À medida que fluxos de trabalho com alto consumo de contexto se tornam mais comuns, o envio de arquivos-fonte completos ou texto não estruturado para LLMs aumenta os custos com tokens. O raciocínio sobre base de código ancorado em grafos aborda isso representando código, documentação e relacionamentos como um grafo estruturado, permitindo que agentes recuperem subgrafos relevantes como contexto. Ferramentas como o Graphify capturam dependências estruturais, ajudando os agentes a identificar relacionamentos que a recuperação baseada em texto pode perder.
No entanto, o grounding baseado em grafos traz ponderações. Pesquisas recentes sugerem que agentes às vezes podem ter um desempenho pior com contexto baseado em grafos do que com ferramentas mais simples, como find e grep. Colocamos essa técnica em “Experimente” para explorar quando o contexto baseado em grafos melhora a eficiência e a precisão, construindo sobre nosso blip anterior sobre inteligência de código como ferramenta para agentes.
