科技Bestblogs·AI Engineer··AI 生成
为智能体构建数据上下文层：Typedef 演示知识图谱、连接安全与代码影响分析
本场工作坊演示了如何通过构建确定性知识图谱而非依赖文本搜索，来提升数据与编码智能体的可靠性。讲者指出，当智能体不了解数据粒度、连接基数、血缘和依赖关系时，语法正确的 SQL 或代码仍可能导致不安全变更。通过从模式、查询和数据中抽取事实并存入图数据库（如 Neo4j），智能体可以按需查询相关子图，在 Rust 代码影响分析中展示了图谱方法优于纯文本搜索的效果。适合关注 AI 智能体工程化、上下文工程或数据安全的技术决策者与开发者阅读。原文 ↗原文 ↗
核心观点
- ▍数据与编码智能体的可靠性应建立在确定性事实的图谱上，而非依赖文本搜索或大模型的模糊理解。
- ▍通过从数据源（模式、查询、数据剖析）中先验地抽取结构信息，再将有类型的关系存为图，智能体才能获得可验证的上下文，从而做出正确的数据变更或代码修改决策。
- 01讲者 Yoni Michael 使用上游连接从一对一变成一对多、导致行数增加但 SQL 不报错的案例，说明没有粒度与基数信息时，正确语法的查询也可能不安全。
- 02安全诊断需要了解的上下文包括：基数、血缘、指标定义和实际数据分布，这些无法从纯文本或 Markdown 文件中可靠获取。
- 03编码练习中，Brandon Callender 区分了两个同名的 Rust 类型，通过解析符号与依赖将其载入 Neo4j，并为智能体提供影响范围查询工具。
- 04讲者展示了使用图谱的智能体与使用纯文本搜索的智能体在代码影响分析任务上的效果对比，前者能更准确地识别受影响的模块。
- 05评估方法上，讲者主张采用确定性问题、重复运行和轨迹检查，而非仅仅依赖一次回答正确率。
- 06他们设计了一个可复现的评估集，包含明确的确定性评分标准，用以衡量智能体是否使用了预期的上下文工具。
反方 / 局限
- — 讲者承认，构建可靠的图谱需要依赖底层系统的元数据质量（如 Rust 编译器元数据），并非所有编程语言或数据系统都能提供同等质量的元数据。
- — 当前演示主要针对单仓库的语言环境（Rust），跨语言或跨仓库（如微服务间的数据血缘）的复杂场景尚未充分讨论。
- — 性能提升数据来自讲者自有评估体系，缺乏外部复现验证，且评估集是否覆盖了实际生产环境的多样性尚未明确。
概念锚点
前置背景
平行视角
未来推演
延伸追问