инструменты 30 июл 2026 1 мин

Онтологии возвращаются: как графы знаний спасают AI-агентов от галлюцинаций

Профессора из Беркли и CEO Neo4j показали, как старые добрые онтологии (графовые структуры данных из эпохи Semantic Web) превращаются в «логические рельсы» для LLM-агентов. Вместо переизобретения правил используют Schema.org, RDFS, OWL — они уже в обучающих данных моделей, их можно запрашивать промптами. Практика: валидация ответов агента через граф, поддержка контекста, масштабирование через единую семантическую прослойку вместо хардкода под каждый источник.

Если строите AI-агентов для критичных процессов (финансы, медицина, право), галлюцинации — неприемлемый риск. Онтологии дают проверяемую логику без переобучения моделей. Плюс готовые стандарты экономят месяцы разработки.

Что произошло

На конференции AI Engineer World's Fair профессор Фрэнк Койл из UC Berkeley и CEO Neo4j Эмиль Эйфрем рассказали, как онтологии — графовые структуры данных из эпохи Semantic Web — возвращаются в разработку AI-агентов. Койл называет это «нейросимволическим AI»: вероятностные LLM работают внутри логических «рельс», заданных онтологиями.

Вместо изобретения правил с нуля разработчики используют Schema.org, FOAF, Dublin Core, RDFS и OWL — стандарты, уже присутствующие в обучающих данных моделей. Их можно запрашивать промптами. Пример: агент на Claude после выполнения действия валидирует свой ответ через граф знаний.

Eo4j предлагает три слоя онтологий: бизнес-концепции компании, техническую метадату всех источников данных и трейсы выполнения агентов. Цель — перейти от «толстых агентов с хардкодом» к тонким агентам на общей семантической прослойке. Kingsley Idehen из OpenLink Software уже собрал стек с RDF-памятью для агентов.

Главная проблема — поддержка актуальности графов (из-за чего Semantic Web 2000-х провалился). Решение: агенты сами обновляют онтологии при встрече с новыми кейсами, хотя это всё ещё сложно.

онтологииAI-агенты графы знанийнейросимволический AISemantic Web

Автор: Никита Громов · Источник: latent.space

Разработчикам. Берёте Schema.org или OWL, промптите модель на валидацию через граф — получаете проверку логики агента без кодинга правил. Neo4j предлагает готовые графовые слои для агентов, OpenLink Software — стек с RDF-памятью. Онтологии уже в обучающих данных GPT/Claude, не надо переучивать.

Бизнесу. Единая онтология-прослойка между агентами и источниками данных сокращает время интеграции и риск галлюцинаций. Вместо настройки каждого агента под каждый API — общий граф знаний. Подходит для масштабирования автоматизации в энтерпрайзе: CRM, ERP, внутренние базы описываются один раз.

Инвесторам. Возрождение графовых БД и Semantic Web-технологий на волне агентов. Neo4j уже капитализирует тренд, рынок GraphRAG и knowledge graph platforms растёт. Потенциал в enterpriseAI, compliance-автоматизации, медицине (онтологии SNOMED, FHIR). Риск: если агенты научатся поддерживать онтологии сами, барьер входа упадёт.

Хайп40

Реальная польза70

Заработать65

SaaS для автогенерации и поддержки онтологий агентами — решает главную боль (актуализацию графов). Подписка на готовые вертикальные онтологии (финтех, медтех, e-commerce).
Обёртки над Neo4j/RDFlib для no-code создания агентов с графовой валидацией — для нетехнических команд.
Консалтинг по миграции legacy-систем на агентную архитектуру с онтологиями — энтерпрайзы платят за снижение риска галлюцинаций.
Плагины для LangChain/CrewAI с готовыми Schema.org/OWL-валидаторами — монетизация через marketplace.
Vertical AI-агенты для регулируемых отраслей (фарма, финансы) с compliance-графами — высокая маржа, долгие контракты.

Поддержка онтологий — та же проблема, что убила Semantic Web. Если агенты не справятся с автообновлением, всё вернётся к ручному труду.
Переоценка сложности: для простых агентов онтологии — overkill, достаточно промпт-инжиниринга и function calling.
Vendor lock-in на Neo4j и аналогах — переход на другую графовую БД болезненный.
Хайп вокруг нейросимволического AI может не оправдаться, если появятся модели с достаточной логической консистентностью из коробки (GPT-5, reasoning models).

Забавно наблюдать, как технологии, которые считались мёртвыми (привет, RDF и OWL!), возрождаются благодаря AI. Койл прав: онтологии — это костыль для вероятностных моделей, но костыль полезный, особенно в энтерпрайзе. Neo4j ловко капитализирует момент, предлагая готовую инфраструктуру. Вопрос в другом: если агенты научатся сами поддерживать графы (как предполагает Sarkar), это снизит барьер входа и убьёт premium на консалтинге.

Реально интересно для тех, кто строит агентов в регулируемых отраслях — там галлюцинации недопустимы, и онтологии дают аудируемую логику. Для MVP и простых кейсов — избыточно, промпт-инжиниринг справится. Следите за OpenLink Software и подобными — если их стеки зайдут, это сигнал, что тренд не хайп.