Elastic-Kontext-Engine

Vollständiger und aktueller Kontext

Elastic Context Engine* verbindet Unternehmensquellen mit präzisen Agenten: Kontextsynchronisierung nach Interaktion/Plan, Berechnung von schnellem quellübergreifendem Abruf und bessere Genauigkeit.

Weitere Informationen
Zugriff erhalten

*Experimentell

Lesen Sie unseren Blog, um zu erfahren, wie Sie Kontext kontinuierlich kuratieren und verwalten.

Blogeintrag lesen

In unserer Dokumentation erfahren Sie mehr über Context Engine und darüber, wie Sie loslegen können.

Dokumentation ansehen

Was leistet eine Context Engine für Agenten?

Berechnen Sie den Kontext im Voraus, um Eingabetokens zu reduzieren, die Latenz zu senken und die Antwortqualität zu verbessern. Mit der Context Engine für Support-Agenten sanken die Kosten um 55 % und die Latenz um 40 %.

Baseline-RAG
Mit Context Engine (*Quelle)
Genauigkeit
0,625
→0,917 +29 %
Eingangs-Token (insgesamt 96 Prompts)
174,8 Mio.
→42,6 Mio. −75 %
F1-Score
0,561
→0,827 +26 %
Genauigkeit
Eingangs-Token (insgesamt 96 Prompts)
F1-Score
Baseline-RAG
Mit Context Engine (*Quelle)
0,625
→0,917 +29 %
174,8 Mio.
→42,6 Mio. −75 %
0,561
→0,827 +26 %

VORTEILE

Alle Agenten effizienter gestalten

Sorgen Sie kontinuierlich dafür, dass der Kontext Ihrer Agenten vollständig, aktuell, effizient und messbar bleibt.

  • Vollständiger Kontext, der nie veraltet

    Halten Sie den Kontext aktuell, indem Sie ihn bei Bedarf aus Live-Quellen zusammenstellen. Erstellen Sie einen vollständigen Kontext, indem Sie vorab eine Zuordnung von Kontextquellen mithilfe einer breiten Palette externer Konnektoren durchführen.

  • Agentengenauigkeit, die kontinuierlich zunimmt

    Verbessern Sie die Genauigkeit mit jedem Durchlauf, wenn Agent-Traces wieder in derselben Retrieval-Ebene landen, die der Agent bereits zum Abfragen von Kontext nutzt, und dadurch die Genauigkeit mit jeder Agentensitzung kontinuierlich verbessert wird.

  • Slash-Token bei jedem Zug

    Verwenden Sie mit Knowledge Indicators weniger Token pro Abfrage. Diese bilden das Schema jeder Quelle, die Feldsemantik und die Abfragemuster vorab in strukturierte Metadaten ab. So werden Auffindbarkeit und Relevanz optimiert, sodass Agenten zum Abfragezeitpunkt anstatt langer Texte nur die präzisen Fakten erhalten, die sie benötigen.

  • Funktioniert mit jedem Harness

    Verankern Sie einen Agenten im gesamten Kontext Ihres Unternehmens. Greifen Sie darauf in jedem Harness, Modell, Framework oder Protokoll zu, in dem Sie bereits arbeiten.

So funktionierts

Verbinden Sie Unternehmensdaten, nutzen Sie Elastic Workflows, um daraus strukturierte Wissensindikatoren abzuleiten, und stellen Sie diesen Kontext jedem Agenten bereit.

Verbinden

Verbinden Sie Ihre Agenten mit Kontext aus Elasticsearch-Indizes, externen Datenquellen über Kibana-Connectors oder ES|QL-Abfragen.

Zusammensetzen

Erstellen Sie Automatisierungen, um Knowledge Indicators zu erstellen, die Datensemantik, Beschreibungen, Beziehungen und Fakten in einen KI-Index extrahieren.

Abrufen

Nutzen Sie das zusammensetzbare ES|QL, um zum Inferenzzeitpunkt den relevantesten Kontext abzurufen.

Observe und verbessern

Nutzen Sie Bewertungen und Traces, um Agentenreaktionen nachzuverfolgen und den Kontext zu verbessern.

Integrieren

Stellen Sie über Plugins Kontext für Erstanbieter- und Drittanbieter-Agenten bereit, um verschiedene Harnesses von Claude Code, Codex, LangChain Deep Agents, von Claude verwalteten Agenten, AWS AgentCore, Gemini Agent Platform und anderen zu integrieren.

Architektur

Automatisierungen extrahieren Wissensindikatoren vorab in einen KI-Index, sodass jeder Agent den relevanten Kontext mit einer einfachen ES|QL-Abfrage abrufen kann.

Kontexttypen

Erstellen Sie mehrere Arten von Wissensindikatoren aus Rohdaten.

