# OpCon Graph Из разрозненного контекста — в долговременную память для ИИ ## Кратко о проекте - **Проблема:** Полезный контекст распределен между разговорами, документами, операционными инструментами и изолированными сессиями ИИ, а традиционные базы знаний заставляют человека вручную поддерживать структуру. - **Система:** Многоразовая архитектура, пакет и операционная модель позволяют специализированным агентам сохранять источники, поддерживать типизированные записи графа, извлекать внешнее состояние и поддерживать решения, не изобретая знания. - **Входные данные:** Заметки, сообщения, документы, ссылки, вопросы, события, цели и ограничения в свободной форме, а также актуальное состояние независимых внешних ресурсов. - **Результат:** Связанные доказательства, видимая неопределенность, интерпретации настраиваемых советников, применимые рекомендации и проверяемые цепочки решений. - **Подтверждения:** Приватная реализация LifeGraph привязана к пакету OpCon Graph 0.3.0 через 23 файла с зафиксированными хешами; 14 изолированных compatibility checks проверяют baseline из 1 572 записей и 845 доменных связей. - **Статус:** Рабочая приватная реализация версии 0.7.0. Производительность на большом масштабе, multi-user governance, непрерывная фоновая обработка и организационное внедрение пока не проверены. - **Полная история:** /ru/projects/opcon-graph/story/ ## Полная история OpCon Graph представляет собой архитектуру и операционную модель для создания графов знаний, которые поддерживают ИИ-агенты. Он превращает неструктурированную информацию в связанные факты, события, сущности, источники, вопросы, отношения и решения. LifeGraph является первой практической реализацией этой архитектуры: приватной персональной системой знаний, в которой OpCon Graph проверяется на реальном операционном контексте. ## Проблема Полезный контекст обычно распределен между заметками, разговорами, документами, менеджерами задач, календарями, финансовыми инструментами и изолированными сессиями ИИ. Традиционные базы знаний требуют постоянной ручной организации. ИИ-ассистенты хорошо обрабатывают отдельные запросы, но часто лишены долговременной памяти, надежного происхождения данных и доступа к актуальному операционному контексту. В результате: - пользователи снова объясняют один и тот же контекст; - связи между фактами исчезают; - предположения принимаются за факты; - решения теряют исходную аргументацию; - рекомендации отрываются от текущих ограничений; - внешние данные дублируются или устаревают. OpCon Graph создан, чтобы знания оставались постоянно применимыми, но пользователю не приходилось вручную поддерживать их структуру. ## Подход Пользователь передает информацию естественно: заметку, событие, сообщение, ссылку, вопрос, задачу, наблюдение или идею решения. Дальше специализированные агенты: 1. сохраняют исходный ввод или явную редакцию; 2. классифицируют информацию; 3. создают или обновляют структурированные записи; 4. связывают записи типизированными отношениями; 5. добавляют источник, время, уверенность, статус и метаданные приватности; 6. находят противоречия и недостающие доказательства; 7. извлекают релевантный контекст для вопроса; 8. предлагают действие, запасной вариант и условия пересмотра. ```text Неструктурированный ввод -> сохраненный источник -> структурированные знания -> типизированные отношения -> релевантный контекст -> прослеживаемое решение ``` Цель состоит не в накоплении большего количества информации. Накопленное знание должно стать рабочей системой памяти и доказательств. ## Модель знаний с учетом источников OpCon Graph использует machine-first модель графа, основанную на нескольких принципах: - raw input сохраняет то, что действительно вошло в систему; - события отражают изменения; - факты остаются атомарными утверждениями с источниками; - сущности представляют текущее известное состояние; - отношения типизированы и подтверждены доказательствами; - выводы отделены от фактов; - решения ссылаются на доказательства и сохраняют условия пересмотра; - устаревшее знание заменяется новой версией, а не удаляется незаметно. Каждая структурированная запись содержит идентичность, тип, временные метки, приватность, чувствительность, происхождение, статус и связи. Поэтому ответ можно проверить: видно, какие доказательства использованы, какие