它会说：“好的，我的工作到此为止了。”我将让这个请求通过到代理一。
代理一会说：“好的，嗯，这实际上是一个检索请求。”我知道我需要把这个发送给代理二。所以整个过程再次重复，但这次的调用令牌是新的增强令牌，它包含原始用户的主体和作为代理一的执行者。
所以现在代理一代表主体行事。我们调用代理二。代理二会说：“好的，酷。”嗯，或者我应该说代理二网关会说：“哦，我收到了另一个请求。我知道我代表代理二。我将把这个新令牌和我的代理二令牌发送给 IDP。”它将去令牌交换，把它们带回来。indicite 网关会去说：“好的，乔到代理一到代理二是我知道的有效工作流吗？”哦，是的，它是。好的。乔真的被允许调用那个工作流吗？好的，完美。我将让那个提示继续。现在，那个提示已经发送给代理二检索器，它会说：“好的，现在我将对我的 MCP 服务器进行一些检索。”
所以，它会，你知道，列出它的查询或进行授权调用。在我们的例子中，它可能会执行我们所说的 CIQ 调用或上下文 IQ 查询，并向实际的控制平面本身查询一些东西。它将在令牌的上下文中执行此操作。所以在该令牌中，我们有所有执行者。我们有代理二、代理一和原始主体。所以我们可以提供一个完整的调用上下文。所以即使乔可能在，你知道，这个交易的小片段中拥有对各种事物的访问权限，乔加上代理二加上代理一也只有这么多访问权限。所以我们可以立即，通过图中正确的信息并了解调用代理是谁，我们可以缩小代理实际能够做的事情的范围。
那可真不少。嗯，总之，我想快点讲完，但现在我将直接进入一个小演示，看看我是否能让它实际运行。所以等一下。我必须到这里来最小化它。好的，一件事完成了。好的，可以把这个挤到这边。好的，我们开始。好的，所以这里我们有这张图片，它基本上代表了我在笔记本电脑上运行的东西以及其他一些东西。但嗯，本质上，嗯，代理一将是一个编排器代理。代理二将是检索器。嗯，这就像一个 indie kite 小聊天机器人。所以我们构建了这些东西来展示网关和 MCP 服务器。嗯，我们开始。我现在要，嗯，银行，实际上你知道吗，我忘了一件我想给你看的东西。啊，你知道吗，我们之后再做。不过基本上，嗯，基本上我有几个虚构的用户。一个是，一个是，嗯，丽贝卡，她是 Canbank 公司的一个客户。大家都听得到我说话吗？好的。嗯，然后我还有另一个问题用户，名叫莱斯利。莱斯利是 CanBank 的客户服务代表。然后我还有另一个用户，名叫罗伊，他也在 Can Bank，是一名交易员。现在杰西卡刚刚收到她的信用卡账单，意识到她逾期付款并收到了罚款。她想打电话给 Canbank，看看她是否能为她的东西获得退款。所以她打电话给 Canbank，她现在正在和莱斯利通话。所以莱斯利将登录到 indicite 控制平面。在这里你可以看到，这是 Curity。所以莱斯利正在登录，并被重定向到 Curity，这是莱斯利的登录。好了。好的。所以现在莱斯利登录了。屏幕右侧正在运行的是这里的检索器代理。基本上会发生的是，它最终会得到一些指令。而在聊天机器人的右侧导航中，基本上是代理与网关的通信。所以如果我去看，我只是想看看莱斯利想知道的是什么政策，什么政策文件与退款有关。所以莱斯利收到了丽贝卡的这个请求，丽贝卡有点不高兴，因为她是银行的好客户，他想知道我们有什么费用，什么文件。所以我们在知识图中有一些来自 SharePoint 的文档。嗯，这些，嗯，这些数据，嗯，基本上被摄取并打上了标签，所以我们对它有所了解。而在右侧导航中发生的是，编排器代理掌握了这一点，它说：“好的，在这里你可以看到我正在转发这个请求，嗯，然后这个刷新令牌收到了，嗯，令牌，然后我们测试莱斯利的，莱斯利 indicite 代理，indicite 代理二链是否有效，然后它查看莱斯利是否真的被允许调用那个。”果然，他，对不起，但在尝试检索有关政策文档的信息时发生错误。太棒了。啊，演示太棒了。我们再试一次。不过发生的是，请求已经通过了两个代理网关，并且，嗯，实际上已经命中了 MCP 服务器，或者我们正在尝试命中 MCP 服务器，它正在做一些事情。哦，看，我收到了一个响应。耶。好的。所以基本上，嗯，你知道莱斯利想了解一些事情的信息，他发现确实有一个关于客户退款的政策文件。所以现在他想看看这是否在过去的决策中实际使用过。所以，我们接下来会把这个放进去，莱斯利将运行它。再次，这将通过两个代理网关传递给第二个检索器代理。检索器代理将使用 MCP 服务器从 indicite 控制平面检索一个 CIQ 查询，该查询正在寻找可能帮助莱斯利的过去决策。好的。我们确实找到了一个过去的决策。所以我们可以在这里的这个决策中看到，莱斯利，当他，当，嗯，他的，他现在的上司 Flo Collins，她是一名 CSR2，也就是莱斯利现在所做的，嗯，她之前已经为，嗯，一个客户批准了一些东西。所以莱斯利现在感觉很舒服，他可以进入信用系统，给，给丽贝卡她应得的信用，然后他可以去，然后将它输入到 CRM 系统中。然后那个决策最终将流向知识图，上下文图，并形成关于实际发生的事情的新型信息知识，以便在未来的决策中，我们可以将这些因素考虑进去。所以现在丽贝卡的问题解决了。她想去花点钱。她觉得她应该买一些英伟达股票。所以现在她要，她被交给了罗伊。罗伊罗伊从事交易工作。罗伊罗伊将再次以他自己的身份登录。再次，我们回到了安全。所有这些东西都在生成 OAUTH 2 令牌。嗯，它们都有用户的主体，也许我可以登录。哦，那不好。让我再试一次。登录。好的。好了。那好多了。好的。所以现在罗伊知道，他知道，嗯，丽贝卡实际上在她的账户上有一个限制，她每天能花多少钱，但她真的想要这些英伟达股票，因为每个人都想要。而且，嗯，所以罗伊会问，我知道这有点做作，但她会问丽贝卡到底能购买多少英伟达股票。所以正在发生的是，它正在向，嗯，MCP 服务器发出该查询，以在互联网上查找股票报价。所以即使我们的代理没有任何互联网访问权限，它也通过该外部调用从 indicite 平台获取了一个非常具体的股票报价。所以这是 MCP 服务器正在进行的一个调用。MCP 服务器正在进行的另一个调用是查看丽贝卡的实际限额是多少。然后它只是用限额除以股价。我现在可以看到丽贝卡可以购买 54 股英伟达股票。今天早上我运行这个演示时，丽贝卡只能购买 53 股。所以她好多了。无论如何，这只是相当做作的例子。但我想展示的一件事是，你知道，即使罗伊和莱斯利为同一家公司工作，并且与同一个客户打过交道，他们处理她的上下文是不同的。MCP 服务器尊重这一点。所以当我尝试执行莱斯利所做的一个调用时，你知道，也许是哪些政策文件与退款有关，这是一个相当良性的事情，但我知道在图中这些政策文件只适用于莱斯利的部门，而不适用于罗伊的部门。所以，当我发出这个提示时，我期望得到一个负面结果，而且我非常确定我会得到一个。但是，你知道，这是 LLM 的世界，所以你永远不知道。但愿如此。是的，果然。我无法处理您的请求。你知道，检查审计日志。基本上发生的是，MCP 服务器找到了完全相同的查询，但这次它以第三个令牌的形式调用它，其中包含主体和两个身份，嗯，它不会提供该响应。所以我将向你展示的最后一件事，就是我之前想向你展示的，但我当时太匆忙了。这有点像 indicite 控制平面，这里就像我们正在查看的图的一部分的图片。所以在我们这个世界中，你知道上下文是这些决策轨迹，但上下文也包括诸如，嗯，这些数据来自哪里之类的事情。所以我们不仅在客户账户节点中有属性，而且在属性上我们有它的来源，所以这种数据的第四维度在我看来也是上下文的重要组成部分。所以如果我们想基本上验证数据，嗯，并确保它适合使用，就像我们有信任分数和数据有效性，我们可以在查询中使用，并且我们可以确保不纯净或未经清洗的数据不是决策过程的一部分。无论如何，这就是我。我希望我没有超时，但是，嗯，是的。谢谢。
