Incident Brain: когда AI агенту нужен граф-память для продакшен-аутеджей

#AI coding#graph database#agentic workflows#production monitoring#FalkorDB

Если у вас в продакшене что-то сломалось — первые десять минут вы не чините, а пытаетесь понять, что именно и насколько глубоко всё сломалось. Что ещё может упасть? Кто шарит в этом сервисе? Было ли уже такое? Ответы на эти вопросы есть, но они разбросаны по разным источникам: схемы сервисов, тим-чарты, старые постмортемы. В обычной ситуации кто-то должен быстро всё это склеить руками, под давлением, в стрессе. Вот эту боль и решил Incident Brain — AI агент с графовой памятью на FalkorDB.

Почему просто LLM не хватает для инцидентов

В моей практике и в командах, с которыми я работал, сталкивался с типичной проблемой: большой LLM вроде GPT или Claude может сгенерировать красивые ответы, но без жёсткой привязки к фактам из вашей инфраструктуры это чаще всего просто догадки. Например, спросишь: «Какие сервисы упадут, если payments-api сломается?» — и модель выдаст что-то, основанное на общих знаниях, но не на ваших конкретных связях.

Проблема в том, что эти вопросы — про связи и цепочки зависимостей. SQL с рекурсивными join-ами для таких задач — это ад, особенно когда хочется интерактивности и быстрого результата. Здесь на помощь приходит граф — он как раз заточен под multi-hop traversal, то есть поиск путей в связанной структуре.

Incident Brain и FalkorDB: граф — не просто визуализация, а мозг системы

Incident Brain хранит контекст в FalkorDB — это графовая база данных с удобным Cypher-подобным языком запросов. Представьте, что вы пишете в чат «payments-api возвращает 500 ошибки», и агент отвечает:

И главное — после того, как вы залогировали инцидент, он записывается обратно в граф. Значит, при следующем похожем случае AI агент уже имеет накопленную память.

Как устроена логика поиска и почему это круто

В основе всего лежит несколько ключевых приёмов:

Если убрать FalkorDB — продукт перестанет работать. Граф — не просто декор, а мозг, обеспечивающий связность и правдивость ответов.

Технический стек и лайфхаки из разработки

Incident Brain написан на Python с FastAPI, использует официальный Python клиент FalkorDB, LLM для генерации ответов и вызова инструментов (tool calling), отображение графа в браузере через force-directed layout и всё это запускается через docker-compose одной командой.

Из личного опыта, с чем столкнулся автор — первая версия позволяла модели отвечать на основе собственной памяти, и она выдумала сервис, которого не существовало. Решение — заставить агента всегда брать данные из инструментов, возвращающих реальные node ID, чтобы ответы были подкреплены фактами из графа.

Ещё один полезный инсайт: сначала спроектировать схему графа — это сильно упрощает остальное. Чёткие отношения между сущностями позволяют сделать инструменты маленькими и понятными.

Пример запроса и ответа

Допустим, у нас упал сервис payments-api. Запрос к агенту:

query = """
MATCH (s:Service {name: $name})<-[:DEPENDS_ON*1..3]-(affected)
RETURN DISTINCT affected.name AS service, length(shortestPath((s)<-[:DEPENDS_ON*]-(affected))) AS hops
ORDER BY hops
"""
params = {"name": "payments-api"}

Агент запускает этот Cypher-запрос в FalkorDB и получает список пострадавших сервисов с расстоянием. Далее с помощью PageRank сортирует их по важности и выводит контактные данные владельцев.

Кому и когда это будет полезно

Если у вас большой микросервисный ландшафт и инциденты — штука частая, Incident Brain может сделать диагностику быстрее и аккуратнее. Особенно если раньше страдали от разбросанных знаний и горящих вопросов «кто знает, как чинить этот сервис?».

Риски есть: без аккуратного поддержания графа и залогированных инцидентов память агента быстро устареет. Плюс нужна культура записи postmortem и владения сервисами, чтобы граф был актуальным.

Куда копать дальше


В итоге Incident Brain — отличный пример того, как AI и графы могут работать вместе, чтобы не угадывать, а реально понимать связи в сложной системе. Если у вас есть продакшен с кучей сервисов и инцидентов, стоит задуматься о таком подходе. Даже если не брать готовое решение, идея графовой памяти для AI агента — это то, что стоит попробовать на практике.


Источник: https://dev.to/vidisha_gupta_fd25c9a7087/incident-brain-giving-an-ai-agent-a-graph-memory-for-production-outagespublished-true-3889