Structure the tech specs directory (#836)

Tech spec some subdirectories for different languages

docs/tech-specs/ru/architecture-principles.ru.md

@@ -0,0 +1,113 @@
+---
+layout: default
+title: "Основы архитектуры графа знаний"
+parent: "Russian (Beta)"
+---
+
+# Основы архитектуры графа знаний
+
+> **Beta Translation:** This document was translated via Machine Learning and as such may not be 100% accurate. All non-English languages are currently classified as Beta.
+
+## Основа 1: Модель графа "Субъект-Предикат-Объект" (SPO)
+**Решение**: Принять SPO/RDF в качестве основной модели представления знаний.
+
+**Обоснование**:
+Обеспечивает максимальную гибкость и совместимость с существующими технологиями графов.
+Позволяет беспрепятственно переводить в другие языки запросов к графам (например, SPO → Cypher, но не наоборот).
+Создает основу, которая "открывает множество" возможностей для дальнейшей разработки.
+Поддерживает как отношения между узлами (SPO), так и отношения между узлами и литералами (RDF).
+
+**Реализация**:
+Основная структура данных: `node → edge → {node | literal}`
+Поддерживать совместимость со стандартами RDF, одновременно поддерживая расширенные операции SPO.
+
+## Основа 2: Интеграция графа знаний, оптимизированная для LLM
+**Решение**: Оптимизировать структуру и операции графа знаний для взаимодействия с LLM.
+
+**Обоснование**:
+Основной сценарий использования включает взаимодействие LLM с графами знаний.
+Выбор технологий графов должен отдавать приоритет совместимости с LLM, а не другим соображениям.
+Обеспечивает потоки обработки естественного языка, использующие структурированные знания.
+
+**Реализация**:
+Разрабатывать схемы графов, которые LLM могут эффективно использовать для рассуждений.
+Оптимизировать для распространенных шаблонов взаимодействия LLM.
+
+## Основа 3: Навигация по графу на основе встраиваний
+**Решение**: Реализовать прямое сопоставление между запросами на естественном языке и узлами графа с помощью встраиваний.
+
+**Обоснование**:
+Обеспечивает самый простой путь от запроса на естественном языке к навигации по графу.
+Избегает сложных промежуточных этапов генерации запросов.
+Предоставляет возможности семантического поиска в структуре графа.
+
+**Реализация**:
+`NLP Query → Graph Embeddings → Graph Nodes`
+Поддерживать представления встраиваний для всех сущностей графа.
+Поддерживать прямое семантическое сопоставление сходства для разрешения запросов.
+
+## Основа 4: Распределенное разрешение сущностей с детерминированными идентификаторами
+**Решение**: Поддерживать параллельное извлечение знаний с детерминированной идентификацией сущностей (правило 80%).
+
+**Обоснование**:
+**Идеально**: Извлечение в одном процессе с полной видимостью состояния обеспечивает идеальное разрешение сущностей.
+**Реальность**: Требования к масштабируемости требуют возможностей параллельной обработки.
+**Компромисс**: Разработать для детерминированной идентификации сущностей в распределенных процессах.
+
+**Реализация**:
+Разработать механизмы для генерации согласованных, уникальных идентификаторов в различных инструментах извлечения знаний.
+Одна и та же сущность, упомянутая в разных процессах, должна разрешаться в один и тот же идентификатор.
+Признать, что ~20% крайних случаев могут потребовать альтернативных моделей обработки.
+Разработать механизмы отката для сложных сценариев разрешения сущностей.
+
+## Основа 5: Архитектура, управляемая событиями, с публикацией и подпиской
+**Решение**: Реализовать систему обмена сообщениями pub-sub для координации системы.
+
+**Обоснование**:
+Обеспечивает слабую связанность между компонентами извлечения знаний, хранения и запросов.
+Поддерживает обновления в режиме реального времени и уведомления по всей системе.
+Облегчает масштабируемые, распределенные рабочие процессы.
+
+**Реализация**:
+Координация между компонентами системы с помощью управляемых сообщениями.
+Потоки событий для обновлений знаний, завершения извлечения и результатов запросов.
+
+## Основа 6: Взаимодействие агентов с возможностью повторного входа
+**Решение**: Поддерживать операции pub-sub с возможностью повторного входа для обработки на основе агентов.
+
+**Обоснование**:
+Позволяет создавать сложные рабочие процессы агентов, в которых агенты могут инициировать и реагировать друг на друга.
+Поддерживает сложные, многоступенчатые конвейеры обработки знаний.
+Позволяет использовать рекурсивные и итеративные шаблоны обработки.
+
+**Реализация**:
+Система pub-sub должна безопасно обрабатывать вызовы с повторным входом.
+Механизмы координации агентов, предотвращающие бесконечные циклы.
+Поддержка оркестровки рабочих процессов агентов.
+
+## Основа 7: Интеграция с хранилищем данных в столбцовом формате
+**Решение**: Обеспечить совместимость запросов с системами хранения данных в столбцовом формате.
+
+**Обоснование**:
+Обеспечивает эффективные аналитические запросы к большим наборам данных знаний.
+Поддерживает сценарии бизнес-аналитики и отчетности.
+Объединяет представление знаний на основе графов с традиционными аналитическими рабочими процессами.
+
+**Реализация**:
+Слой перевода запросов: Запросы графов → Запросы в столбцовом формате.
+Гибридная стратегия хранения, поддерживающая как операции графов, так и аналитические рабочие нагрузки.
+Поддерживать производительность запросов в обеих парадигмах.
+
+--
+
+## Краткое изложение принципов архитектуры
+
+1. **Гибкость прежде всего**: Модель SPO/RDF обеспечивает максимальную адаптируемость.
+2. **Оптимизация для LLM**: Все решения в области проектирования учитывают требования взаимодействия с LLM.
+3. **Семантическая эффективность**: Прямое сопоставление встраиваний с узлами для оптимальной производительности запросов.
+4. **Прагматическая масштабируемость**: Баланс между идеальной точностью и практическими возможностями распределенной обработки.
+5. **Координация, управляемая событиями**: Pub-sub обеспечивает слабую связанность и масштабируемость.
+6. **Поддержка агентов**: Поддержка сложных рабочих процессов, основанных на нескольких агентах.
+7. **Совместимость с аналитикой**: Объединение парадигм графов и столбцов для всестороннего запроса.
+
+Эта архитектура графа знаний сочетает теоретическую строгость с практическими требованиями масштабируемости, оптимизированная для интеграции с LLM и распределенной обработки.