AI Semantic Layer: как искать связный контекст для ИИ-агентов в больших графах Neo4j
Подробнее о докладе
Другие доклады
- Читаем с реплики в 2026Андрей Бородин

Спикеры
Максим Кочуков — CTO R77.AI - 8+ лет опыта в IT, инженерной разработке и техническом лидерстве; background в Security: участник большого числа международных CTF-соревнований, многократный победитель и призёр. - ex-CTO Dbrain (YC), ex-Mirror AI (YC), ex-Яндекс, ex-Kaspersky. - Выпускник МФТИ: прикладная математика и информатика. - Лектор Computer Networking в МФТИ. - Специализация: - архитектура AI-native продуктов и production-инфраструктуры для ML; - MLOps, orchestration ML-пайплайнов, deployment и эксплуатация моделей; - распределённые вычисления, data processing и backend-системы высокой надёжности; - построение инженерных платформ для разработки, тестирования и внедрения AI-решений; - техническое лидерство: от архитектуры до процессов разработки и production ownership.
Отзыв программного комитета
На кейсе бигтеха разберём сбор контекста для ИИ-агентов из графа знаний через RAG. Сравним дерево Штейнера и k-связность, проверим реализацию Claude на миллионных графах: время, память и полноту контекста. Покажем эффект переноса алгоритма внутрь Neo4j и когда сложный поиск не оправдывает затрат.
Кому полезно
Этот доклад для архитекторов ИИ-платформ и агентов, технических руководителей, ML/LLM- и дата-инженеров, разработчиков корп ИИ-агентов. Он будет полезен командам, которые уже запустили ИИ пилоты, настроили сценарии для ИИ-агентов и столкнулись с тем, что каждый новый агент заново подключается к ERP, CRM, документам и другим источникам, повторно восстанавливает одни и те же сущности и связи и расходует токены на повторную сборку корпоративного контекста.
О чём доклад
На кейсе крупного бигтеха разберём, как собирать контекст для ИИ-агентов из графа знаний: находить точки входа через RAG и сохранять полезные факты и связи между ними. Рассмотрим ограничения дерева Штейнера и подход на основе k-связности. Проверим реализацию от Claude на миллионных графах, сравним эвристики по времени, памяти и полноте контекста. Покажем, что даёт перенос алгоритма внутрь Neo4j и когда усложнение поиска не оправдывает затрат.