AnchorRAG: параллельный поиск от нескольких кандидатов

Predictor Agent:
- Извлечь ключевые слова из вопроса
- Найти кандидатов по семантике + структурному контексту
→ Топ-3 кандидата в якорные сущности

Retriever Agents (параллельно для каждого кандидата):
Итерация 1:
- Rough pruning: отобрать топ-3 релевантных связи
- Fine filtering: из связанных сущностей выбрать релевантные факты
- Early stopping: если путь бесперспективен — завершить этого агента
→ Набор фактов от каждого агента

Supervisor Agent:
- Синтез результатов всех активных агентов
- Решение: достаточно для ответа? → Да: ответ / Нет: следующая итерация

Если ни один агент не нашёл ответ за L итераций (обычно 3) — supervisor отвечает на основе внутренних знаний LLM.

⚠️ Важно: Сам метод требует граф знаний и API — не применим в обычном чате. НО его принципы (multi-agent collaboration, parallel exploration, two-stage filtering) extractable.

Задача: Оценить стоит ли открывать своё digital-агентство в Екатеринбурге — применяем принцип параллельных агентов

Промпт:

Проанализируй идею открытия digital-агентства в Екатеринбурге с трёх независимых позиций. Каждая позиция — отдельный агент с чёткой ролью:

**Агент "Оптимист":**
Найди 5 факторов, которые делают эту идею перспективной:
- Рыночные возможности
- Конкурентные преимущества
- Тренды в пользу идеи
Будь конкретным — цифры, примеры, кейсы.

**Агент "Пессимист":**
Найди 5 рисков и проблем, которые могут убить бизнес:
- Барьеры входа
- Конкуренция
- Экономические риски
Будь жёстким — что ТОЧНО пойдёт не так?

**Агент "Реалист":**
Определи 3-5 ключевых метрик для проверки ДО запуска:
- Что измерить?
- Какие показатели должны быть?
- Как тестировать гипотезы минимальными ресурсами?

После анализа всех трёх агентов — синтезируй выводы и дай финальную рекомендацию: запускать / отложить / переделать концепцию. Укажи при каких условиях решение меняется.

Результат: Модель выдаст три независимых блока анализа — каждый со своей логикой и фокусом. Оптимист покажет возможности (может быть 5-7 пунктов с конкретикой), пессимист — риски (тоже детально), реалист — метрики для валидации. В финале — взвешенное решение, которое учитывает все три точки зрения, а не только ту, которая пришла модели в голову первой.

Слабость LLM: Модель склонна к confirmation bias — находит аргументы в пользу первой версии, которая пришла в голову. Если LLM решила "да, агентство — хорошая идея", она будет генерировать подтверждающие доводы. Противоречия всплывут только если явно попросить.

Сильная сторона: LLM отлично выполняет чётко заданные роли. Когда говоришь "ты пессимист" — модель генерирует текст в этом ключе. Когда "ты оптимист" — противоположное. Это не разные модели, это разные паттерны генерации от одной.

Как метод использует: Multi-agent framework заставляет явно рассмотреть альтернативы через структуру промпта. Вместо "подумай со всех сторон" (размытая инструкция) даёшь конкретные роли с конкретными задачами. Параллельность критична — агенты не влияют друг на друга на этапе анализа, каждый идёт своим путём. Только на финале supervisor синтезирует без предвзятости, т.к. все данные уже собраны.

Рычаги управления промптом:

1. Количество агентов (2-5):
   • 2 агента (за/против) — для бинарных решений
   • 3-4 агента (оптимист/пессимист/реалист/эксперт) — для многогранного анализа
   • 5+ агентов — избыточно, размывает фокус
2. Роли агентов (безликие vs конкретные):
   • Безликие: "Агент 1", "Агент 2" — нейтрально
   • Конкретные: "Финансовый директор", "Техлид", "Маркетолог" — острее выполнение роли
   • Персонажи: "Павел Дуров", "Тинькoff" — ещё острее, но рискованно (стереотипы)
3. Инструкции агентам (широкие vs узкие):
   • Широкие: "проанализируй с позиции X" — больше свободы, но размытость
   • Узкие: "найди ровно 5 рисков, каждый с цифрами" — конкретика, но может ограничить
4. Формат финального синтеза:
   • Убери "синтезируй" → получишь 3 отдельных блока без вывода (для самостоятельного анализа)
   • Добавь "с оценкой 1-10 и обоснованием" → числовая метрика + аргументы
   • Добавь "с планом действий на 30 дней" → actionable выход

Проанализируй {задачу/идею/решение} с {N} независимых позиций:

**Агент 1 — {роль_1}:**
{инструкция_1}
{формат_вывода_1}

**Агент 2 — {роль_2}:**
{инструкция_2}
{формат_вывода_2}

**Агент {N} — {роль_N}:**
{инструкция_N}
{формат_вывода_N}

После анализа всех агентов — синтезируй выводы и дай {формат_финального_вывода}.