>> 非常感谢，戴夫。谢谢大家。好的，所以我知道 >> 我们有一位非常棒的下一位演讲者，在他们准备的时候，这会非常有趣，各位。所以，我实际上要叫我的同事杰里米上来，顺便说一句，他还没准备好。所以，我的同事杰里米，这是杰里米。是的，你。没错。没错。我要我的伙计过来。好的。所以杰里米，我们在旧金山湾区有一个朋友。他叫亚当·陈。亚当经常在事情变得，当能量有点低的时候，对吧？当能量有点低的时候，亚当喜欢做这件事。是的。你知道我的意思吗？他他做这件事，对吧？他做一件事，亚当。>> 他做一件事。好的。所以他做单腿深蹲。你知道那是什么吗？>> 单腿深蹲。>> 单腿。他试图做整个动作，先下去再上来。太难了。简直太难了。你知道怎么做吗？>> 我我完全没问题。我我老实说没有秘诀，但没关系。嗯，好的。所以，我们要做的就是暂停一下，因为我想我们的朋友快准备好了。实际上，他快准备好了，但是，好的，他快准备好了。我们给自己一些时间。所以，我想为所有愿意并且能够的人做的是，这只是让你们清醒一下。好的。所以，所有愿意并且能够的人，我希望你们站起来。是的。我们要一起做这个，大家。我们要一起做这个。我希望你们站起来，然后尝试做一个单腿深蹲。好的。我知道。我知道。一个单腿深蹲。好的。我们下去。大家下去。二，三，四。保持。二，三，然后上来。二，三，四。好的。谢谢。谢谢你，杰里米。太棒了。好的。所以，那实际上真的很疼。你可以看到我的年龄了。好的，在这一点上，但我只是想让你们都清醒过来，发挥创造力，让身体动起来，我很乐意介绍我出色的同事，Yan Billian，好的，他是 ripple tide 的联合创始人兼首席科学官。好的，在我们开始之前，先快速介绍一下。所以他今天将谈论自动，抱歉，自动本体论，对吧？那个 O 词，那个大 O 词。嗯，为可信赖的 AI 代理构建上下文图，他将论证 AI 代理失败不是因为，嗯，模型的特定能力，而是因为没有结构化的上下文，对吧，来支撑它们的决策。所以我将把它交给下一位。让我们给 Yan 热烈的掌声。非常感谢，Yan。
>> 大家好，欢迎来到这最后一场演讲。感谢大家的热情。嗯，这非常好。我是 Yan，Ripple Tide 的联合创始人兼首席科学家。我们是一家成立两年的公司，我们专注于随时为代理提供正确的上下文，甚至更多。所以我们正在构建一个决策基础设施。嗯，在此之前，我在伦敦帝国理工学院进行人工智能研究，研究推理模型的局限性，特别是语言模型的推理能力。但今天，嗯，对于这次演讲，我们将讨论一些不同的东西，那就是如何实际构建这样的上下文图。我希望，嗯，感谢过去的演讲，现在你们都想构建这样的图。所以我们将看看如何做到这一点。嗯，首先我想坦白一件事，当我们开始在 triple tide 招募第一批客户时，实际上非常非常痛苦。关键是我们必须手动构建这些图。所以我们必须手动构建，嗯，嗯，知识流程，所有之前描述过的东西。这是一种我们必须解决的非常非常大的痛苦。所以作为一名研究人员，猜猜我们做了什么，嗯，我们召集了一些聪明人，并为此努力。所以我们现在已经进行了 18 个月的研发，并进行了实际的企业部署。所以很高兴分享如何自动化图的创建，特别是通过本体论。所以很幸运，我是最后一个发言的。所以我不会深入探讨什么是上下文图。我希望你们之前已经理解了。也许我可以展示一些我们在生产部署中做过的真实例子，嗯，这样你就可以看到真实的例子。所以这是第一个，它是一个编码用例，你可以想象这个被用作测试代理。所以每次你向你的仓库提交一些东西时，你都想测试你的仓库中的所有东西。所以这是一种小图。我们也可以有更大的图，正如你所想象的，当你摄入越来越多的数据时，它往往会变得更大。也许第三个，嗯，更小，它专注于信用。所以它是为汽车制造商准备的。所以你如何根据你拥有的客户提供信用或不提供信用。那么我们在这样的图中有什么呢？你主要有三样东西，嗯，你有一些，嗯，知识。所以我认为你知道图，那是一种相当常见的东西。所以那是实体。所以我不知道，例如客户车辆或类似的东西，它们通过，嗯，依赖关系连接。所以是转换。所以那是第一点，但它相当经典。对于代理的上下文图来说，第二件改变的事情是图内部有流程。为什么我们想要有流程，我们不想让决策交给语言模型，否则你将面临语言模型的所有缺点，你们都知道幻觉，不遵循你要求模型做的一些事情。所以你希望在图内部有这些处理，这样你就可以直接在其中构建自动化和决策。我们有的第三样东西，也许我们之前没有谈论过，是护栏。所以我们绝对可以直接将护栏放入图中。那么为什么不从中受益呢？因为如果你将护栏放入图中，你就可以禁止图的某些部分，这样你就可以拥有确定性的角色，而不是仅仅放置一个提示，然后希望它会被语言模型遵循。所以基本上，我们的上下文图中包含这三个元素。所以一些知识和一些护栏直接存在于此，嗯，好的，也许，嗯，我有一个问题要问你们，嗯，对于下一部分，有多少人打算或已经考虑使用上下文图项目，请举手，我估计大约 60% 左右，好的，那么第二个问题是，有多少人实际构建了一个并在生产中运行。好的，我估计大约 15% 左右。所以，我们将至少为那些想做但没有完成的人，也就是那些放下手的人，进行这次演讲。所以，我们将看看如何自动化，嗯，这件事。嗯，也许只是介绍一下如何构建这样的图。在创建图时，你有三个主要挑战需要解决，这些都是构建图的长期挑战。第一个挑战是初始设置。手动操作总是很痛苦，而且有一些挑战很难解决。嗯，让我给你举个例子。如果你连接到多个数据源，比如说一个耳机之类的东西，你有一个名为“收入”的列。你使用一个带有“收入”列的 CRM。我们说的是同一个收入吗？是的。所以那是你需要明确的东西，嗯，人工智能很难为你做到这一点。嗯，第二个挑战是，一旦你构建了图，你需要表示这个图，正如我们之前看到的，图可以非常非常大，所以你在表示这些图时会遇到一些困难。也许我可以向你展示一些方法来做到这一点。所以这是一种大型图。如果你稍微放大一点，你就可以看到那些集群，嗯，所以那些集群里面你可以拥有所有那些数据。所以想象一下所有的转换和所有的节点，每次你向其中添加新数据时，你都可以拥有非常非常大的东西。所以我将向你展示我们如何表示这样一个图的一些迭代。如你所见，这在生产中是不可用的。对。所以我可以向你展示所有的迭代。嗯，好的，抱歉视频质量，但你可以有 3D 图。实际上有多个维度，甚至当你创建时，你向源添加一些新数据时，表示这些图往往非常非常困难。所以这是你需要记住的两个挑战，也许第三个是关于图更新的。所以每次你向图中放入新数据时，你都想保持一致性。你不想破坏一切。所以这就是你想解决的三个主要挑战，实际上还有第四个，嗯，也许你心里有数，那就是一旦你有了这个图，如何使用它，例如对于一个代理，我猜，嗯，你们很多人都在构建代理，所以常见的做法是通过 RAG 图 RAG，所以许多类型的快速检索管道总是倾向于在大规模时成为瓶颈，嗯，你可以理解，如果我以编码为例，RAG 对代码有效吗？