Clef · Попробовать живое демо →
Heabsy
Технология

Graph-ReAct:
архитектура ARGUS

Обычный RAG находит абзацы. ARGUS рассуждает по всей вашей базе знаний и связывает факты так, как это сделал бы опытный аналитик.

Запросить техническое описаниеARGUS в работе

Простой RAG против ARGUS

Принципиальная разница в том, как ИИ понимает ваши документы

Простой RAG

Векторный поиск одним запросом

Запрос
Векторная БД
Top-K фрагментов
Ответ

Линейный поиск — без рассуждений и без связей

  • Находит разрозненные абзацы
  • Не видит связей между документами
  • Не сводит воедино несколько источников
  • Не справляется с вопросами в несколько шагов
  • У ответов нет следа для проверки

ARGUS

Архитектура Graph-ReAct

Запрос
Док. А
Факт 1
Док. Б
Факт 2
Док. В
Факт 3
Обоснованный ответ

Обход графа с пошаговым рассуждением

  • Строит граф знаний в реальном времени
  • Связывает факты из разных документов
  • Рассуждает в несколько шагов (цикл ReAct)
  • Справляется со сложными вопросами в пять и более шагов
  • Полный след доказательств для проверки
Прослеживаемость

Журнал доказательств

К каждому ответу ARGUS прилагается полный след проверки: видно, какие документы использованы, какие факты из них извлечены и как из них сложился итоговый ответ.

  • Исходные документы с номерами страниц
  • Извлечённые факты с оценкой уверенности
  • Наглядная цепочка рассуждений
  • Готовая выгрузка для проверок на соответствие

«Для регулируемых отраслей прослеживаемость — не дополнительная функция, а обязательное требование».

Журнал доказательств
Запрос
«Какие пункты об ответственности в договоре А противоречат регламенту Б?»
Шаг 1: анализ документа
→ В файле «Договор А.pdf» найдено 3 пункта об ответственности (с. 12, 15, 23)
→ Уверенность: 0,94
Шаг 2: сверка
→ Сверено с файлом «Регламент Б.pdf», разделы 4.1 и 4.3
→ Найдено 2 противоречия
Итоговый ответ
Пункт 5.2 договора А ограничивает ответственность суммой 50 000 €, а раздел 4.3 регламента Б требует покрытия не менее 100 000 €…

Иллюстрация формата вывода, а не случай клиента: документы, номера пунктов и значение уверенности выдуманы. Настоящее в ней — форма: каждый шаг называет свой источник, противоречие показано с обеих сторон, без пересказа.

Граф знаний

Рассчитан на реальные объёмы

ARGUS не просто хранит документы: он извлекает из них смысловые связи и строит граф знаний, к которому можно обращаться с запросами и который связывает факты по всему массиву ваших документов.

260 тыс.+
Семантических триплетов
сущности и связи, извлечённые языковой моделью
19 тыс.+
Проиндексировано документов
связаны перекрёстными ссылками
46,4 %
Связность графа
рост с 1 % за счёт сопоставления сущностей
94 %
Меньше «островов»
изолированные кластеры объединены в связный граф

Как это устроено

1
Извлечение триплетов: языковая модель выделяет из каждого фрагмента документа «субъект → связь → объект»
2
Сопоставление сущностей: устранение дублей по эмбеддингам сводит «CEO», «генерального директора» и имя человека в один узел
3
Слияние RRF: оценки векторного сходства и обхода графа объединяются методом Reciprocal Rank Fusion для гибридного поиска
Запуск без обучения

Запуск за дни, а не за месяцы

В отличие от классических решений на машинном обучении, ARGUS не нужно обучать на ваших данных. Подключите источники документов — и можно сразу задавать вопросы.

День 1

Подключение источников

Подключаем ваши хранилища документов, SharePoint, S3 или базы данных.

Дни 2–3

Индексация и настройка

Граф знаний строится автоматически, релевантность настраивается точно.

С 4-го дня

Готово к работе

Система отвечает на сложные вопросы, а мы следим за результатами и дорабатываем.

Хотите разобраться в технических деталях?

Запросите техническое описание: схемы архитектуры, методика бенчмарков и спецификации интеграции.

Запросить техническое описаниеОбсудить архитектуру

Частые вопросы о технологии Graph-ReAct

Что означает Graph-ReAct в ARGUS?+
Graph-ReAct объединяет две части: граф знаний, который ARGUS строит из ваших документов, и цикл ReAct, в котором система по очереди рассуждает, ищет и проверяет найденное. Поэтому ARGUS идёт по ссылкам между документами, а не просто берёт самые похожие абзацы, и рассчитан на вопросы в пять и более шагов.
Как из наших документов строится граф знаний?+
В три шага. Языковая модель выделяет из каждого фрагмента текста триплеты «субъект — связь — объект». Сопоставление сущностей по эмбеддингам сводит «CEO», «генерального директора» и имя человека в один узел. При поиске оценки векторного сходства и обхода графа объединяются методом Reciprocal Rank Fusion.
Что показывает журнал доказательств у ответа ARGUS?+
Исходные документы с номерами страниц, извлечённые факты с оценкой уверенности и цепочку рассуждений по шагам; журнал можно выгрузить для проверки на соответствие. Противоречия показаны с обеих сторон, без пересказа.
Нужно ли обучать ARGUS на наших данных перед запуском?+
Нет. В первый день подключаются источники, на второй-третий граф знаний строится автоматически и настраивается релевантность, с четвёртого дня ARGUS отвечает на сложные вопросы. Данные клиентов в обучение моделей не попадают; как это закреплено в договоре, описано на странице «Безопасность и доверие».
Какие источники данных можно подключить к ARGUS?+
Существующие хранилища документов, SharePoint, S3 и базы данных. Подключение — первый шаг внедрения, и обучения оно не требует. Где затем идёт обработка — на ваших серверах или на нашем оборудовании в ЕЭЗ, — решаете вы.

Обновлено: