ThreadWeaver v3 представил свой Causal Work Graph — межплатформенный движок отслеживания связей (lineage engine), который позволяет ИИ-запросам возвращать не просто документ, а доказуемую цепочку доказательств, связывающую чаты в Slack, тикеты в Jira, коммиты в GitHub и другие артефакты. Команды, внедрившие его, смогут отвечать на вопрос «Почему это было создано?», используя наглядный подграф вместо предположительного абзаца текста.

Контекст: разрозненные данные, отсутствие связей

Современные инженерные группы работают в «лоскутном одеяле» из различных платформ. Жалоба клиента хранится в системе тикетов, последующее обсуждение — в мессенджере, решение о дизайне — на доске управления проектами, код — в репозитории, а примечания к релизу — в инструменте документации. Исходная информация на месте, но причинно-следственные связи между ними невидимы. Когда менеджер продукта спрашивает, почему была выпущена та или иная функция, ответ скрывается в паутине сообщений, задач и коммитов. Традиционные инструменты поиска могут найти элементы с похожими ключевыми словами, но они не могут определить, какой именно элемент стал триггером для следующего.

Почему это важно: происхождение против галлюцинаций

Большинство больших языковых моделей (LLM) отвечают, основываясь на семантическом сходстве. Тикет в Jira, упоминающий канал в Slack, может показаться связанным, однако модель не может доказать, что именно чат стал причиной создания тикета. Результатом становятся «галлюцинации» — ответы, которые звучат правдоподобно, но не имеют проверяемого источника. В регулируемых средах или там, где важна подотчетность, такой пробел обходится дорого. Causal Work Graph заменяет догадки графом, ребра которого подкреплены конкретными доказательствами: временными метками, идентификаторами участников, типами отношений и показателями достоверности.

Как работает Causal Work Graph

  • Событийное моделирование — каждый узел представляет собой событие (например, сообщение в Slack или создание задачи в Jira), а не статический документ.
  • Явные связи — ребра кодируют конкретное причинно-следственное утверждение («обсуждение в Slack повлияло на решение PM») вместе с подтверждающими доказательствами.
  • Метаданные происхождения — каждое ребро хранит источник, цель, временную метку, участника, уровень достоверности и ссылку на исходный артефакт, подтверждающий утверждение.
  • Обработка неопределенности — если система не может найти связующее событие, она возвращает «Неизвестно» вместо того, чтобы выдумывать связь.
  • Отображение с учетом прав доступа — пользователи видят только те ребра, к исходным артефактам которых у них есть доступ; если сообщение в Slack скрыто правами доступа, соответствующее ребро просто не будет отображаться.
  • LLM как интерпретатор, а не хранилище — языковая модель переводит граф в объяснения на естественном языке, в то время как сам граф остается единственным авторитетным источником истины.

Когда пользователь спрашивает: «Что привело к релизу?», движок собирает подграф, который может выглядеть так:

  1. Жалоба клиента → Обсуждение в Slack (временная метка, пользователь)
  2. Обсуждение в Slack → Решение PM (тикет в Jira)
  3. Решение PM → Коммит в GitHub (изменение кода)
  4. Коммит в GitHub → Релиз (артефакт)

Ответ включает ссылки на конкретное сообщение в Slack и комментарий в Jira, позволяя спрашивающему проверить каждый шаг.

Итог

Causal Work Graph в ThreadWeaver v3 превращает разрозненные инженерные артефакты в единую проверяемую цепочку причин и следствий. Требуя доказательств для каждого звена, он позволяет избежать галлюцинаций, характерных для ответов чистых LLM, и дает командам конкретный способ проследить логику «почему» за каждым релизом.