例如，答案是否定的，所以 Cursor 和他们做的其他方法，例如，以及其他东西，所以在大规模时，我们总是看到那些图 RAG RAG 的东西是瓶颈，我认为在之前的一次演讲中，有一个关于图 RAG 的指标，我认为是 81% 左右，所以你是否只想在五次中有四次为你的代理提供正确的上下文，所以你随时都有幻觉的风险，如果你没有这些东西。所以 RAG 图 RAG 往往非常有限，所以关于我们如何开发和创建这些图，我们尝试构建一些其他的东西，这样我们就不需要图 RAG 图 RAG 或任何类似的管道，所以我要介绍我们开发的一些东西，它们是基于图的本体论，所以我们希望，嗯，既有你可以拥有的图结构，也有一些本体论，所以也许你听说过本体论。那么什么是本体论呢？它只是，嗯，赋予一些数据一些意义。例如，嗯，如果我回到我这里的例子，嗯，你有一些产品。这是一种市场。这是一个零售，嗯，客户。你有这些，嗯，产品。所以你有一些属性，嗯，用于这些产品。所以你希望每个产品都拥有这些属性。所以这些本体论也可以通过这样的集群来表示。你可以想象，每个节点实际上在图中都有很多引用，嗯，所以基于使用这些本体论，实际上数据和流程在图中的同一区域，所以你不再需要 RAG 管道来喂养你的代理，需要记住的关键点是，我们以前谈论聊天机器人时那种草根式的东西，现在对代理不再适用了，因为现在你的代理有多个步骤。所以如果你拿一个我不知道 95% 的时间都有效的东西，那么你有 5% 的时间上下文是错误的，如果你有 10 个步骤，嗯，那是经典的工作流，你将有大约 40% 的错误率。所以这太高了。所以你必须改变一些事情，以及如何构建这些图。我们从一开始就明白的一件事是，当你构建这样一个图时，你有两种方法来评估图的实际情况，我不知道客户是否在问它是否有效，它是否正在改进我的代理，嗯，回答这个问题有点困难，所以你有两种方法可以做到这一点，要么你想评估你的图的一致性，例如，如果我添加新数据，它会破坏什么吗？我的图的覆盖范围是什么？但如果你想在上面放置代理，对你来说关键点是我的代理是否以某种方式工作，所以这是一种关键的构建原则，能够评估你的代理，我可以向你展示一些如何做到这一点的例子。所以既然你的图中有一些流程，你可以做的就是运行代理，看看它在许多测试中的表现如何。所以每次你向图中添加一个新的实体，新的东西时，你都想再次测试你的代理，看看它是否真的改进了什么，是否你的图中有一些回归。所以在这个过程中，你总是随着你不断添加新数据而评估你正在做的事情。所以如果我们添加这个小东西，当我们添加新数据时，每次有一个新的点，你都想在后台对代理运行一些测试，以了解代理是否真的在改进。嗯，最终，因为你想要的只是一个最终能工作的代理。另一件要记住的事情，嗯，我知道有点长，你饿了。所以我们我们我们把它讲快点，就是如何管理，嗯，图更新。所以当你有一个新数据时，如何确保你有三件事需要小心，一是你不想拥有，嗯，不连贯的数据。你不想拥有，嗯，矛盾的数据。所以矛盾的意思是，例如，你有一个关于信用的文档，例如我这里的信用代理，你有一个文档说信用是 4.5%，而你现在添加了一个新文档说 6%，那么应该记住哪一个呢？如果你只是将这个上下文提供给语言模型，它会根据时间选择其中一个。所以你想要做的实际上是明确地，嗯，那些不一致之处，这样你就可以在构建图的时候处理这些不一致之处，这样你就不会在推理过程中让所有这些计算都进行，从而避免在运行时出现生产问题。所以请记住，你想要一次性构建、验证、评估图是否足够强大、是否有效、是否正在改进代理，之后你想要确定性，你想要你的图的可预测性，所以我想你可以记住的关键信息是，嗯，关于上下文图之类的东西实际上有一个巨大的势头，感谢 Neo4j 团队多年来一直致力于此，但现在我们可以拥有上下文图的关键优势。所以你所知道的关键优势是，如果你为代理提供正确的上下文，你就会有更可预测的代理。如果你有一个图，一切都是可解释的，而且既然你的图中有流程，你就有端到端的，嗯，可解释性。那是关键所在，最终你拥有，嗯，可预测的东西，因为你在某个时候拥有正确的上下文。所以你拥有图的所有优势，现在你不再有，嗯，初始设置或图维护之类的缺点，这要归功于新池。所以我们可以利用语言模型来构建图，而不是用于推理，这样你就可以在生产中拥有稳定的东西。所以如果你有任何问题，请随时提问，我或许可以分享，如果你感兴趣，你可以开始，我们有一些开源的东西，如果你想尝试，例如，在上下文图上使用 MCP，请直接访问 docs.ultai.com triple tai.com，嗯，你可以首先直接评估你的代理，所以只需连接你的代理，我们有例如正在运行的 CLI，然后你可以直接放置一个上下文草稿，所以使用 MCP 连接非常容易，只需几个步骤，嗯，最后，如果你愿意，你甚至可以，嗯，在决策运行时中处于更强大的位置，所以你希望一旦它运行就能有确定性的决策，所以如果你有问题，我很乐意深入探讨所有内容，如果你愿意，可以尝试一下，嗯，然后我们开始小组讨论。我想我有一个二维码，如果你想扫描所有内容，如果你想联系我们，或者如果你想查找文档。非常感谢。
>> 非常感谢。谢谢你，Yan。再次为 Yan 鼓掌。非常感谢你，Yan。好的，各位。所以，在我们为小组讨论做准备的时候，我希望你们都做一件事，因为你们猜怎么着？好的，既然我们在这里，你们不妨建立一些联系，对吧？你们不妨建立一些联系。所以，我希望你们都做的是，为你们的图添加另一个连接或另一个关系。我希望你们做的是，是的，双关语。嗯，我希望你们做的是，转向你们的同事。好的？转向你的同事，一个你不认识的人。好的？我知道你们很多人是和别人一起来的。转向一个你不认识的人。我希望你问这个问题。所以它有两部分。所以如果你要在生产中构建一个上下文图，我知道我看到很多人现在正在这样做。在那个过程中你面临了什么挑战？然后从你今天演讲中收集到的信息，思考可能性，也思考本体论，对吧？你今天收集到的信息，对于你一直面临的那些挑战，有哪些可能的解决方案？然后那个问题的第二部分是，确保你真的拿到他们的领英。好的，所以你有五分钟。确保你建立这些联系，我们将在五分钟后开始小组讨论。好的，非常感谢。什么时候是好的。哦，我的天。每次我看到我都喜欢搞笑的，把它拿走。连接。>> 好的，大家把领英拿出来。把那些领英拿出来。我们的小组讨论即将开始。再来一条腿。相反的。完全正确。>> 是的。>> 残酷。>> 我坐下来做俯卧撑或开合跳。>> 是的。是的。是的。>> 就像没有在原地，但如果你摔倒了，你可以继续，只要坚持下去，你就没事了。是的，>> 没错。>> 我喜欢。>> 好的，各位。我们要开始了。呜！呜！如果所有演讲者都能上来加入我们。我知道。我知道。我不确定。好的，各位。我们现在就要开始了。确保你们都有每个人的领英。小组讨论即将开始。太棒了。
好的，各位。非常感谢大家留下来参加这场精彩的对话。我们现在将开始我们的，好的，我们有一个由尊敬的专家组成的小组。非常感谢大家加入我。精彩的演讲者们，各位，我们还有一位特别嘉宾。所以，大家好。这是埃米尔。他是今天加入我们的，嗯，Emblem 的首席执行官兼创始人。Emblem。让我们给他热烈的掌声。太棒了。太棒了。好的。所以，今天这是一个非常特别的小组讨论。我很高兴大家都在这里，并且能够捕捉到这一点。所以，我现在要问你们的第一个问题，对吧，我认为在我们深入探讨之前，我们必须先建立一些共同的词汇。对。所以为了设定那个共同的基调，我很想听听小组中的每个人以及埃米尔的看法。嗯，我们将从这个问题开始：你能为我们阐明并帮助我们理解上下文图和知识图之间的区别是什么，具体来说，它们之间有什么区别？它们有什么区别？湿水。啊，我们开始。多说一点。
