Haz Que Tus Agentes de IA Sean Predecibles con Ingeniería de Grafos - Zachary Blumenfeld, Neo4j

Highlights

• La ingeniería de grafos define el trabajo de los agentes mediante un grafo explícito donde los nodos ejecutan tareas y las aristas enrutan el estado.

• El uso de grafos procedimentales reduce el costo de ejecución en casi un 100% y disminuye el tiempo de procesamiento de 7.5 minutos a aproximadamente 2 minutos.

• La capa de conocimiento en Neo4j se sitúa entre los sistemas de registro como Databricks o Snowflake y los entornos de ejecución de agentes.

• La compilación de prosa y documentación en scripts deterministas en formato YAML incrementa la recompensa y el rendimiento general de las tareas del agente.

• El servicio Neo4j Agent Memory Service permite rastrear, versionar y auditar cada llamada a herramientas y decisión tomada por el agente a lo largo del tiempo.

Timeline

1. 00:00:00 - 03:03:00

   Introducción a la ingeniería de grafos y tipos de grafos

   Se explora el trasfondo del término ingeniería de grafos a partir de discusiones recientes en la industria. Se detalla cómo los grafos de ejecución, de contexto y procedimentales permiten estructurar el comportamiento agéntico más allá de las capacidades tradicionales de los modelos de lenguaje.

   • La ingeniería de grafos surge como una evolución natural de la ingeniería de prompts y contextos basada en conceptos conocidos de ciencias de la computación.
   • El trabajo de los agentes se diseña como un grafo explícito donde los nodos realizan el trabajo y las aristas enrutan el estado.
   • Se identifican tres tipos principales de grafos: de ejecución general, de contexto y procedimentales.
2. 03:03:00 - 06:02:00

   Beneficios de los grafos y la capa de conocimiento en Neo4j

   Se analizan los tres pilares principales que justifican el uso de grafos con agentes: restringir rutas para garantizar precisión, controlar y auditar acciones, y lograr portabilidad entre diferentes plataformas. Se presenta la arquitectura de Neo4j como capa intermedia que conecta bases de datos, archivos de documentación y memorias agénticas.

   • La ingeniería de grafos aporta previsibilidad, gobernanza y portabilidad a las operaciones de los agentes.
   • La capa de conocimiento de Neo4j se ubica entre los sistemas de registro de datos y los motores de ejecución de agentes.
   • Los artefactos en formato de grafo permiten mantener una pila simple y asegurar la interoperabilidad entre diferentes entornos de ejecución.
3. 06:02:00 - 10:46:00

   Grafos de contexto y compilación de habilidades procedurales

   Se detalla cómo transformar documentación y habilidades en estructuras de grafo comprensibles por los agentes. Esto otorga una procedencia clara a cada paso ejecutado, facilitando la revisión humana y el cumplimiento normativo en organizaciones complejas como Uber o entidades de gestión de activos.

   • El grafo de contexto integra memoria a corto plazo, memoria a largo plazo y rastros de decisiones.
   • Es posible compilar material escrito y habilidades procedurales en estructuras de grafos deterministas.
   • El uso de esta estructura aporta trazabilidad completa, versionado y control de desvíos en las llamadas a herramientas.
4. 10:46:00 - 20:25:00

   Demostración práctica de aprobación de préstamos y resultados

   Se muestra una demostración técnica aplicada a un flujo de préstamos comerciales. Se explica cómo la transición hacia scripts ejecutables basados en grafos elimina la variabilidad en el comportamiento del agente, logrando reducir el tiempo de tareas complejas de 7.5 a 2 minutos y abaratando los costos operativos.

   • Un proceso de aprobación de préstamos automatizado combina datos de Databricks, planes de negocio en PDF y políticas internas mediante grafos.
   • La compilación de ejecuciones exitosas en archivos YAML reduce drásticamente la carga de enrutamiento del agente.
   • El uso de un modelo más simple como Haiku junto con el procedimiento en grafo disminuye considerablemente el tiempo de ejecución y el costo total.