предположения сделаны и что способно изменить рекомендацию. ## Внешние ресурсы остаются независимыми OpCon Graph не копирует все подключенные данные в одну централизованную базу. Бюджетные инструменты, календари, менеджеры задач, CRM, репозитории и другие системы остаются независимыми узлами графа и источниками истины. Специализированные агенты извлекают только тот контекст, который нужен для текущей задачи. Это позволяет избежать: - дублирования данных; - устаревших копий; - ненужной синхронизации; - принудительного сведения всех инструментов к одной модели; - неконтролируемой централизации чувствительной информации. Совместимый ресурс может стать узлом, если у него есть API, MCP-сервер, CLI или другой программный интерфейс. ## Настраиваемые советники OpCon Graph поддерживает настраиваемые архетипы советников, которые анализируют одни и те же доказательства с разных позиций. Советник может определять: - свою точку зрения; - критерий оптимизации; - вероятные слепые зоны; - вопросы, которые он задает; - стиль коммуникации; - правила работы с доказательствами; - операционные границы. Текущая реализация содержит шесть архетипов для сбалансированного анализа, асимметричного риска, антихрупкости, стоического рассуждения, переговоров и стимулов, а также стратегии ИИ. Интерпретации советников не становятся фактами автоматически. Их рекомендации остаются отделенными от доказательств и превращаются в решения только после принятия пользователем. ## От хранения знаний к поддержке решений Система не останавливается на поиске информации. Когда доказательств достаточно, OpCon Graph формирует контрольную точку решения: - что уже известно; - что остается неопределенным; - какие варианты доступны; - какая рекомендация является основной; - какое действие следует выполнить следующим; - какой запасной вариант подготовлен; - какое доказательство способно изменить рекомендацию; - когда решение нужно пересмотреть. Decision-sufficiency guard не позволяет агентам повторять анализ, когда новые рассуждения без новых данных уже не способны изменить результат. Финальные решения и значимые внешние действия остаются под контролем пользователя. ## Важная ранняя ошибка Первая реализация пыталась структурировать информацию слишком агрессивно. Система начала создавать лишнюю организацию вместо сохранения фактического знания пользователя. Процесс был временно сокращен до raw intake, а затем заново построен вокруг явных типов записей, происхождения, уверенности и четкой границы между фактами и интерпретациями. Из этой ошибки появился центральный принцип: > Автоматизация должна сокращать организационную работу, не изобретая знания и не скрывая неопределенность. ## Разделение платформы и первой реализации Проект начинался как LifeGraph, персональная система знаний. По мере появления повторно используемых закономерностей понятия были разделены: - **OpCon Graph** стал многоразовой архитектурой, пакетом, контрактами модели, шаблонами и инструментами проверки. - **LifeGraph** остался приватной реализацией со своими локальными ролями, разрешениями, советниками и знаниями. Оба слоя пока находятся в одном репозитории, но граница пакета уже явная. Активная реализация привязана к пакету OpCon Graph `0.3.0` через конфигурацию и 23 файла с точными хешами. ## Исследование и отказ от лишней инфраструктуры В рамках архитектуры был исследован вариант хранения на PostgreSQL. Для активной персональной реализации дополнительная операционная сложность не оправдала себя. Единственным активным хранилищем снова стал локальный Markdown, а PostgreSQL сохранился как опциональный storage contract в многоразовой архитектуре. Возврат к Markdown рассматривался как задача совместимости, а не простое перемещение файлов: - исторические записи были сохранены byte-for-byte; - новые записи обязаны следовать актуальной схеме; - raw inputs стали неизменяемыми; - известные исторические пробелы в lineage остались видимыми; - файлы пакета зафиксированы точными хешами; - неожиданное расхождение пакета приводит к fail-closed validation; - сгенерированные индексы остаются пересобираемыми проекциями. Возврат проверен на baseline из **1 572 записей и 845 доменных связей**. Четырнадцать изолированных синтетических проверок охватывают intake, обновления, типизированные отношения, метаданные, неизменяемость raw