Das Abrufproblem, das niemand benennt

Jedes ernsthafte Agentensystem benötigt schließlich Gedächtnis: die Fähigkeit, nachzuschlagen, wie eine ähnliche Situation zuvor behandelt wurde, und konsistent zu handeln. Die Standardantwort im Jahr 2026 ist vector RAG — alles einbetten, die top-k ähnlichsten Teile abrufen und sie in das Kontextfenster einfügen.

Für Dokumente funktioniert das. Für Entscheidungen scheitert es stillschweigend. Und das Scheitern ist strukturell, kein Abstimmungsproblem.

Eine Entscheidung ist kein Absatz. Es ist ein kleines Netz von Beziehungen: eine These, die Argumente dafür und dagegen, die Beweise, auf die jedes Argument gestützt war, wer die Ausnahme genehmigt hat und welchem früheren Fall es folgte. Wenn man das in Textabschnitte flatten und einbetten würde, gibt die Abfrage Fragmente zurück, bei denen die Beziehungen getrennt sind. Man erhält die Schlussfolgerung ohne das Gegenargument. Man erhält die Genehmigung ohne die Begründung. Man erhält einen Satz, der auf einen Präzedenzfall verweist, ohne den Präzedenzfall selbst.

Das ist es, was Praktiker "Chunk-Suppe." nennen. Es ist der Grund, warum die ausschließliche Verwendung von Vektoren zur Abfrage über Entscheidungsprotokolle zwar selbstsicher erscheint, aber subtil unzuverlässig ist.

Chunk-Suppe vs. das Entscheidungs-Paket

Warum normative Grenzen alles verändern

Generische Wissensgraphen speichern beschreibende Kanten: "Erwähnungen", "verwandt mit", "gehört zu." Sie zeigen, dass zwei Dinge verbunden sind, aber nicht warum es wichtig ist.

Ein Entscheidungsgraph speichert normative Kanten — die Beziehungen tragen Argumentation:

Warum ein Entscheidungsgraph "GraphRAG-perfekt" ist

Die meisten Teams, die GraphRAG auf einem allgemeinen Unternehmensgraphen ausprobieren, geben auf. Die Gründe sind konsistent, und ein Entscheidungsgraph vermeidet jeden einzelnen von ihnen:

Die hybride Abruf-Pipeline

Vektoren und Graphen sind hier keine Rivalen. Die Entscheidungsabfrage verwendet Vektoren, um die Einstiegspunkte zu finden und Graphstrukturen, um den vollständigen Kontext abzurufen. In AIAgentree ist dies eine fünfstufige Pipeline (geliefert im Vorgangssuchdienst):

Abruf für Agenten: MCP und A2A

Gedächtnis ist nur nützlich, wenn der Agent darauf zugreifen kann, während er schlussfolgert. AIAgentree bietet die Entscheidungsabfrage auf zwei Arten an:

Wie es im Code aussieht

Abrufen von Präzedenzfällen für die Entscheidung, die ein Agent gleich treffen wird:

# Find how similar cases were decided before acting
results = client.search_precedents(
    query="refund above auto-approve threshold, premium customer",
    filters={"category": "customer_service", "maturity": "validated"},
)

for packet in results:
    # Each packet is a complete decision: proposition, pro/con
    # arguments, evidence, approvals, outcome, and cited precedents
    print(packet.proposition, packet.outcome, packet.confidence)

Kein Prompt-Stuffing von Rohprotokollen. Der Agent argumentiert über vorherige Entscheidungen, mit ihrer Begründung angehängt. Der Ausschnitt verwendet den Python-Client zur Klarheit — aber die gleiche Abfrage (get_packet, search_precedents) ist über MCP ohne SDK verfügbar, sodass ein MCP-nativer Agent Entscheidungen als Werkzeuge konsumiert.

Der Full Stack ist ausgeliefert.

Wir ziehen es vor, präzise als beeindruckend zu sein. Hier ist, was heute live ist:

Was dies nicht ersetzt