Предыдущий пост был сложный. Давайте коротко и просто пройдемся по рецептам - что и когда применять.
По дефолту подключайте контекст к агенту напрямую. Большинство задач по-прежнему эффективно решаются связкой RAG + качественная очистка данных.
Если у вас ...
Объём данных:
- Огромный или постоянно обновляемый? → RAG. Даже с окнами в миллионы токенов, RAG экономичнее и точнее для работы с внешними знаниями.
- До 100K-200K токенов? → Прямое включение в контекст, если данные не требуют постоянных обновлений.
Динамичность данных:
- Нужны данные в реальном времени? → Function Calling.
- Данные статичны? → Vector DB (RAG).
Сложность задачи:
- Многоэтапный, нелинейный процесс? → Multi-Agent Systems.
- Простой, линейный процесс? → Function Calling или RAG.
Требования к качеству:
- Критична точность и важны скрытые связи? → GraphRAG.
- Есть противоречивые или устаревшие данные? → Compression с фильтрацией.
Продолжительность сессии:
- Долгая, многочасовая работа? → State Checkpoints + Summarization.
- Короткая сессия (минуты)? → Semantic Caching.
Что потыкать из тулинга:
Для векторного поиска: Milvus (мощный и open-source) или Pinecone (заводится с полпинка).
Для графов и связей: Neo4j GraphRAG.
Для построения агентов: LangGraph (погибче) или CrewAI (попроще).
Для управления памятью: Zep (enterprise-ready).