records, недопустимые записи, маршрутизацию хранилища и расхождение пакета. ## Приватность и управление Приватное знание хранится локально и исключено из Git. Публичный репозиторий содержит только архитектуру, контракты, определения агентов, шаблоны, документацию, инструменты проверки и безопасные описания внешних интеграций. В нем нет персональных записей, учетных данных, приватных сервисных данных и чувствительных доказательств решений. Репозиторий также контролирует семантическое версионирование, соответствующие записи Development Log, privacy review markers, staged-content validation, целостность пакета и pre-commit safeguards. История разработки проекта хранится вне графа знаний, чтобы граф не загрязнялся работой над собственной реализацией. ## Почему система масштабируется OpCon Graph масштабируется через композицию, а не централизацию. Новые возможности добавляются как типы записей, специализированные агенты, настраиваемые советники, узлы внешних ресурсов, альтернативные хранилища и пересобираемые поисковые или визуальные проекции. Общая модель остается стабильной, пока отдельные реализации выбирают собственные данные, роли, интеграции, разрешения и режим хранения. Текущая реализация подтверждает архитектурную расширяемость. Она пока не доказывает производительность на миллионах записей или при высокой конкурентной нагрузке. ## Где это можно применять Возможные области применения: - персональные знания и поддержка решений; - проектная и продуктовая разведка; - организационная память; - исследование и синтез доказательств; - контекст клиентов и аккаунтов; - операционная разведка между инструментами; - долговременная память ИИ-агентов; - системы, где решения требуют прослеживаемых доказательств. Архитектура особенно полезна, когда контекст должен сохраняться во времени, происхождение имеет значение, а существующие системы должны оставаться независимыми источниками истины. ## Пример использования Пользователь решает, соответствует ли профессиональный воркшоп его целям, бюджету и расписанию. ### 01 - Сохранить факты Система фиксирует воркшоп, цель, срок, стоимость и ограничения. **Результат:** Структурированный контекст со ссылками на источники. ### 02 - Задать вопрос Пользователь спрашивает, стоит ли участвовать, купить запись или отказаться. **Результат:** Вопрос решения, связанный с релевантными доказательствами. ### 03 - Проверить текущие ресурсы OpCon Graph проверяет внешний бюджетный инструмент и календарь. **Результат:** Актуальный контекст без копирования внешних данных. ### 04 - Сравнить варианты Каждый вариант оценивается по стоимости, времени, ценности и обратимости. **Результат:** Явные и прослеживаемые компромиссы. ### 05 - Применить советника Советник по антихрупкости анализирует downside exposure и optionality. **Результат:** Интерпретация, которая остается отделенной от фактов. ### 06 - Предложить действие OpCon Graph предлагает вариант, fallback и условия пересмотра. **Результат:** Действие на основе доказательств с проверяемой цепочкой решения. ## Текущий результат Проект прошел путь от экспериментального персонального графа до версионируемой реализации многоразовой архитектуры знаний, поддерживаемой агентами. Проверяемые метрики: - **Версия проекта:** 0.7.0 - **Пакет OpCon Graph:** 0.3.0 - **6 документированных дней разработки** - **14 коммитов** - **1 автор репозитория** - **95 публичных файлов проекта** - **Около 7 274 строк** документации, конфигурации, шаблонов и кода - **11 специализированных ролей агентов** - **6 архетипов советников** - **11 активных шаблонов записей** - **8 контрактов модели и хранения** - **23 файла пакета с зафиксированными хешами** - **14 изолированных синтетических compatibility checks** - **Compatibility baseline из 1 572 записей** - **845 проверенных доменных связей** Рабочее время, использование AI-токенов, стоимость разработки и рост производительности не измерялись, поэтому заявлять их нельзя. ## Короткая версия OpCon Graph является архитектурой знаний для ИИ-агентов, сохраняющей происхождение информации. Он превращает неструктурированные данные в связанные доказательства, извлекает текущий контекст из независимых внешних ресурсов и поддерживает прослеживаемые решения через специализированных агентов и настраиваемых советников. LifeGraph является его первой практической реализацией.