>> 我的意思是，在我看来，它，嗯，我知道我们作为一个行业仍在努力，但我要说它是一个。>> 是的，我的意思是术语定义是永恒的，当然，对我们出于某种原因讨论相同事物所使用的术语有所了解是很有价值的，对吧？对我来说，这很简单。嗯，知识图是一个简单的集合，上下文图是你将领域中的数据以图的形式呈现，并且会展示出人员、组织、位置、事件和对象的某种组合，那是知识图的一种表达方式，然后在这种情况下，你有了上下文图，它是一种在此之上添加的决策，你希望将决策轨迹连接到你的知识图，对吧？所以从高层次来看，我是这样看待它的。>> 是的。我认为只是重申一下这个概念，术语过载。我的意思是“上下文”这个词被过度使用了，对吧？我们用它来谈论我们注入到提示中的特定文本，对吧？我们称之为上下文窗口。正如你所知，关系、元数据，嗯，所有这些东西都被过度使用了，这就是我在我的演讲中谈到的 near 库，嗯，这是选择我们想要暴露的抽象之一，当你阅读这方面的文献时，你会发现，嗯，语义记忆、情景记忆、程序记忆、用户，比如有什么区别，对吧？所以我想尝试，你知道，使用短期长期推理，我认为这就是人们试图解决的问题。所以无论如何，就像我只是重申一下这个术语，当人们说，嗯，上下文、图、知识时，所有这些东西对不同的人来说意味着不同的东西。嗯，所以是的，在构建工具时，肯定要意识到这一点并加以考虑。>> 是的，我想，嗯，在我看来，我喜欢将上下文图描述为两个不同图的总和，即知识图和行动与程序图。所以你只需将这两个图放在一起，最终你就会有上下文图来指导代理的决策。所以，嗯，我想说，当那个 Foundation，嗯，Capital 的论文发表时，它实际上引起了相当大的轰动，你知道，我们的 CEO 就像立刻把它发给了我们所有人，嗯，我们都觉得它引发了争论，所以我认为，嗯，真正引起共鸣的是，嗯，但对我来说，它更像是知识图是上下文图的超集，上下文图更像是任何额外的维度，而不是像你知道的那个简单的三元组，而那个额外的维度可以是决策轨迹，也可以是，你知道，关于其中涉及的一些属性的数据来源。我不认为它有一个像这样严格的盒子可以装进去，但我认为细微之处就在于额外的维度。>> 看，这就是为什么我非常感谢确保我们有那种，嗯，共同的语言，对吧？那种共同的对话，嗯，因为很多人确实以许多不同的方式定义它，而且在很多方面，它就像“水是湿的”一样，对于我们这些长期从事知识图谱上下文图领域的人来说，这并不是一个新概念，对吧？嗯，所以至少当新人进入这个领域并参与对话时，我们努力确保我们同时进行，嗯，同一种对话。所以，嗯，我还想，嗯，继续探讨这个理解，那就是现在围绕上下文图有很多兴奋的事情发生，有些人可能会争辩说这个概念已经存在了几十年，对吧，然后，嗯，有些人可能会称之为知识管理，就像，嗯，杰西卡也提到过的那样，但我想退一步，我想退一步思考，确保观众能够理解为什么这个概念现在如此重要，我指的不是仅仅是现在这个月，对吧，或者过去几个月，我指的是在代理开发这个更宏大的历史中，为什么现在是上下文图的时代？
>> 是的，我想每个人都看到了上下文图的优势，它是一个已经存在了几十年甚至更久的概念，那么为什么现在它拥有巨大的势头呢？这要归功于最新的 LLM、GenAI 进展，你不再有以前在初始设置、维护更新等方面遇到的缺点。你可以自动化很多相关的事情。所以你正在消除以前的许多缺点。所以你保留了优势，并且没有了以前的缺点。所以我认为它进化了。手动构建这些图等等已经成为过去。所以现在我们进入了一个新的时代，新一代如何做到这一点。所以很高兴能一起做这件事。>> 是的，我同意这一点。我觉得这很有趣，对吧？还记得去年本应是代理之年，对吧？不，具体来说是生产中的代理，对吧？那是去年，然后我想 Andre Karpathy 在 YC 做了一次演讲，说实际上更像是生产中代理的十年，对吧？我认为他说得非常对。我认为我们去年当然看到了代理投入生产，但总的来说，它还处于非常非常早期的阶段，我认为上下文图，那个博客文章所做的，我认为以一种非常雄辩的方式，是它确立或普及了这个术语，用于描述我认为是确保代理在现实世界中实际工作的真正核心部分。我认为广义上讲，代理在生产中要有用，需要四个来源，四个方面。它们需要访问记录系统。所以那是你组织当前的状况，对吧？这是你的 CRM 系统或营销系统之类的所有东西，对吧？它们需要访问你的数据平台。所以我总是把这看作是历史的记录系统。所以这是你的 Snowflake 或你的 DataBricks，你的数据仓库，诸如此类。它们需要访问代理记忆。你的代理的对话状态、会话状态是什么？然后现在我们有了另一个术语，决策轨迹，以某种方式编码的机构知识作为第四部分。我认为现在出现的是，你让你的代理访问这四个部分，对吧？那就是足够的数据，足够的知识，让它们在现实中投入生产。所以我认为，如果我们很多人都写过类似 Foundation Capital 的那些人在三年前、五年前、七年前所做的事情，我觉得我这 20 年来一直在说同样该死的事情，对吧？嗯，在很多方面，对吧？但我认为这有点像他们写的方式，但也像这个时刻，以及这个真正核心的信息，它是使代理在现实中工作的基础基质的一部分。所以我认为这可能就是为什么它吸引了所有这些关注。>> 好的，我将稍微扩展一下，嗯，嗯，从更广阔的视角来看，你知道，还有工作流。我认为这只是大多数人正在处理的一个共同元素，那就是工作流，他们正在尝试自动化工作流。嗯，所以它，你知道，这是朝着可靠地做到这一点迈出的合乎逻辑的一步。嗯，我认为它还跨越了另一个方面，那就是它跨越了行业，它跨越了环境。所以它是一种很容易引起共鸣的东西。>> 我以后要付你钱吗，还是 >> 我觉得那是为我们准备的。我我我再同意不过了。不过对我来说，时机是正确的。对。就像那篇论文发表的时机恰到好处，就像埃米尔说的。就像，嗯，它本应是代理之年，但每个人都觉得，每个人都走到了这一步，然后那篇论文就非常有道理。所以它一针见血。我认为新的词汇和一切。几个月前有一项研究，我想是麻省理工学院之类的，说 95% 的 AI 项目未能实现价值，对吧？而且我我认为原因在于数据问题，对吧？就像在这种情况下，代理没有访问正确的数据，所以这些项目失败了，现在人们正在回去重新架构这个，并意识到，好吧，如果数据是问题，我们在数据层做什么来为我们的代理提供最相关的数据，最相关的上下文，嗯，为我们的代理。所以我认为很多人都在努力解决这个问题，即如何将正确的数据提供给我的代理，因为他们正在引入代理来帮助工作流，并帮助增强人类的知识工作。对吧？本质上，我们希望这些代理能够帮助员工提高生产力，这就是我认为事情的发展方向。嗯，而且我认为人们正在意识到的是，当他们试图帮助代理实施政策和做出决策时，我们就像，好吧，我们甚至没有记录，也没有关于人类如何在组织中做出这些决策的适当数据。那是一个巨大的认识，就像，哦，是的，我们有所有这些政策，你知道，不同系统中的数据，你知道，也许，嗯，作为一名分析师，你的工作是出去获取这些数据，或者你构建与这些数据交互的系统。所以我认为这真的引起了共鸣，人们正在回顾并意识到，哦，我需要再次根据杰西卡所说的那些来自人们头脑中的数据来构建我的上下文图。
