Исследователи представили концепцию Knowledge Agents, которая меняет подход к проектированию агентных систем. Вместо того чтобы полагаться исключительно на мощь «фронтирных» моделей, разработчики предлагают использовать специализированные структуры данных и графовые представления знаний. Такой подход позволяет агентам эффективнее оперировать контекстом, минимизируя галлюцинации и повышая точность ответов в узкоспециализированных задачах.
Основная идея заключается в переходе от линейной обработки информации к многоуровневой архитектуре, где агент выступает как оркестратор, взаимодействующий с внешними базами знаний через структурированные API. Это позволяет системе динамически извлекать только релевантные факты, не перегружая контекстное окно модели лишними данными. В результате даже менее производительные модели при правильной организации структуры показывают результаты, сопоставимые или превосходящие топовые LLM в задачах с высокой плотностью данных.
Практическая реализация метода включает создание промежуточного слоя между моделью и источниками данных, который отвечает за декомпозицию запросов и верификацию ответов. Разработчики отмечают, что использование графовых структур позволяет агентам лучше понимать взаимосвязи между объектами, что критически важно для корпоративных систем поиска и аналитики. Этот подход снижает затраты на инференс, так как позволяет использовать более компактные и быстрые модели для выполнения сложных логических операций.