Semantische Metadaten aus Quellen

Leiten Sie Profile von Datenquellen ab, die ihren Zweck, ihre Felder, ihre Datenverteilung und ihre Merkmale beschreiben, um vorzugeben, wie Datenquellen abgefragt und wann sie verwendet werden.

Entitäten und Beziehungen aus Dokumenten

Extrahieren Sie Entitäten wie Konten, Kontakte, Projekte, Geschäftsziele, Systeme und Dienste, und speichern Sie diese zusammen mit semantischen Zusammenhängen, um die Schlussfolgerungen der Agenten zu lenken.

Dokumentfakten und Zusammenfassungen

Fassen Sie große, komplexe Dokumente zusammen und extrahieren Sie wichtige Fakten, um teure Lesezugriffe auf Dokumente zu reduzieren.

Agentengedächtnis aus Interaktionen

Erfassen Sie Erinnerungen, um Reaktionen zu beschleunigen und das Wissen jedes Agenten stetig zu erweitern.

ANWENDUNGSFÄLLE

Anwendungsfälle für Agenten

Zuordnen, vorab berechnen und Zusammenhänge identifizieren.

  • Operationsanalyse-Agenten

    Erstellen Sie die Kontext-Map, mit der Agenten mehrere Quellen von Logs und Ereignissen nachverfolgen können, um Lücken und Ausfälle zu finden und Probleme zuverlässig zu diagnostizieren.

  • Wissensdatenbank-Agenten

    Berechnen Sie Fakten im Voraus, die Agenten dabei helfen, häufige Fragen schneller zu beantworten, auch wenn sich die Daten und die Arten der Fragen ändern.

  • Untersuchungs-Agenten

    Erkennen Sie Zusammenhänge innerhalb der Daten, die zu nicht offensichtlichen Erkenntnissen und Einblicken führen, mit denen sich Lösungen verallgemeinern und neue Chancen entdecken lassen.

INTEGRATIONEN

Branchenführend? Direkt eingebaut

Integrieren Sie in die beliebtesten Agent-Frameworks und -Anwendungen.

RESSOURCEN FÜR DEN EINSTIEG

Die nächsten Schritte

Erfahren Sie mehr anhand von Anleitungen, Demos und Dokumentationen.

Häufig gestellte Fragen

Was ist eine Context Engine?

Eine Kontext-Engine ist ein Teil der Agentenarchitektur, der geschäftsspezifische Daten und Interaktionen sammelt und daraus Kontext aufbaut, damit ein Agent effizienter und effektiver arbeiten kann.

Was ist der Unterschied zwischen einer Context Engine und einer Vektordatenbank oder einem Memory Store?

Eine Context Engine baut auf Vektordatenbanken und Memory Stores auf. Eine Vektordatenbank fungiert als Speicher- und Abrufkomponente für Kontext, während ein Memory Store Kontext direkt aus Agenteninteraktionen erfasst. Eine Context Engine entscheidet, was in diesen Speichern abgelegt wird, wie es strukturiert, gewartet, verwaltet und geschützt wird, und welche Tools für den Abruf zur Verfügung stehen.

Ich habe bereits einen Datenkatalog. Warum benötige ich eine Kontext-Engine?

Datenkataloge beschreiben Daten, beruhen jedoch auf statischen Informationen und müssen manuell aktualisiert werden. Wenn sich Daten, Anwendungsfälle für Agenten, das Nutzerverhalten und die Prompts ändern, veralten Datenkataloge schnell. Außerdem fehlt ihnen in der Regel der Einblick in die Daten selbst. Sie können zwar die Datenform und das Schema beschreiben, nicht aber Entitäten, Anomalien oder Trends, für die Suche und Abruf erforderlich sind.

Was ist ein Wissensindikator?

Ein Knowledge Indicator ist eine Kontexteinheit. Er kann jedes für Agenten nützliche Kontextfragment darstellen, darunter Beschreibungen von Indizes und Datenquellen, extrahierte Entitäten, dokumentbasierte Fakten und mehr.

Was wird in einem KI-Index gespeichert?

Ein KI-Index speichert Wissensindikatoren, die aus Datenquellen abgeleitet werden, sowie Erinnerungen, die aus Agenteninteraktionen und Traces abgeleitet werden.

Wie werden Sicherheit und Berechtigungen durchgesetzt?

KI-Indizes können wie andere Elasticsearch-Indizes mit vollständiger rollenbasierter Zugriffskontrolle verwaltet und mit Berechtigungen versehen werden. Workflows und Agenten können als Nutzer ausgeführt werden, um den Zugriff zu beschränken und zu auditieren. Die Context Engine erfasst außerdem die Herkunft jedes generierten Knowledge Indicators, sodass der Zugriff verwaltet werden kann.

Wie wird die Context Engine bepreist?

Die Context Engine wird während der Private Preview derzeit nicht separat bepreist. Die Preise werden zu einem späteren Zeitpunkt bekannt gegeben.