为了代表，在我能期望一个代理给我一个有效的建议来理解我们现在如何做事之前。所以我认为那，嗯，那也是时机的一个重要部分。
好的。那么，稍微偏离一下，嗯，偏离一下为什么上下文图现在确实很有意义，对吗？嗯，我很想知道，根据您对围绕上下文图的对话的分析，您认为这次对话中实际缺少了什么？
知识管理。
多说一点。这就像房间里的大象。我的意思是，不，这是我们非常想自动化的东西，但我们从未真正承担起组织我们实际知识的责任。当人类被自动化时，我们哭泣，就像当人类过程被自动化时。我不一定有解决方案，因为它需要是人与机器之间的关系，但它也需要是组织的一项投资。它只需要是，我们一直避免它。这是组织至今尚未投资的东西。嗯，我认为我们正处于一个关键时刻，我们真的没有选择了。
我只是让气氛沉重了。抱歉。好的。
完全不会。
完全不会。
我认为那完全公平。我的意思是，我在组织中花了很多时间，我相信这个房间里的每个人也是如此。没有人愿意做那项工作。人们不记录事情。人们，归根结底，这是一个人类问题，它会限制这能走多远。而且，我认为，除非走过艰难的路程，否则杰西卡说得非常对。
是的。我问这样的问题，部分原因是因为我认为，当我们有工程团队，对吧，那些正在实际构建上下文图的团队时，这非常重要。我们想确保我们对问题有一个全面的理解，对吧？对我们如何构建和实施知识图到我们的系统中，以及以某种方式，或者至少，嗯，涉及不同的人，对吧？本体论，就像你提到的不同框架，将有助于这个过程在长期内变得更有效。所以，这只是我想要确保我们也触及当前围绕上下文图的更大对话中缺少什么的一小部分原因，对吧？即使有所有的兴奋和炒作，我们能集中精力确保我们全面解决这个问题吗？所以，是的，完美。
好的，所以，嗯，也因为这次更大的复兴，大家别担心，我们也会有时间回答观众的问题。所以，把那些问题准备好。但因为这次更大的复兴，我想说，嗯，围绕知识图背后的概念，以及在代理开发中对上下文图的新关注。我看到很多对话，嗯，有点高层次，对吧？所以我想深入探讨，我想深入细节。那么，嗯，在这个领域中，知识图的实现，哈哈，看看，上下文图的实现是什么样的？我知道我们很多人都有公司，有工程师正在实际构建上下文图。那么，实现是什么样的，它应该是什么样的？您会给那些现在正在尝试构建上下文图的工程团队什么建议？你会在这里。
是的，这有很多方面，对吧？而且，嗯，你知道，我在我的演讲中谈到了我们构建的 NearFJ 代理记忆包，它旨在记录你的推理轨迹以及这类事情。所以，你知道，我认为，嗯，我认为在我的演讲中，最重要的是正确地进行实体提取，嗯，你知道，考虑你用于提取的数据模型要与你的领域匹配，我认为这确实是关键，非常重要，嗯，但接着有很多，嗯，很多事情，比如你如何表示某个概念的规范表示，嗯，这类事情，以便理解，嗯，并确保你的图中数据质量，嗯，是它应该达到的水平。这种实体解析知识图的概念，我认为是这个术语。如果你在线搜索那是什么，你会看到一些创建实体解析知识图的技术，而且那个问题不会因为上下文图而消失。这个挑战不会因为，嗯，使用大型语言模型进行任何提取而消失，你仍然需要，嗯，对它进行推理，并对你的上下文图进行适当的数据建模和类似的事情。哦。
嗯，我认为最非凡的，嗯，如果你们有机会查看 PKO 项目的 GitHub 仓库，也就是 sephrial 项目，你会看到有一个非常酷的知识启发包，我知道我在我的演讲中提到了它，嗯，但它是一个框架，它作为一个浏览器插件存在，供人类用户能够以某种形式输入关于工作流的上下文。我将说，我看到非常富有成效和成功的一点是，要涉及人类，也要进行人工验证。嗯，因为，还要注意，可能存在多个工作流，特别是如果公司有很多收购的情况，嗯，所以它可能不是线性的。我认为这真的很重要，要有所警觉，它有点像指纹。
是的。从非常实际的用例来看，我们看到很多人使用 MCPS 来利用上下文图。例如，我们看到一个运作良好的例子是，将 MCP 插入你的 IDE 中进行编码，这样你就可以拥有一个个人记忆，存储你如何编码，你公司的实践是什么，所以 MCP 既在学习，也就是监听，然后提供正确的上下文，这样你就不会有回归，而且它会按照你喜欢的方式编码。所以这是通过 MCPS 实现的非常实用的实现。也许它会发展，但今天它非常非常实用，人们都在使用它。
嗯，对我来说，我想说回到 Will 所说的，这就像在正确的时间，以正确的格式，在正确的位置获取正确的数据，嗯，但它是好数据吗？我们很多数据，你知道，未经清洗，未经处理。所以，能够识别可以使用的东西，然后将它们与不能使用的东西区分开来，我认为，对成功至关重要。
是的。如果我思考一下，在花了一段时间专注于如何用图构建系统之后，过去几年里发生了什么大的变化。我认为在过去几年里可能出现了两件事，一是我们现在有比三四年前，也就是 ChatGPT 出现之前，多得多的非结构化数据，对吧，因为大型语言模型赋予我们处理非结构化数据的能力，对吧，嗯，所以那是一点，然后另一点是，我们的执行层，也就是代理，通常会跨越多个系统，而五年前，一个应用程序通常是独立运行的，就像一个系统，对吧，而且我认为这两点，从非常实际的角度来看，这就是框架，比如什么是实际的事情，你提到的一点是，因为非结构化数据现在更加普遍，实体解析变得更加重要，对吧，所以我们如何从，让我们暂时只考虑文本，比如大量的文本，将其提取成真实的实体。这是一个名为 ML 的节点，对吧？然后有像 ML A-frame。有 MLG Aframe。有 William Gates 和 Bill Gates 这样的命名实体。有不同的术语，但你如何将所有这些转换成一个节点，对吧？所以这是一个十年前就存在的非常基本的能力。你提到了实体解析知识图，就像感知一样。Jeff Jones，我十五年前，二十年前就和他谈过这个。所以，它一直存在，但与两年前相比，今天它重要得多。
而且我们刚刚发表了，我刚刚发表了一篇关于将其形成 RDF 的文章。
瞧。
我和。
好的。我们发表了，我们发表了那个让你能够转换成思考的东西，所以那是一件事，然后第二件事就是你刚才提到的，你甚至说了那个 O 词，或者你可能说了另一个。
所以本体论这个词，我个人在过去二十年里一直试图避免，对吧，因为它只是引入了复杂性的概念，而图世界一直面临的一个问题是，我们喜欢我们花哨的术语，对吧？我个人讨厌那样。而且我认为 Neoj 取得的许多成功都归功于我们简化事物的能力，让它变得不那么难。概念并不那么难。你有一些环，然后环之间有箭头，还有一些东西，拜托。它没那么难，对吧？所以我避免使用本体论这个词。嗯，本体论现在真的回来了，我认为这要归功于人工智能和大型语言模型，老实说，也要归功于 Palantir。我认为这些实际上是它的两个驱动因素，对吧，但如果我再思考一下这种转变，以前是单一系统，现在我们的代理跨越多个系统，好的，如果你只有一个应用程序和一个数据库后端，你就有你的本体论，它就像在代码中表达一样，它在那个数据库的模式中表达，现在我们通常会跨越多个系统，所以然后，构建它，使其能够计算，变得更加重要，或者说比以前重要得多。所以，实体解析和本体论这两种实用的技能，我认为现在比以前更重要。
