Фрейм-системы Мински — по сути графы: узлы (фреймы), рёбра (ссылки между слотами). Граф знаний сегодня — явная модель сущностей и связей. Векторный поиск — представление текста в виде эмбеддингов и поиск по сходству. Оба подхода решают задачу «найти релевантное»; выбор зависит от структуры данных и типов запросов.
Гибрид: узлы в Neo4j или PostgreSQL, векторы в Qdrant; связь через общий entity_id в payload точки.
Граф знаний
Граф: сущности (документы, люди, сервисы) и отношения между ними (ссылается на, владелец, часть окружения). Запросы — обход графа, фильтры по типу связи. Плюсы: явная структура, точные связи, объяснимость. Минусы: нужна ручная или полуавтоматическая разметка; сложнее масштабировать при большом объёме текста.
Векторный поиск (эмбеддинги)
Текст превращается в вектор; поиск — по близости в векторном пространстве. Не нужно явно задавать связи — модель выучивает семантику. Плюсы: масштаб, перефразирование, минимум ручной разметки. Минусы: связи не явны, возможны ложные срабатывания.
Когда что выбирать
Граф — когда критичны точные связи (кто владелец сервиса, какой runbook к какому компоненту). Векторный поиск — когда много неструктурированного текста и запросы в свободной форме. Гибрид: метаданные и связи в графе или в полях документов, текст — в векторах; при поиске комбинировать фильтры по графу и ранжирование по сходству.
Практики применения
- Граф — когда важны связи и обход; векторы — когда запросы в свободной форме. Часто комбинируют.
- Для DevOps и чата по архиву обычно достаточно векторного поиска с хорошими метаданными.
Кратко: граф знаний — явные связи, векторный поиск — семантика текста. Для базы знаний DevOps часто достаточно векторов и метаданных; граф имеет смысл при строгой иерархии и связях между сущностями.