"самая амбициозная фича для cybos — граф контекста. если вы строите систему ИИ-автоматизации для себя и своего бизнеса, то одной из главных проблем для вас очень быстро станет задача формирования актуального, мультимодального, темпорального контекста для ИИ агента. он может прочитать ваш телеграм или почту и написать ответ, но этот ответ не будет включать факты, мнения, решения, ожидания и отношения с человеком, сделкой, проектом, которые сформировались на протяжении многих коммуникаций и действий по многим каналам. что-то вы обсуждали лично, что-то на звонке, что-то становится очевидно из календаря или заметки в ""to do"". для какой-то информации нужно открыть банк и посмотреть остаток на счете, для другой график отпусков коллеги в ноушене. граф контекста — который не является никаким графом — решает эту задачу. сразу скажу это какой-то готовый и понятный интрумент. вы не можете его ""скачать"" и сегодня даже нет толком внятной архитектуры за пределами, может, самых банальных кейсов. но при этом это является самой важной задачей, если вы хотите чтобы агент реально мог принимать важные решения и вести коммуникацию без постоянной перепроверки. это будет длинный проект, но начну рассказывать что я сделал на текущий момент: автоматический индексер и экстратор сущностей — людей, компаний, обещаний, метрик, решений, планов. он запускается автоматически при добавлении любого нового документа (плюс, каждые 24 часа для реиндекса изменений) и смотрит на все данные в cybos. каждый актор записывается в базу, при этом происходит дедубликация (Митя = Дима = Dmitry Ivanov). каждая item (задача, обещание, метрика) имеет связь с одним из актором, ссылку на оригинальный документ (файл со звонком, письмо, и тд) и прямую цитату откуда она взята. вся информация, кроме акторов, имеет дефолтный период полураспада в год, то есть темпорально данные устаревают и, например, если я год не общался с человеком, а в базе указано что метрика его стартапа это $1M ARR, то уровень доверия этой метрике сильно ниже. наконец, эти данные подгружаются динамически в контекст в зависимости от задачи. преимущества у подхода два: (1) вместо тысяч токенов в контекст нужно загрузить только несколько строчек (3k -> 50 токенов в среднем) и (2) вместо 3000-4000ms на обработку каждого запроса типа ""найди что я обещал в этом звонке"" это занимает 5-10ms."