我喜欢这个。好的，那么想象一下，对吧？我们是一个工程团队。我们，嗯，我们已经开发了一个上下文图。它已经启动并运行了。所以我想知道，你们每个人对这个领域的未来有什么愿景，对吧？上下文图的未来是什么样的？如果你甚至不能预测，那么你对围绕上下文图的对话的理想未来是什么？我认为理想状态是它消失了。就像每个人都知道，为了让我们的 AI 系统，无论我们做了什么，或者无论如何让它们在现实中工作，你都需要以某种方式让机构知识和所有现实世界的决策成为一部分，这甚至不是一个讨论，它就是这样。就像，是的。你为你的代码做测试吗？或者说没有人再谈论它了？它只是编写具备 AI 能力的软件的卫生习惯的一部分。
所以那将是我的看法。
是的。
Will，你有什么话想说。
是的。我的意思是，我认为 Emil 说得很有道理，对吧？就是，嗯，如果我们，我花了很多时间思考代理记忆知识图之间的相互作用，现在我们谈论的是上下文图，特别是在 AI 领域，对吧，AI 代理记忆是如此重要的一部分，对吧，它本质上就像知识，背景，如果你愿意，图书馆，我喜欢这个，它很好，嗯，所以我想，是的，就像重申 IML 的观点，理想情况下，每个人都只是将上下文图作为 AI 代理记忆的一部分，作为他们正在构建的库的一部分。嗯，是的，我喜欢这个。
所以我想确保，嗯，第一，我们再次有时间提问。所以，请随意举手，如果您对小组的成员有疑问，我的同事 Yoland 会拿着麦克风过来给您。我将向小组提出最后一个问题，嗯，嗯，只是想看看人们可以在哪里学到更多。对。所以，我想知道，从你们每个人在这个领域所做的所有研究中，多年的研究，对吧？有什么，嗯，您认为对您理解上下文图至关重要的一项研究，或者我还会问，嗯，从您的角度来看，人们可以去哪里学到更多？
对我来说，就是构建一个，就像亲自动手一样，就像，好吧，每个人都在谈论这个，我必须看看当我真正去构建一个时，这到底是什么。所以那个我展示的演示，那个上下文图演示，那是我，嗯，我第一次动手操作，嗯，你知道，实验，那对我来说是一个非常好的学习经验，我认为这对我来说是真实的，嗯，你知道，也许这就是关于学习模式和这类事情的讨论，就像你知道我读了一篇论文之后，我会想，好吧，我想构建那个，那到底是如何工作的，对吧？所以我想说，一个学习更多资源的途径是去我展示的那个演示应用程序，它就像 contextcraft demo.verstellapp versel.app 或者类似的东西。而且，嗯，有一篇博客文章，代码在那里，我试图放入很多关于它如何工作的解释性信息。所以，嗯，如果你是那种喜欢亲自动手的人，那是一个很好的方法，比如克隆仓库，嗯，让它运行起来，修改它，嗯，我不知道，也许是一个制造上下文图，对吧，而不是金融服务，也许，也许，嗯，看看那里面涉及了什么。是的，我完全同意。嗯，现在构建这样的上下文图的门槛更低了。所以尝试是最好的方法，我认为一个关键点是能够评估你的上下文图对你的代理的影响。所以只需选择一个你可以评估结果的想法。例如，它可以是代码。你可以运行代码，看看它是否有效。选择一些你可能在生活中或工作中知道的东西，构建一个上下文图，评估结果，修改上下文图，然后查看你的代理结果的影响，我认为这是最好的方法，现在网上有很多文档可以轻松构建这样的上下文图，演示 PC 速度不是很快，生产，嗯，有一个很大的差距，但至少现在尝试和理解是容易的。
嗯，对我来说，我当时想，“一样，就是去构建它，看看我在哪里会失败，直到我做对为止。”就是这样。不过，我认为对我来说，我的下一步是，我真正想做的是深入研究 PTO 的网站，看看我是否能对此变得更学术一些，而不是，你知道，我不是不想画圈圈和棍子，因为我喜欢那一部分。它很适合解释，在企业中运作良好。每个人都理解它，但对它有更多一点的学术理解，我认为，嗯，可能是有价值的。
你是说少点感觉。
是的。
少点感觉，宝贝。
我是一个书呆子，我信仰研究和在前人工作的基础上进行构建。所以，嗯，那里有丰富的知识。我想说在 GLAM 领域，嗯，图书馆和档案馆，这并不是什么新鲜事。有一些已经完成的，嗯，实际上现在存在着程序本体系统，它们连接着世界各地的图书馆和私人档案馆，所以这已经做过了，嗯，所以我确实也相信研究他人的工作，嗯，并且真正能够引导和指向其他来源，嗯，而不是重复造轮子。感觉很好，但如果你认真地进行构建，我认为这很重要。
对我来说，老实说，是 Will 的博客文章。
它们真是太棒了。
就像那篇博客文章，就像 Lenny 的博客文章。所以，这个人写了几篇关于上下文图的精彩博客文章。那就是你所需要的一切。
那就是我所需要的一切。
没错。
我附议。如果你们都看到我进来，顺便说一句，Will 知道这一点，我有一堆他们做的研究，嗯，基于此，我们可以就上下文图进行一次富有智慧的对话。所以，是的，我也会说，那些每个人都写过的博客文章，对吧？博客文章，嗯，以及其他研究，对于更好地理解，嗯，嗯，世界以及上下文图的潜力，而不仅仅是，嗯，术语本身，而是它背后的概念，都起到了关键作用。所以，好的。所以，我们将向那些有问题的人开放，我看到一只手。嗯，所以我们先找他。这个问题是给 Will 的。我不知道这是否应该给我，但我现在拿到了。这是给 Will 的。嗯，有。
整个代理记忆是否有实际方法可以像插件一样将其放入一个开放的爪子中，让它像学习上下文一样？那个，那个。
有人在做这个吗？这似乎是一个显而易见的契合点。
你，你具体是在问我那个代理记忆包吗？
是的。是的。就像你是否可以有一个开放的爪子代理，在你使用它的过程中，它能自己构建上下文图，从而以一种即插即用的方式表现得更好？
我没有，但我的房间里有一台备用笔记本电脑，我今晚会玩玩看，看看我之后会去哪里。
好主意。
没错。没错。没错。
搜索那个 Balmer Peak 区域。嗯，谢谢你花时间向我们阐明所有这些话题。真的非常感谢。嗯，我负责我们团队的财务系统。所以基本上是帮助财务部门从销售想做某事，工程想做某事，这些在损益表、资产负债表或现金流量表上看起来是什么样的。所以从这个意义上说，财务部门真正运营着业务，并从战略角度做出所有这些决策。所以当你谈到隐性知识时，比如财务，它在这方面确实非常成熟。嗯，所以我在思考如何改变我团队获取所需决策的方式，以及如何快速地从数据到洞察，而大型语言模型的出现是很大一部分，就是我们如何使用它并将其插入到我们的流程中，以一种仍然帮助我们保持准确性和灵活性的方式。所以我读了 Seth Early 的本体论一书，那真的让我大开眼界，这就是我在这里的原因。所以我很好奇，特别是对 Jessica 和 Yan 来说，当你们进入企业试图最大化利用 AI 的领域时，一，你们如何从我们一无所有开始，二，我们有一个上下文图，我们正在部署大型语言模型，我们正在真正 reaping AI 的好处，我如何弥合你们已经工作了 25 年的流程，你们正在引入高水平的自动化，我如何从，我如何弥合这两者？里面有很多问题，但我会让你随意选择。
所以，所以，所以问题是，你如何明确这些流程？
假设我从流程角度、分类学角度、本体论角度来看，文档非常少。我如何开始这段旅程？你有一个观点，她有一个观点。如果你进入这个领域，你通常会看到你的客户有什么情况？
好的。你想回答吗？
