Context Engineering 3 - источники истины, RAG и память агентов.

В третьей части серии про Context Engineering разбираем то, на чём часто ломаются AI-агенты: источники истины, RAG, память и состояние.

Если агенту просто дать папку с документами, старыми скриптами, таблицами, созвонами и черновиками, он может уверенно достать устаревший кусок и ответить неправильно. Проблема не всегда в модели. Часто проблема в том, что агенту не сказали, чему верить, где искать, что считать архивом и где нужно остановиться.

В этом видео разбираем рабочую карту: как собрать карту источников истины, как устроить поиск через RAG, чем memory отличается от state и почему агенту нельзя запоминать всё подряд.

Ссылки:
AI Операционка: https://t.me/tribute/app?startapp=sJyg
GitHub: https://github.com/AlekseiUL
Telegram SPRUT_AI: https://t.me/Sprut_AI

Тайм-коды:
00:00 - Вступление и тема третьего видео
00:28 - Три главных вопроса: где правда, как работает RAG и что помнить агенту
02:22 - Три черновика на выходе: карта источников, план поиска, политика памяти
02:44 - Рабочая схема: источник, извлечение, ответ модели, memory и state
03:32 - Где ломается память агента
04:53 - Почему агенту нужно явно сказать, чему верить
05:19 - Мини-словарь: источник истины, база знаний, метаданные, конфликт правил
06:17 - Почему “модель и так всё знает” не работает
07:34 - Две карты: источники истины и источники знаний
08:15 - Пирамида доверия к источникам
09:31 - Как это работает в Hermes
10:52 - Статусы источников: главный, вторичный, архив, рискованный
11:51 - Метаданные как паспорт источника
13:20 - Заземление ответа агента в источнике
13:59 - Что делать, когда источники спорят
16:16 - Пример карты источников для разбора заявок
17:06 - Что такое RAG и почему он не делает ответ верным сам по себе
17:52 - Индекс, чанки, embeddings, reranking, top-k и ссылки на источники
18:29 - Аналогия с библиотекарем: хороший и плохой retrieval
19:15 - Как выглядит RAG в живой системе
20:05 - Индекс и чанкинг: почему важно правильно резать документы
22:42 - Поиск по словам, по смыслу и гибридный поиск
24:15 - Гибридный поиск в современных агентских системах
25:49 - Reranking и top-k: как выбрать лучшие фрагменты
26:58 - Что хороший RAG должен показывать в ответе
28:07 - Где RAG ломается до ответа модели
28:44 - План поиска: договорённость до кода
30:30 - Memory и state: что помнить потом, а что держать в текущей задаче
31:20 - Краткосрочная и долгосрочная память агента
32:59 - Checkpoint: как агент не теряет ход длинной задачи
33:47 - Что можно и нельзя сохранять в память
35:01 - Почему свежая команда и источник истины выше старой памяти
36:32 - Политика памяти: сохранить, не сохранять, спросить, удалить
37:09 - Карта состояния текущей задачи
37:44 - Итог: агенту нужен рабочий контур, а не просто доступ к документам

#ContextEngineering #AIAgents #RAG