Автономные пайплайны агентов все чаще полагаются на графы знаний для поддержания долговременной памяти в сложных корпоративных процессах. Однако большинство промышленных решений по-прежнему сбрасывают извлеченные факты в плоские хранилища триплетов. Это создает не поддающийся аудиту хаос, где ни один компонент не отвечает за утверждения, а первоисточник данных невозможно отследить. Чтобы справиться с деградацией структуры и накоплением галлюцинаций в памяти агентов, исследовательская группа из Мэрилендского университета под руководством Пранава Байкампади представила MAGG — мультиагентный фреймворк для создания управляемых графов знаний (Governed Knowledge Graphs).
Многоуровневая архитектура и доменная ответственность
Архитектура MAGG разделяет жизненный цикл памяти на три скоординированных уровня: создание, управление и применение. На этапе создания система обрабатывает исходные документы через многостадийный пайплайн извлечения. В нем используется принцип общей панели обсуждения (blackboard), что позволяет устранять неоднозначности в сущностях, связях и кандидатах в триплеты. Вместо того чтобы заставлять инженеров вручную проектировать жесткие онтологии, классификатор доменов определяет типы сущностей и связей прямо на лету. Это позволяет пайплайну работать в динамичной среде без заранее заданных схем.
Как только формируются потенциальные триплеты, уровень управления направляет их специализированным агентам — экспертам домена. Это не медленные проверяющие-люди, а выделенные LLM-агенты. Они сопоставляют предложенные факты с доказательствами из первоисточника и локальным контекстом графа, прежде чем принять явное решение о добавлении данных.
Кандидаты в триплеты закрепляются за владельцами доменов, проверяются на соответствие подтверждающим данным, утверждаются через механизмы контроля и сохраняются вместе с метаданными для аудита.
Поскольку итоговый граф содержит четко разграниченные зоны ответственности, уровень применения задействует эту структуру при последующем поиске. Обрабатывая запросы пользователей, система направляет их напрямую к профильным графовым экспертам конкретного домена, а не запускает зашумленный векторный поиск по неразделенной базе данных.
Практические результаты: извлечение данных и сложные цепочки рассуждений
Тесты на бенчмарках показали ощутимый прирост точности извлечения данных и качества многошаговых рассуждений (multi-hop reasoning) по сравнению со стандартными подходами. На бенчмарке SciERC фреймворк MAGG увеличил метрику F1 для строгих триплетов на 47%, а для сопоставленных триплетов — на 51% относительно неструктурированного добавления данных. Слепая оценка 120 триплетов подтвердила: проверенные в MAGG факты совпали с первоисточниками в 100% случаев, что значительно превосходит показатели плоского извлечения.
На бенчмарке сложных рассуждений MuSiQue система MAGG обошла Microsoft GraphRAG на 9,0 процентных пунктов по точному совпадению (exact-match) и на 11,2 процентных пункта по метрике token-F1. Слой мультиагентной верификации эффективно отсекает галлюцинации до того, как они успевают загрязнить общую память, гарантируя, что последующие шаги рассуждений строятся исключительно на проверенных фактах.
Для технических лидеров корпоративного сектора MAGG служит доказательством: внедрение контроля напрямую в процесс построения графа устраняет деградацию памяти агентов без непомерных затрат на ручную поддержку схем данных. Замена примитивных хранилищ триплетов специализированными LLM-верификаторами обеспечивает проверяемость источников и более точный поиск в сложных цепочках запросов. Тем не менее мультиагентные обсуждения и верификация увеличивают вычислительные затраты на этапе загрузки данных. Руководителям инженерных команд придется тщательно взвесить этот компромисс перед интеграцией решения в высоконагруженные потоковые пайплайны.