是的。是的。嗯，我认为在很多情况下，嗯，正如你所提到的，流程或其他东西并不明确。所以你想要的是，嗯，创建图的管道能够理解，就像你在图中拥有可解释性一样，是什么导致了代理的结果。所以这一切都归结为评估。如果你能够评估，比如说，我不知道你有一个客户支持代理，你能够评估工单是否已解决，客户是否满意，你就能回到发生这个过程的那个过程，然后你可以措辞变得确定性，最终它是一个工作流，所以你通过评估一路学习流程，这就是为什么我建议大家，如果你只是选择一个你可以拥有的评估框架，它就会学习如何执行的轨迹。嗯，我教一些东西，嗯，有一个叫做本体论管道的框架，它有条不紊地从受控词汇表到分类法，到同义词库，到本体论，再到知识图。它是迭代的。嗯，所以再次，我要告诉你，它不能自动自动化，因为如果你没有语言中的词汇，你甚至不知道你想要捕捉什么，它必须从某个地方开始。所以我曾与金融服务公司合作。这并不容易，但有不同的词汇表。人们在整个行业中描述事物的方式不同。嗯，所以再次，虽然我们希望 AI 自动化事物，但如果我们没有基础，它就不会 100% 可靠。无意冒犯，但就像当你进行数据评估捕获时。关键是，既然我们正在使用图，嗯，你知道你不知道的东西，你可以知道数据缺失，因为你没有因果链接来这样做。所以如果你能够评估，这是一个关键点，这就是为什么我提到如果你有一些垂直领域，现在有一些横向组件可以做到这一点，如果你能够评估，你总是可以回去，如果你正在使用图，如果你正在使用拖拽或其他类似的东西，你想要它，这就是为什么我还提到，尝试在最开始使用一些可能是垂直领域的东西，它不一定是语言，它不一定有词汇，它可以是代码，例如，你可以运行代码并理解缺少了什么，例如，或者什么没有起作用。所以你有很多类型的数据。它可以是表格数据、代码，它可以是词汇，但让我们尝试一切并评估结果。你将能够回到缺少了什么。
是的。所以我们在语义世界，在知识管理世界中，有一些叫做能力问题的东西，它们来自本体论，它就是你创建的，它类似于评估，因为你创建的问题是你想要的，你需要从你的数据中得到什么样的答案，所以最终你所做的就是创建那个框架，帮助你构建和确定可能缺少什么，所以我认为类似于评估框架是有效的，但我确实认为那需要由人类来主导。我希望这回答了你的问题。是的。好的。
大家好。嗯，你好。谢谢。精彩的小组讨论。嗯，我叫 Maria found Nova。我们使用来自 Jira 和 GitHub 等结构化数据来寻找研发项目，现在 forj 已经在我的论文中使用了大约 10 年了，我很高兴看到它再次流行起来，并且有了一个新的视角，嗯，基本上是实用的 AI 世界。我想知道，嗯，我们是否看到上下文图是知识库的一种新形式，你也有决策树，或者，是的，决策轨迹，你看到保持图的流行，那么，嗯，随着我们在其他世界和领域使用代理，你期望在未来几年里在图中看到什么其他东西？因为我认为决策轨迹只是一种知识类型，我们可以这么说。你看到其他从中受益的方式吗？
好的。我的意思是，我看到一百万种不同的，一百万种不同的，嗯，我的意思是，我确实觉得上下文图的框架会缩小，因为我确实认为它会扩展到工作流。嗯，但它不一定捕获工作流，对吧？上下文图的论点，但实际上，嗯，如果我们开始谈论所有这些可能存在的不同类型的图，你又在提出知识是孤立存在的，对吧？所以，嗯，我们以前走过这条路。所以你可以有一个属性图。这有道理吗？比如对于一个电子商务情况，嗯，你知道，我认为我们开始陷入危险的境地，并且在某种程度上分裂或分叉我们的环境，但也许这就是需要的，也许它就是，你知道，创建更多的工作图，也许这就是将出现的，是一种工作图类型的架构，这并不坏，那是我的答案。
是的，这是一个很好的问题，我认为很难找到在未来十年内出现，但在之前十年内没有人做过的事情，对吧？就像你看到上下文图，你会觉得这太棒了。它是新事物，除了在 Neo4j 这样的用户社区中，有很多人长期以来一直在做类似的事情，对吧？但它肯定在过去的三到六到九个月里达到了临界质量，然后它出现了，有了一个名字，变得非常流行，对吧？所以我认为我们在未来 10 到 15 年里看到的一切都会与此类似，对吧，那就是，现在有足够多的，嗯，关注它，对吧，所以它出现了，有了一个名字，变得流行，更多人开始做它，但总会有人说我十年前就做过那个。所以，你知道，就是那种情况，对吧？而且他们会说得对。所以，我不认为会有完全全新的新颖事物，但肯定会有更多的趋势和更多相关的术语。所以，那可能是我认为它将如何展开的猜测。
顺便说一句，感谢你成为十年的用户。我喜欢这一点。
我也在我的硕士论文中使用了 NearJ。
谢谢你，Will。我很感激。那是我，嗯，那基本上是我对 Near4j 的介绍。嗯，我好奇的一件事，你知道，你的问题有点指出，嘿，因为 AI，人们对图的兴趣又回来了，你之前谈到 Neo4j 的成功很大程度上，嗯，在于它简化事物并使图对每个人都可访问的能力。我现在想问的是，这种对 AI 和 AI 工具的重新兴趣，是否会留下引入一些复杂性的机会，对吧？所以你谈到本体论是这种复杂性的来源，以及在 EFJ 中深入研究它的犹豫。我想知道，在这种重新兴趣中，我们是否会看到更多的复杂性被添加进来？
我对此有很多想法。嗯，我的意思是，Martin Fowler 在二三十年前对“本质复杂性”与“偶然复杂性”有过很好的论述，对吧？本质复杂性是可以接受的，它必须存在。为什么？因为我们正在尝试做的任何事情本质上都非常复杂，对吧？我认为当你问 AI 是否会引入更多复杂性或从图世界中拖出更多复杂性时，我认为其中一些会发生。本质复杂性。我一直以来都有问题的是偶然复杂性，当我们把本质上简单的概念说得如此花哨、如此复杂、如此困难时，我认为这不必要地提高了门槛，对吧，希望我们不会看到很多那样的偶然复杂性，但我认为本体论就是一个很好的例子，对吧，就像我再次，多年来一直在抨击那个词，比如为什么，为什么它是一个模式，却要把它弄得如此复杂。现在我是一个狂热的粉丝。我一直在使用这个词。我们将在未来的产品中构建更多的本体论能力。这是我目前在 2026 年的一个重点领域，对吧？因为世界已经改变了，对吧？所以希望那是本质复杂性，我们没有给世界带来偶然复杂性。所以这就是我如何看待它。我可以接着说。
哦，我的天。
是的。让我们看看它是否有效。好的。向小组提问，在上下文图的背景下。嗯，您如何定义推理？嗯，以及您如何将其与大型语言模型中所谓的推理进行比较？
我可以先说，我无法定义推理。每当我试图定义推理时，我都会力不从心。
但是，比如说，在你的产品背景下呢？
是的。我的意思是，你之前提到了 RDF，对吧？这曾经是 RDF 社区经常谈论的事情之一，比如 RDF 中包含了推理，而且你，每当你试图深入探讨你所说的推理是什么意思时，它总是某种层次关系的版本，当你这样说时，嗯，你知道，无论这是什么，比如一个苹果，它是苹果的一个子类，苹果是一种水果，所以无论如何，传递性地，这个东西是一个根，对吧，所以那就是推理，就像那是一个查询，拜托，你不需要称之为推理，对吧，所以我认为推理是什么，很难揭示。我认为从机械上讲，实际上归结为从你的数据中获取答案，当你说在我们的产品背景下时，我认为它归结为从你的数据中获取答案，通常，你知道，包括那些比从其他类型的数据库（如关系数据库）中更复杂、更难进行的查询，通常是这样。但再次，我一开始就说我不能严格地定义推理是什么。
是的，我认为推理确实很难定义。所以也许可以举一个子案例。如果你考虑代理，推理是什么？它基本上是做决策。所以如果你有多步骤的事情，代理需要在某个时刻做出决定。例如，我应该升级工单吗？我应该选择另一条路径吗？所以这一切都归结为决策。而关键问题是谁在做决策？如果你使用 RAG 图 RAG 或其他什么，你是让语言来做决策吗？还是你在图中做决策？所以要明确工作流来做到这一点。所以我将代理的推理定义为决策而不是推理。
