Aller au contenu
AI.info

The Pulse

LangChain décrit une fabrique de connaissances pour tenir à jour les agents d’IA

LangChain affirme utiliser un système dans lequel les agents signalent les lacunes dans les connaissances et un agent distinct met à jour les informations partagées. L’entreprise travaille également avec quelques clients pour déployer cette approche auprès de leurs agents.

LangChain décrit une fabrique de connaissances pour tenir à jour les agents d’IA

LangChain affirme que ses agents internes dédiés à la mise sur le marché et à la création de contenu fonctionnent grâce à ce qu’elle appelle une fabrique de connaissances : un système conçu pour collecter, organiser et entretenir les connaissances de l’entreprise dont ses agents ont besoin. Dans un billet publié le 21 novembre, Harrison Chase a décrit la façon dont l’entreprise l’utilise pour son travail interne et dans LangSmith Engine.

L’entreprise travaille également avec quelques clients pour déployer cette approche auprès de leurs agents internes et externes, a écrit Chase. LangSmith Engine, un agent qui examine les traces et suggère des correctifs, entretient une fabrique de connaissances pour chaque agent, selon le billet.

Des connaissances pour les tâches à venir

Chase distingue le contexte dont dispose un agent pendant une tâche des connaissances réutilisables sur le fonctionnement d’une entreprise. Ces connaissances peuvent inclure la signification d’un indicateur, la source à laquelle se fier ou la façon de gérer une situation particulière.

Une fabrique de connaissances vise à collecter et à entretenir ces informations afin qu’elles puissent être fournies comme contexte pour des travaux ultérieurs. D’autres éléments de contexte, déjà stockés de manière fiable, peuvent être transmis directement à un agent plutôt que d’être entretenus séparément dans la fabrique.

Chase répartit ces connaissances en trois catégories : les skills, les connaissances du domaine et les consignes d’accès aux données. Les skills couvrent les procédures, les instructions et les scripts permettant d’effectuer le travail comme l’entreprise le souhaite.

Les connaissances du domaine couvrent les définitions, les politiques et les faits concernant les produits, les clients, les concurrents et l’organisation. La troisième catégorie indique aux agents quelles sources utiliser, où se trouvent les informations et comment les interroger.

Un agent de curation en arrière-plan

Les agents effectuant leur travail habituel signaleraient les informations qu’ils ne trouvent pas ou dont ils découvrent qu’elles sont erronées, et pourraient suggérer une correction. Un agent de curation distinct examinerait périodiquement ces signalements et mettrait à jour le référentiel de connaissances.

Chase estime que les agents qui utilisent ces connaissances ne devraient pas être seuls responsables de leur entretien : demander à des agents qui poursuivent principalement leurs propres objectifs de s’en charger « rendra le système ingérable et plein de contradictions », a-t-il écrit. L’agent de curation aurait plutôt accès aux sources sous-jacentes, ainsi qu’aux traces montrant comment les gens utilisent les agents.

Ces sources pourraient inclure Notion et Slack. Les traces pourraient aider l’agent de curation à transformer les interactions en skills, tandis que les rapports des agents en activité signaleraient les éléments nécessitant une attention particulière.

Parmi les formats de stockage possibles figurent les skills dans GitHub, un fichier dans Notion, le format OKF dans LangSmith Context Hub ou un graphe de connaissances dans Neo4j. Chase a écrit que la représentation de la mémoire sémantique reste un domaine émergent, sans norme établie.

Un exemple de rapport sur le chiffre d’affaires

Dans son billet, il illustre le processus avec un agent qui prépare un rapport sur le chiffre d’affaires. Dans cet exemple, les chiffres bruts du chiffre d’affaires se trouvent dans BigQuery et Salesforce, tandis que les instructions pour établir les rapports sont stockées sous forme de skills dans GitHub et que la méthode de l’entreprise pour calculer l’ARR figure dans un wiki.

Les instructions permettant d’accéder aux données changeantes sont stockées sous forme de skills dans Context Hub. Dans cet exemple, l’agent chargé du rapport remarque qu’une colonne BigQuery a été renommée, trouve la bonne pendant son travail et signale le problème en suggérant une mise à jour.

Une fois le rapport créé, le responsable des finances travaille avec l’agent sur la mise en forme, notamment sur un nouvel en-tête pour les documents de l’entreprise. Cette nuit-là, l’agent de curation examine la colonne signalée et la trace de l’agent, puis met à jour les skills concernés, pour la requête de données comme pour l’en-tête du rapport.

Sources

  1. Source originale · Billet de blog LangChain langchain.com

Entreprises citées

Articles liés

Explorer

Autres articles