Knowledge Graph Présentation
Une couche de mémoire persistante qui stocke les entités, les relations et les informations sur toutes les exécutions de flux de travail. Les exécutions futures reçoivent un contexte compact et pertinent, et non un vidage de l'historique brut.
Quel est le Knowledge Graph?
Le Knowledge Graph (KG) est le système de mémoire long-term de AgentLed. Contrairement aux outils d'automatisation traditionnels qui partent de zéro à chaque exécution, AgentLed stocke les entités (entreprises, personnes, transactions, prospects), leurs relations et les informations générées par AI dans une base de données graphique.
Chaque exécution de flux de travail peut lire et écrire sur le graphique. Un workflow de notation des leads peut faire référence aux résultats des exécutions précédentes. Un workflow de mise en relation des investisseurs peut prendre en compte les décisions historiques et les corrections des partenaires. Un flux de travail de contenu peut apprendre des modèles d'engagement.
Le mécanisme clé n'est pas d'injecter un historique complet dans les invites, mais de créer des profils compacts et structurés par entité qui reprennent uniquement ce qui est pertinent.
Comment la mémoire se compose: Score → Stocker → Résumer → Récupérer
L’étape Résumer est ce qui maintient les invites limitées. Les journaux de notation bruts ne sont jamais répercutés dans les exécutions futures: uniquement le profil compact qui distille ce qui compte.
Architecture
Le Knowledge Graph comporte trois couches:
Nœuds d'entité
Entreprises, investisseurs, prospects, contacts, transactions — tout objet commercial. Chaque nœud a un type, des propriétés et une identité unique. Les nœuds sont créés automatiquement lors de l'exécution du flux de travail ou importés depuis Knowledge Lists.
Bords de la relation
Connexions typées entre entités: SCORED, APPROVED, REJECTED, CONTACTED, MATCHED. Les bords contiennent des métadonnées: un bord SCORED inclut la valeur du score, la justification et l'exécution qui l'a créé. Interrogez les arêtes pour parcourir le graphique ou créer des profils compacts.
AI Perspectives
Informations générées par les étapes AI: justification de la notation, reconnaissance de formes, données d'étalonnage, corrections des partenaires. Les informations sont liées aux entités et aux exécutions qui les ont produites, créant ainsi une piste d'audit du raisonnement AI au fil du temps.
Outils KG intégrés
Chaque étape AI d'un flux de travail a automatiquement accès à quatre outils Knowledge Graph. Aucune configuration nécessaire.
| Tool | Description |
|---|---|
| kg_search | Recherche sémantique en langage naturel dans toutes les entités et informations |
| kg_traverse | Suivre les bords de relation typés à partir d'une entité de départ |
| kg_nodes | Répertoriez toutes les entités d'un type donné (par exemple, tous les investisseurs, tous les prospects) |
| kg_write | Conserver les informations et les scores générés par AI dans le graphique |
Ce qui change entre les exécutions
La différence entre une exécution cold-start et une exécution context-aware réside dans le profil compact. Voici deux exemples: un workflow de mise en correspondance des investisseurs, un workflow de notation des leads – montrant ce que le AI reçoit lors de l'exécution 1 par rapport à l'exécution 5.
Notation des leads — Jane Smith
Exécution 1 – Démarrage à froid
Contexte disponible:
Title: Head of Marketing Company: Acme Corp (180 employees, SaaS) Industry: B2B SaaS LinkedIn: Active (3 posts/month)
Score
65 — "correspondance ICP en termes de taille et de secteur d'activité. Aucune donnée de contact préalable."
Exécution 5 — Avec profil compact
Contexte disponible:
Title: Head of Marketing Company: Acme Corp (180 employees, SaaS) Industry: B2B SaaS — Compact profile (4 prior runs) — 2 emails sent. Opened 2 of 2. No reply. Colleague (CTO, Mark T.) was qualified last quarter — meeting booked. Rep note: "Likely decision-influencer, not buyer. Needs CTO intro first."
Score
71 — "Candidat au réengagement. Chemin chaleureux via un collègue CTO. Itinéraire vers la séquence account-based."
Appariement des investisseurs — Benchmark Capital
Exécution 1 – Démarrage à froid
Contexte disponible:
Sector focus: Enterprise SaaS, DevTools Stage: Series A–B Check size: $5M–$25M Portfolio: 34 companies (public data)
Score
74 - "Ajustement sectoriel fort, taille de contrôle alignée. Aucune donnée de relation antérieure."
Exécution 5 — Avec profil compact
Contexte disponible:
Sector focus: Enterprise SaaS, DevTools Stage: Series A–B Check size: $5M–$25M — Compact profile (4 prior runs) — Approved for intro: 2 SaaS deals (both converted to meetings). Passed: 1 marketplace deal. Partner note: "Strong PLG preference. Weak fit on sales-led GTM." Last outcome: Committed at lead round.
Score
88 - "Confirmation de l'adéquation de SaaS avec le signal PLG. Le modèle d'approbation préalable et la prise en charge des résultats d'engagement se poursuivent."
Le profil compact est construit à partir de décisions structurées stockées dans KG, et non à partir de la relecture des journaux d'exécution bruts. La taille de l'invite reste limitée quel que soit le nombre d'exécutions précédentes.
Sources de données
Les données entrent dans le Knowledge Graph via trois chemins:
- 1.Knowledge Lists — Téléchargez CSVs ou créez des listes structurées dans le tableau de bord. Les lignes sont synchronisées avec le graphique en tant qu'entités.
- 2.Exécution du flux de travail — Les étapes AI écrivent les scores, les justifications, les corrections et les résultats au fur et à mesure qu'elles traitent les données.
- 3.ingestion API — Transmettez les données historiques ou les résultats d'enrichissement externe via les points de terminaison d'ingestion.
Prochaines étapes
- Notation et commentaires — Chemin d'écriture/lecture complet et détails de profil compacts
- KG API — Interroger et écrire sur le graphique par programmation
- Business Memory — Contexte partagé au niveau de l'espace de travail
- Knowledge Lists — Importation et stockage de données structurées