Context Graph: исследователи научили корпоративных AI-агентов работать без запросов

Команда исследователей 10 июля 2026 года опубликовала на arXiv статью с архитектурой Context Graph — живой реляционной структурой данных, которая переводит корпоративных AI-агентов из пассивного режима «жди вопроса» в проактивный: в тестах на трёх бизнес-сценариях среднее время до получения нужной информации сократилось с 47 минут до менее 30 секунд.

Почему реактивный режим тормозит корпоративный AI

Авторы фиксируют фундаментальную проблему современных RAG-систем и агентных фреймворков: они ждут запроса. Сотрудник должен сам понять, что ему нужна информация, правильно её сформулировать и обратиться к системе — а это создаёт задержку от минут до часов. При этом значительная часть критически важных сигналов теряется: человек просто не знал, что надо спросить, или был занят другой задачей в момент появления важного события.

Context Graph меняет эту логику принципиально. Вместо ответа на запрос система строит живую модель предприятия и сама выдаёт уведомление при появлении значимого изменения. В графе хранятся объекты бизнеса — контракты, инциденты, сделки, задачи — их взаимосвязи и история переходов между состояниями. Всё обновляется непрерывно в реальном времени, без участия пользователя.

Как устроены три компонента системы

Архитектура Context Graph состоит из трёх последовательных слоёв, каждый из которых выполняет отдельную роль в цепочке от события до уведомления:

• Delta Detection Engine — непрерывно мониторит граф на предмет изменений: обновления статусов, смены ответственных, появление новых связей, нарушения дедлайнов. Именно этот компонент «замечает», что что-то произошло.
• Proactivity Scorer — ранжирует потенциальные уведомления по трём параметрам: срочность события, релевантность для конкретного пользователя и соответствие его роли и контексту (persona-fit). Авторы вывели единую формулу Proactivity Score, объединяющую все три показателя в один числовой приоритет.
• Surfacing Layer — LLM генерирует финальное сообщение для сотрудника с обоснованием и контекстом из графа. В реализации авторов за этот слой отвечает Anthropic Claude API.

Вся Python-реализация основана на NetworkX и предоставлена в тексте статьи целиком — её можно воспроизвести с нуля без дополнительных зависимостей.

Что показали три корпоративных кейса

Систему протестировали на трёх намеренно «генерических» сценариях, чтобы показать универсальность архитектуры, а не её заточенность под конкретную отрасль:

• Управление жизненным циклом контрактов — отслеживание статусов, сроков и смен ответственных
• Реагирование на инциденты в инженерных командах — ранняя эскалация до того, как разработчик «заметит» проблему
• Отслеживание «гигиены» продажного пайплайна — мониторинг зависших сделок и пропущенных активностей

Итоговые метрики в сравнении с реактивным базовым режимом:

• Precision@5 = 0,83 — в топ-5 уведомлений 83% оказываются действительно релевантными
• False positive rate = 0,11 — только 11% уведомлений лишние
• Среднее время до выдачи информации: с 47 минут (реактивный режим) до менее 30 секунд — снижение более чем в 90 раз

Что это значит

Работа переводит концепцию «проактивного агента» из академической дискуссии в работающий прототип с открытым кодом. Если результаты воспроизведутся в продакшене, корпоративные AI-системы смогут выдавать нужный контекст в нужный момент — без запроса — что особенно ценно там, где промедление с информацией стоит денег: инжиниринговые инциденты, просроченные контракты, зависший pipeline.

Частые вопросы

Какая LLM отвечает за финальные уведомления?

В слое Surfacing Layer авторы используют Anthropic Claude API — именно он генерирует уведомления с объяснением контекста и обоснованием приоритета для конкретного сотрудника.

Где найти код реализации?

Полная end-to-end Python-реализация на NetworkX и Anthropic Claude API включена непосредственно в текст статьи arXiv 2607.07721, доступной бесплатно на arxiv.org.