חיפוש בחדשות

**בדיקת עובדות מבוססת גרף ידע היא גישה שבה מודל שפה מאמת טענות דרך קשרים בין ישויות ומקורות, ולא רק לפי דמיון טקסטואלי.** מחקר חדש ב-arXiv, בשם WKGFC, מציע לשלב knowledge graph פתוח, חיפוש ווב וסוכן LLM שפועל בשלבים במסגרת MDP כדי לאתר ראיות טובות יותר. המשמעות לעסקים בישראל ברורה: אם אתם מפעילים AI על מסמכים, CRM או WhatsApp, חיפוש וקטורי בלבד עלול להחזיר תשובה משכנעת אך לא מדויקת. כדאי להתחיל מפיילוט שבו כל תשובת AI נשענת על מקור מזוהה, במיוחד בתהליכי שירות, מכירות וציות.

הטמעת סוכני AI בארגון תלויה פחות במודל עצמו ויותר בהקשר הארגוני שסביבו. Trace, סטארט-אפ מלונדון שגייס 3 מיליון דולר, מנסה לפתור בדיוק את הבעיה הזו באמצעות בניית knowledge graph מתוך מערכות כמו Slack, דוא"ל ו-Airtable, ואז תזמור משימות בין עובדים אנושיים לסוכני AI. עבור עסקים בישראל, זו נקודה קריטית: בלי חיבור נכון בין WhatsApp Business API, ‏Zoho CRM, ‏N8N ומקורות הנתונים הפנימיים, גם סוכן AI מרשים יישאר ברמת פיילוט. המשמעות המעשית היא שעסקים צריכים להשקיע קודם במיפוי תהליכים, הרשאות ומבנה מידע, ורק אחר כך בהרחבת השימוש בסוכנים.

**EchoGuard הוא מחקר שמציע לזהות דפוסי מניפולציה בשיחות מתמשכות באמצעות זיכרון מבוסס Knowledge Graph, במקום להסתמך רק על חלון שיחה קצר.** לפי התקציר, המערכת ממפה אירועים, דוברים ורגשות לגרף, מריצה שאילתות לזיהוי 6 דפוסים פסיכולוגיים, ורק אז מפעילה LLM שמייצר שאלות סוקרטיות. המשמעות לעסקים בישראל רחבה יותר מהמחקר עצמו: אותה ארכיטקטורה יכולה לשפר סוכני שירות, מכירות וגבייה ב-WhatsApp, במיוחד כשמחברים WhatsApp Business API, Zoho CRM ו-N8N. במקום שהסוכן יגיב רק להודעה האחרונה, הוא יכול לפעול לפי היסטוריית הלקוח, לזהות סתירות או הסלמה, ולהעביר מקרים רגישים לאדם. זה כיוון חשוב לכל עסק שמנהל מאות שיחות בחודש.

**El Agente Gráfico הוא מסגרת לסוכן LLM יחיד שמבצעת החלטות בתוך סביבת הרצה type-safe ושומרת מצב מתמשך ב-knowledge graph, במקום לנהל הכול בטקסט חופשי. לפי arXiv:2602.17902v1, הגישה משתמשת ב-Object-Graph Mapper שמייצג מצב חישובי כאובייקטים טיפוסיים ב-Python, כדי לשפר עקביות, תזמור כלים ומעקב פרובננס.** לעסקים בישראל זה רלוונטי בעיקר כשמחברים LLM למערכות תפעוליות כמו Zoho CRM, N8N ו-WhatsApp Business API: ברגע שיש ישויות מוגדרות ולוגים, אפשר לבנות Audit Trail שמקטין טעויות כמו עדכון לקוח לא נכון או פתיחת כרטיס כפול. התחילו בפיילוט של 14 יום לתהליך אחד, הגדירו סכימה ל-10–20 שדות קריטיים, ושמרו זיכרון מובנה (DB/גרף) מחוץ לצ’אט.