我对推理有自己的看法。嗯，我会更进一步。它不仅仅是一个查询。嗯，推理是通过规则发生的。我们应用规则，而这实际上是原始上下文图文章中提到的，我们不能没有规则就做决策。所以 RDF，不仅仅是 RDF，而是本体论通常会引入规则，从而引入某种逻辑，这因此成为逻辑推理，而本体论本身并不呈现逻辑推理，只是让你们知道，对于那些知道的人，嗯，嗯，你通常有推理器，而碰巧的是，嗯，AI 在推理方面非常出色。嗯，你知道它们不需要推理器，但通常知识图是一种架构，本体论是该架构的一部分。它们支持推理，但有一系列推理器将对你的数据进行推理支持，这本质上是尊重你编码的规则库或规则。我认为你问题的第二部分真的很有趣，对吧？因为你，你，嗯，你指出了这种大型语言模型所谓的推理的想法，对吧？我认为有一些研究表明，嗯，那种推理并用其思考步骤回应的方式，那并不是实际发生的事情。它只是一种事后合理化，嗯，我认为这真的非常引人入胜。我认为如果你在上下文图和知识图中有一些基础来伴随这种事后合理化，你可以更好地将其捕获为推理轨迹。但我确实认为那是一项引人入胜的研究，就像大型语言模型所说的它们正在推理的东西，可能不一定是权重中实际发生的事情。这有点令人着迷。嗯，如果我把它与我的世界观联系起来，我当时想，对于 EML，我，我，我没有认为我所做的任何工作是推理，它实际上是查询，但我试图以一种方式进行查询，即我将为大型语言模型提供足够的信息来做出一系列合理的推理。它不是那么受限制，不是那么封闭，但，嗯，这样我的东西就不会那么僵硬和脆弱。但对我来说，那不是我正在做的推理，那是查询。
大家好。嗯，谢谢大家的分享。嗯，我的问题与图有关。所以我在思考上下文或知识。嗯，为什么它是一个图。所以，嗯，如果它像决策追踪一样有帮助，它可能是一个交易，也可能是一个试验，但只是我们组织知识的方式，嗯，它只是在我的，所以我的问题是，嗯，如果它不是图，那么从数据结构的角度来看，它还可以是什么？是的。
我甚至想不出另一个。看，我，我，我认为所有这些数据模型都是所谓的同构的，对吧？这意味着你可以将其中一个关系数据库中的数据，将其转换为图，你可以将其转换为文档数据库。所以从根本上说，你可以在所有这些中表达数据，归结为你想用它做什么，对吧？我认为我们今天在这里看到的许多事情都是关于沿着关系、沿着连接来处理这些数据，一旦你开始想这样做，用其他方式完全可以做到，只是更难，摩擦更多，对吧？所以我能做的一切，只是你愿意投入多少时间和金钱的问题。但我对图模型有最好的机械亲和力，对吧？
是的。我认为关键是，嗯，与其隐藏数据，不如如何利用这些数据。嗯，如果你以文本为例，你可以使用复杂的东西，偶然的东西，RAG 或类似的东西，所以图的主要优点是你可以直接遍历一个图，这就是关于如何将图利用到代理中的理论，所以这是一种利用这些数据的方式。
抱歉，我想我打断了，哦不，我没有。嗯，我认为令人着迷的是，在图书馆系统中有一个超过十年的项目，那就是链接数据项目。嗯，是的，链接数据本身不是一种图结构，但当你开始研究它的一些细微之处时，它不是传统的图结构。所以，它可能是，链接数据项目是与谷歌、亚马逊合作的，它仍在进行中。嗯，它提供了一种新的思考事物的方式，你基本上使用 URI 来链接记录。嗯，在 URI 中，你有编码结构。我认为这是一种非常有趣、紧凑、高效的编码知识的方式，嗯，在链接数据 HTTP URI 结构中，嗯，并将其相互链接。我认为它非常优雅，你可以打包大量信息，然后你可以大规模管理知识的扩展和收缩。这绝对是很酷的东西。我认为它只是一个图。听起来可能很简单，但这就是我思考这个问题的方式。我甚至想不出另一种任意表达事物的方式，除了画一些东西，把它连接到另一个东西，如果你不喜欢，那就擦掉重试，对吧？它只是，但归根结底，我只是在构建一个图，我无法想象最终你如何存储它。谁在乎呢？但你抽象地思考它的方式，就是我如何在我的大脑中组装知识，我没有这些人那么聪明。所以就是这样。但是。
是的，我们都用图来思考，对吧？我的意思是，图的奇妙之处在于，你走到白板前，我们称之为白板模型是有原因的，对吧？我的意思是，我的意思是，你能够，嗯，表达你的思维方式，而且，你知道，图数据库在那里存储、建模、查询你的数据，那都是与我们思考方式相同的数据模型，我认为那是一个超级超级强大的数据模型。
后面还有一位。
大家好。嗯，我的问题是，您认为图论作为一门科学，嗯，在彻底改变生成式 AI 领域方面有什么潜力，对吧？就像图论作为一门科学，在彻底改变生成式 AI 领域方面有多少潜力？例如，如果我们把图论与神经科学研究结合起来，并尝试用，你知道，嗯，不同的图来建模人脑，并尝试使用大型语言模型作为，嗯，推理工具来自动化这些过程，嗯，等等，因为很多，嗯，进步或飞跃，你可以说，都基于，嗯，高级图，对吧，例如网关和开放调用等等，嗯，你知道所有的队列等等，它更像是朝着，你知道，更，嗯，复杂的图发展，对吧，所以，是的，很想听听你们的看法，我很乐意先说。我认为数据的图表示与特别是大型语言模型之间存在非常密切的联系，我认为我们看到了第一波是图 RAG，对吧，第二波是所有代理记忆的东西，我认为第三波是上下文图，当我们一两年后坐在这里时，将会有第四波和第五波，我认为在堆栈的上下有很多方式，这种结合会，嗯，展现出来，对吧，我们刚刚看到了前三波，还会有很多很多，至少这是我的看法。
是的。嗯，我认为思考很有趣，我的意思是就大型语言模型而言，我认为你的问题是针对它将如何推动大型语言模型的发展。是这样吗？
是的。是的。
嗯，我认为它有机会，如果结构正确的话。我认为我们还需要提醒自己，嗯，这些基础商业模型中的大多数，这些公司也非常人性化。它们是软件公司，也面临着我们所有人都在自己的技术领域中处理的许多相同问题。我经常被提醒这一点。但就进步而言，如果我们看一下最频繁和最大或最高训练数据量的结构以及该数据的结构，维基数据是其中之一。谷歌专利是另一个，这些实际上都是本体图系统。所以当我们实际查看进入的训练数据以及对许多这些模型的成功影响最大的数据时，嗯，我认为在该领域有更多的关注，而且我认为数据质量正在显现。还有另一项我参与的研究是关于来源的。你知道，一个问题是，在参数层面上，在保留来源、引用和出处方面，需要进行很多改进。所有这些都在训练时从数据中剥离了。所以我们现在都像在祈祷一样，你知道，希望在检索层面上一切顺利，对吧？所以我认为那是最，你知道，最有趣的进展开始出现的地方。
希望如此，希望如此。
好的，各位。所以我没有麦克风。嗯，谢谢。哦，你们两位都太好了。非常感谢。所以，嗯，我现在没有麦克风，但我知道我们确实有一个，好的，最后两个问题。然而，时间已经非常非常晚了，我想确保，嗯，如果人们确实有问题，那么我们会做的是，我们中的几个人可能会留下来提问，所以你可以直接向演讲者提问，但我想确保我们尊重每个人的时间。所以我们将在此时结束对话，我们要感谢今天所有到场的演讲者。非常非常感谢。太棒了。我们将在下一次上下文图聚会中见到大家。特别是如果你在 Lumo 上看，我们下一次图交换活动将在三月份举行。所以我们期待在那里见到大家。请随时与我们联系，并在你的图上连接一些点。好的，我们很快会再见到大家，并带着你们所有最后的问题。非常感谢。谢谢大家。