Архитектура Claix: Агентно извличане като прецизна алтернатива на векторния RAG

Снимка: Wikimedia Commons / Indrajit Das

Инженерният екип на технологичната платформа Claix публикува задълбочен технически манифест, поставящ под въпрос доминиращата роля на стандартния векторен RAG (Retrieval-Augmented Generation) при изграждането на дългосрочна памет за автономни софтуерни агенти [1].

В своя анализ инженерите демонстрират, че разчитането единствено на търсене на най-близки съседи чрез косинусово сходство във векторни бази данни се превръща в тесното гърло на съвременните агентни системи, предлагайки като алтернатива парадигмата на „агентното извличане“ (Agentic Retrieval) [1].

Инфографика: Светни.ме

Защо геометричното сходство се проваля при сложни разсъждения

Основният архитектурен дефект на класическия векторен RAG е свързан със загубата на логическа структура. Когато текстът бъде разделен на фиксирани парчета (chunks) и превърнат във вектори с висока размерност, контекстните връзки, хронологията и йерархията на информацията се разрушават [1].

При сложни задачи AI агентите се нуждаят не от текстове, които „звучат подобно“, а от прецизни релационни връзки — например как промяната в една база данни се отразява на конкретен микросървиз. Традиционното връщане на топ-k вектори препълва контекстния прозорец с парафразиран шум, което води до халюцинации и загуба на фокус при продължителни работни сесии.

Активна навигация през структурирани графове

В архитектурата на Claix процесът по извличане на информация се дефинира като активно изследване на йерархичен граф от знания чрез агентна памет (Agentic Memory). Вместо еднократна пасивна заявка към базата, малък специализиран агент чете метаданни, прави логически заключения и формулира поредица от насочени подзаявки.

Този метод позволява многостъпкова навигация (multi-hop traversal): агентът може да проследи верига от три различни документа, за да открие точната първопричина за даден проблем, като запазва пълна детерминистична одитна следа за всяка стъпка.

Дълбок технически анализ: Еволюцията на агентната памет от речников индекс към когнитивна структура

Анализът на Claix подчертава съзряването на софтуерния дизайн за изкуствен интелект. През първата фаза на индустрията се смяташе, че масивните контекстни прозорци (като 1M или 2M токена) и векторните бази данни ще направят класическите структури от данни излишни. Практиката обаче показа точно обратното: колкото по-голям е прозорецът, толкова по-висока е цената и латентността на заявката, а феноменът „изгубен в средата“ (lost in the middle) продължава да деградира точността на моделите.

Преминаването към агентно извличане възстановява ролята на компютърните науки в дизайна на невронната памет. Интелигентността не трябва да се концентрира само в крайния модел, а да бъде разпределена в самия механизъм за навигация в данните. Чрез комбиниране на семантични ембединги с детерминистични йерархични индекси и времеви филтри, агентите придобиват памет, сходна с човешката — способна да отделя ключовите факти от шума и да пази ясна връзка за произхода на всяко знание.

Източници

[1]: We Built an Alternative to Vector RAG for AI Agent Memory - Claix