Плейсхолдеры:

• {задачу/идею/решение} — что анализируем (бизнес-идея, карьерный выбор, инвестиционное решение)
• {N} — количество агентов (обычно 2-4)
• {роль_X} — специализация агента (оптимист/пессимист, финансист/маркетолог, новичок/эксперт)
• {инструкция_X} — конкретная задача агента (найти риски, оценить потенциал, проверить feasibility)
• {формат_вывода_X} — как оформить (список, таблица, абзац с обоснованием)
• {формат_финального_вывода} — итоговый output (рекомендация ДА/НЕТ, рейтинг 1-10, план действий)

Совет: Для каждого агента давай конкретную числовую цель — "найди 5 рисков", "3 ключевых метрики", "топ-3 преимущества". Это заставляет модель не размазывать анализ, а быть точечной.

⚠️ Токены: Каждый агент = отдельный блок текста. 3 агента могут съесть в 3 раза больше контекста, чем один прямой ответ. Для моделей с малым context window (4K-8K) это критично.

⚠️ Сложность задачи: Для простых вопросов ("когда основана Москва?") избыточно. Нужна реальная многогранность — где ответ зависит от точки зрения или критериев оценки.

⚠️ Противоречия: Если агенты дают несовместимые выводы (один говорит "точно да", другой "точно нет"), финальный синтез может быть размытым. Иногда лучше оставить противоречие явным и решать самому.

⚠️ Качество ролей: Если роли агентов слабо различимы (все три примерно про одно), метод вырождается в повтор одних мыслей разными словами. Роли должны быть контрастными по фокусу.

Исследователи взяли 4 датасета для вопросно-ответных задач (WebQSP, GrailQA, CWQ, WebQuestions) и граф знаний Freebase с миллионами фактов. Сравнивали с методами, которые получают anchor entity "на блюдечке" (closed-world assumption).

Интересный ход: создали open-world версии датасетов — добавили опечатки в вопросы ("Romny" вместо "Romney"), чтобы exact match с графом не работал, и вопросы, ответы на которые вообще нет в графе. Это реалистичный сценарий — пользователи делают ошибки, задают вопросы про редкие сущности.

Результаты: AnchorRAG обогнал все базовые методы на 6-20% по точности. Особенно сильно — на сложном GrailQA (+20.7%), где сущности и вопросы семантически далеки (например, вопрос про "университет Ромни" может ссылаться на Mitt Romney, George W. Romney, или Romney Marsh — все в графе).

Критический инсайт: На open-world версиях стандартный метод ToG (Think-on-Graph) проседал на 11-23%, AnchorRAG — всего на 3-12%. Почему? Параллельные агенты компенсировали ошибки в определении якорной сущности. Если один агент ошибся и пошёл от Romney Marsh, другие от Mitt Romney и нашли ответ.

Ablation study показало: модуль entity grounding (определение якоря с учётом структурного окружения, а не только названия) даёт +6.3% на WebQSP и +20.6% на GrailQA. Это подтверждает: точность на старте критична для всего поиска.

💡 Адаптация: двухуровневая фильтрация для найма

Rough pruning + fine filtering можно применить к отбору резюме:

**Шаг 1 — Грубая фильтрация:**
Из 50 резюме отбери 10-15, которые точно подходят по hard skills и опыту. 
Критерии: [Python 3+ года, опыт с API, английский B2+]. 
Убери очевидно не подходящих. Без детального анализа — только проверка чек-листа.

**Шаг 2 — Точная фильтрация:**
Из оставшихся 10-15 выбери топ-3 по soft skills, культурному фиту и мотивации. 
Для каждого дай развёрнутое обоснование: почему этот кандидат, какие риски, что проверить на интервью.

Эффект: Экономия времени (не анализируешь 50 резюме глубоко) + меньше шанс пропустить хорошего кандидата (широкий охват на первом проходе).

🔧 Техника: structural context вместо голых ключевых слов

AnchorRAG ищет якорные сущности не только по названию, но и по окружению (какие связи у сущности). Адаптация:

Вместо:
"Найди информацию про компанию Ozon"

Лучше:
"Найди информацию про компанию Ozon. 
Контекст: российский e-commerce, конкурент Wildberries, основана 1998, IPO 2020. 
Это важно чтобы не путать с озоновым слоем или другими Ozon."

Или для найма:

Вместо:
"Найди кандидатов с опытом в Python"

Лучше:
"Найди кандидатов с опытом в Python.
Контекст: нужен для backend API на FastAPI, работа с PostgreSQL, интеграции с внешними сервисами.
Это важно чтобы отсеять тех, кто знает Python только для Data Science."

Принцип: Не голое ключевое слово, а слово + смежные концепты. Это сужает семантическое пространство поиска и повышает точность.

Towards Open-World Retrieval-Augmented Generation on Knowledge Graph: A Multi-Agent Collaboration Framework

Jiasheng Xu, Mingda Li, Yongqiang Tang, Peijie Wang, Wensheng Zhang

Institute of Automation, Chinese Academy of Sciences

Граф знаний: Freebase (Bollacker et al. 2008)

Базовые методы: Think-on-Graph (Sun et al. 2023), Plan-on-Graph (Chen et al. 2024)

Датасеты: WebQSP, GrailQA, CWQ, WebQuestions