Descripción general de Knowledge Graph
Una capa de memoria persistente que almacena entidades, relaciones e información en todas las ejecuciones del flujo de trabajo. Las ejecuciones futuras reciben un contexto compacto y relevante, no un montón de historia cruda.
¿Qué es el Knowledge Graph?
El Knowledge Graph (KG) es el sistema de memoria long-term de AgentLed. A diferencia de las herramientas de automatización tradicionales que comienzan desde cero en cada ejecución, AgentLed almacena entidades (empresas, personas, acuerdos, clientes potenciales), sus relaciones y la información generada por AI en una base de datos gráfica.
Cada ejecución de flujo de trabajo puede leer y escribir en el gráfico. Un flujo de trabajo de puntuación de clientes potenciales puede hacer referencia a resultados de ejecuciones anteriores. Un flujo de trabajo de búsqueda de inversores puede tener en cuenta decisiones históricas y correcciones de socios. Un flujo de trabajo de contenido puede aprender de los patrones de participación.
El mecanismo clave no es inyectar el historial completo en las indicaciones, sino crear perfiles compactos y estructurados por entidad que transmitan solo lo que es relevante.
Cómo se compone la memoria: puntuación → almacenar → resumir → recuperar
El paso Resumir es lo que mantiene delimitadas las indicaciones. Los registros de puntuación sin procesar nunca se vierten en ejecuciones futuras: solo el perfil compacto que destila lo que importa.
Arquitectura
El Knowledge Graph tiene tres capas:
Nodos de entidad
Empresas, inversores, clientes potenciales, contactos, acuerdos: cualquier objeto comercial. Cada nodo tiene un tipo, propiedades y una identidad única. Los nodos se crean automáticamente durante la ejecución del flujo de trabajo o se importan desde Knowledge Lists.
Bordes de la relación
Conexiones escritas entre entidades: SCORED, APPROVED, REJECTED, CONTACTED, MATCHED. Los bordes contienen metadatos: un borde SCORED incluye el valor de la puntuación, la justificación y la ejecución que lo creó. Consulta los bordes para recorrer el gráfico o crear perfiles compactos.
AI Perspectivas
Información generada por los pasos AI: justificación de la puntuación, reconocimiento de patrones, datos de calibración, correcciones de socios. Los conocimientos están vinculados a las entidades y ejecuciones que los produjeron, creando un rastro de auditoría del razonamiento AI a lo largo del tiempo.
Incorporado KG Tools
Cada paso AI de un flujo de trabajo tiene acceso automáticamente a cuatro herramientas Knowledge Graph. No se necesita configuración.
| Tool | Description |
|---|---|
| kg_search | Búsqueda semántica en lenguaje natural en todas las entidades y conocimientos |
| kg_traverse | Seguir los bordes de la relación escrita desde una entidad inicial |
| kg_nodes | Enumere todas las entidades de un tipo determinado (por ejemplo, todos los inversores, todos los clientes potenciales) |
| kg_write | Conservar los conocimientos y puntuaciones generados por AI en el gráfico |
Qué cambia entre ejecuciones
La diferencia entre una ejecución cold-start y una ejecución context-aware es el perfil compacto. A continuación se muestran dos ejemplos (un flujo de trabajo de búsqueda de inversores y un flujo de trabajo de puntuación de clientes potenciales) que muestran lo que recibe el AI en la ejecución 1 frente a la ejecución 5.
Puntuación de clientes potenciales: Jane Smith
Ejecución 1: arranque en frío
Contexto disponible:
Title: Head of Marketing Company: Acme Corp (180 employees, SaaS) Industry: B2B SaaS LinkedIn: Active (3 posts/month)
Puntaje
65 - "ICP coincide con el tamaño y la industria. Sin datos de contacto previos".
Ejecución 5: con perfil compacto
Contexto 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."
Puntaje
71 - "Candidato a volver a comprometerse. Ruta cálida a través del colega CTO. Ruta a la secuencia account-based".
Emparejamiento de inversores — Capital de referencia
Ejecución 1: arranque en frío
Contexto disponible:
Sector focus: Enterprise SaaS, DevTools Stage: Series A–B Check size: $5M–$25M Portfolio: 34 companies (public data)
Puntaje
74 — "Fuerte ajuste del sector, tamaño de los controles alineado. No hay datos de relaciones anteriores".
Ejecución 5: con perfil compacto
Contexto 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.
Puntaje
88 - "Ajuste SaaS confirmado con la señal PLG. El patrón de aprobación previa y el soporte del resultado del compromiso continúan".
El perfil compacto se construye a partir de decisiones estructuradas almacenadas en KG, no a partir de la reproducción de registros de ejecución sin procesar. El tamaño de la solicitud permanece limitado independientemente de cuántas ejecuciones anteriores existan.
Fuentes de datos
Los datos ingresan al Knowledge Graph a través de tres rutas:
- 1.Knowledge Lists — Cargue CSVs o cree listas estructuradas en el panel. Las filas se sincronizan con el gráfico como entidades.
- 2.Ejecución del flujo de trabajo — Los pasos AI escriben puntuaciones, fundamentos, correcciones y resultados a medida que procesan datos.
- 3.API ingestión — Enviar datos históricos o resultados de enriquecimiento externo a través de los puntos finales de ingesta.
Próximos pasos
- Puntuación y comentarios — Ruta completa de escritura/lectura y detalles de perfil compactos
- KG API — Consultar y escribir en el gráfico mediante programación
- Business Memory — Contexto compartido a nivel de espacio de trabajo
- Knowledge Lists — Importación y almacenamiento de datos estructurados