Knowledge Graph
Knowledge Graph de AgentLed es una capa de memoria estructurada que almacena entidades, relaciones, historial de puntuación y resultados del flujo de trabajo en todas las ejecuciones en un espacio de trabajo.
No es sólo una base de datos ni sólo una memoria de avisos. Es un gráfico de conocimiento empresarial en el que los flujos de trabajo y los agentes pueden leer y escribir a lo largo del tiempo, por lo que las decisiones futuras utilizan el contexto anterior en lugar de comenzar desde cero.
Nodos
empresas, personas, negocios
Bordes
anotado, emparejado, contactado
Historia
puntuaciones, justificación, resultados
Acceso
flujos de trabajo, agentes, MCP
Por qué es importante
Cuando un cliente pregunta: "¿Hemos visto a este inversor antes?" o “¿Qué pasó con startups similares la última vez?”, la respuesta proviene de la memoria estructurada, no de conjeturas.
1. ¿Qué es?
El Knowledge Graph almacena los objetos que le interesan a su empresa, cómo se relacionan entre sí y qué aprendieron sus flujos de trabajo sobre ellos. Ese recuerdo se agrava con el tiempo.
Empresas, inversores, startups, contactos, acuerdos y cualquier otro objeto comercial con el que trabajen sus flujos de trabajo.
Aristas escritas como SCORED, CONTACTED, MATCHED o INVESTED_IN que conectan entidades entre ejecuciones.
Puntuaciones, fundamentos y resultados pasados que permiten que las carreras futuras calibren las decisiones en lugar de empezar en frío.
Contexto aislado de inquilinos compartido entre flujos de trabajo, agentes y acceso MCP/API en el mismo espacio de trabajo.
2. Flujos de trabajo
La capa de flujo de trabajo es donde el gráfico resulta útil. Las ejecuciones no solo producen resultados, sino que también actualizan la memoria compartida para la siguiente ejecución.
escribir
Los resultados de la ejecución se convierten en un contexto duradero: contactos enriquecidos, clientes potenciales puntuados, inversores coincidentes, relaciones descubiertas y resultados finales.
leer
Un flujo de trabajo puede preguntar: ¿hemos puntuado esta entidad antes, qué pasó la última vez, qué relaciones ya existen y qué se aprendió de resultados anteriores?
Aprendizaje compuesto
En lugar de repetir el mismo análisis desde cero, cada ejecución se basa en lo que ya se descubrió y validó en ejecuciones anteriores.
Ejecución del flujo de trabajo
Enriquezca la startup, puntúe al inversor o califique a un cliente potencial.
Escribir a KG
Almacene entidades, puntuaciones, relaciones, fundamentos y resultados.
Lecturas de la siguiente ejecución
Utilice el contexto anterior antes de tomar la siguiente decisión.
Ejemplos típicos de escritura
Preguntas típicas de lectura
3. Agentes
Los agentes utilizan el gráfico como contexto empresarial persistente. Esto es importante tanto en el chat como en la ejecución autónoma: el agente puede recuperar decisiones pasadas, almacenar nuevos hallazgos y compartirlos con el resto del espacio de trabajo.
Los agentes pueden leer la memoria del espacio de trabajo mientras conversan con los usuarios o completan tareas autónomas.
La memoria del agente está respaldada por Knowledge Graph, por lo que las decisiones y los hallazgos no desaparecen cuando finaliza una sesión.
Un agente puede almacenar una evaluación y otro agente puede reutilizarla más tarde sin tener que volver a hacer el mismo análisis.
Los agentes de investigación, abastecimiento, emparejamiento y extensión operan en la misma capa de memoria empresarial.
Ejemplo de multiagente
Agente de abastecimiento
Evalúa una startup y almacena la idoneidad de la tesis, las notas del sector y la justificación de la puntuación en el KG.
Agente coincidente
Lee esa evaluación más tarde cuando busca inversores, por lo que comienza con el contexto conocido en lugar de rehacer la misma investigación.
Ésta es la diferencia práctica entre agentes separados y agentes coordinados: los hallazgos de un agente quedan disponibles para todos los agentes en el espacio de trabajo a través de la misma capa de memoria.
4. Ejemplos
El objetivo del gráfico no es la “memoria” abstracta. La cuestión es que el trabajo repetido se vuelve más informado, más coordinado y menos derrochador.
Semana 1
El enriquecimiento escribe en el gráfico.
Semana 2
Difusión lee antes de actuar
Por qué es importante: El trabajo no se fragmenta entre ejecuciones porque el estado del flujo de trabajo reside en la memoria compartida.
Ejecutar 1
Sólo perfil estático
Ejecutar 8
La puntuación utiliza el historial real.
Por qué es importante: El valor no es una puntuación. El valor es una puntuación que mejora a medida que se acumulan resultados reales.
Primer lote
Cribado inicial
Segundo lote
Detección con contexto de calibración
Por qué es importante: El KG convierte el abastecimiento repetido en un circuito de aprendizaje en lugar de un ejercicio manual repetido.
5. Comparación
n8n, Zapier y Make pueden orquestar pasos. Knowledge Graph agrega un contexto empresarial duradero en todas las ejecuciones.
| Capacidad | n8n | Zapier | Make | AgentLed KG |
|---|---|---|---|---|
| Memoria compartida entre ejecuciones | No | No | No | Sí, memoria empresarial persistente |
| Gráfico de relaciones entre entidades. | manuales | manuales | manuales | Construido en |
| Historial de puntuación y seguimiento de resultados | No nativo | No nativo | No nativo | Construido en |
| Reutilización del contexto entre flujos de trabajo | Limitado | Limitado | Limitado | Compartido en todo el espacio de trabajo |
| Los agentes pueden consultar la memoria directamente. | No | No | No | Sí, a través de MCP y herramientas de flujo de trabajo |
| Aprendizaje compuesto a partir de resultados | Construcción personalizada | Construcción personalizada | Construcción personalizada | Patrón nativo |
6. Acceso técnico
Se puede acceder al gráfico a través de las herramientas MCP, la superficie API de AgentLed y el servidor CLI/MCP. Eso lo hace utilizable tanto dentro de flujos de trabajo como desde herramientas técnicas externas.
MCP herramientas
query_kg_edges
Recorra las relaciones de una entidad e inspeccione cómo se conectan las empresas, las personas, los acuerdos o las puntuaciones.
get_knowledge_rows
Lea filas estructuradas de una lista de conocimientos que los flujos de trabajo almacenan y actualizan en todas las ejecuciones.
get_scoring_history
Recupera decisiones de puntuación y resultados anteriores para calibrar la siguiente decisión.
get_knowledge_text
Recupere conocimientos basados en texto, como notas ICP, tesis de inversión o reglas operativas.
Acceso programático
Documentos relacionados
Comparta esta página con un contacto técnico y luego muéstrele el flujo de trabajo. El Knowledge Graph es la capa que hace que cada ejecución siguiente esté más informada que la anterior.
