چیست تصمیم گیری بازیابی؟
بازآوری تصمیم این است که یک عامل هوش مصنوعی چگونه به نحوه مدیریت شرایط مشابه در
بازیابی تصمیم گیری = بازیابی تصمیمات گذشته به عنوان واحدهای کامل، نه تکه های متنی. زیرساخت یک گراف است: تصمیمات به استدلال های موافق و مخالف، شواهد، و پیشینیان توسط یال های نوع دار متصل هستند. بازیابی هیبریدی است - جستجوی برداری تصمیمات مربوطه را پیدا می کند، گسترش گراف زمینه کامل را بازیابی می کند - و خروجی آن یک بسته تصمیم است. این برتری دارد بر بازیابی برداری RAG بر لاگ ها، که تکه های نامرتبط را برمی گرداند که استدلال مخالف و پیشین را حذف می کند.
بازگردانی تصمیم در مقابل بردار RAG روی لاگها
روش پیشفرض برای دادن حافظه به یک عامل، بردار RAG است: همه چیز را دربر بگیرید، تکههای تطبیق برتر را بازیابی کنید و آنها را در提示 چسبانید. برای اسناد این کار کار میکند. اما برای تصمیمات از نظر ساختاری شکست میخورد، زیرا یک تصمیم یک پاراگراف نیست - بلکه یک شبکه کوچک از روابط است: یک پیشنهاد، استدلالهای موافق و مخالف آن، شواهد هر یک، کسی که هر استثنا را تایید میکند و کدام مورد گذشته را دنبال میکند.
اگر این را به متن تخت کنید و دربر بگیرید، بازیابی تکههایی را با قطع روابط برمیگرداند - نتیجه بدون استدلال مخالف، تایید بدون دلیل، ذکر یک پیشزمینه بدون خود پیشزمینه. متخصصان این را "سوپ تکه" مینامند. بازگردانی تصمیم از این کار اجتناب میکند، زیرا تصمیم را به عنوان یک واحد ساختاریافته بازیابی میکند، زیرا روابط به عنوان یالهای درجه اول ذخیره میشوند و نه به صورت ضمنی در نثر.
گراف: یالهای هنجاری، نه توصیفی
گرافهای دانش عمومی یالهای توصیفی را ذخیره میکنند - "اشارهها"، "مرتبط با" - که میگویند دو چیز به هم متصل هستند، اما نمیگویند چرا مهم بود. یک گراف تصمیم یالهای هنجاری را ذخیره میکند: حمایت میکند، مخالف است، نفی میکند، صلاحیت دارد. زیرا نوع یال همان استدلال است، گراف از قبل آنچه در یک تصمیم باربر بود را کد میکند.
همچنین دلیل این است که یک گراف تصمیم یک زیرلایه GraphRAG غیرعادی خوب است که گرافهای عمومی شرکت با آن مبارزه میکنند. گرافهای عمومی بسیار بزرگ هستند، یالهای آنها سیگنال کم دارند، گره ریشه طبیعی ندارند و عبور هیچ نقطه پایان واضحی ندارد. یک گراف تصمیم ویژگیهای مخالف دارد: هر تصمیم یک ریشه طبیعی است، یالها استدلال واقعی را حمل میکنند و زیرگراف یک تصمیم واحد کوچک و به طور طبیعی محدود است - به استدلالها، شواهد و پیشزمینههای استناد شده گسترش مییابد، سپس متوقف میشود.
چگونگی کار بازگردانی ترکیبی بردار-گراف
بردارها و گرافها در اینجا رقیب نیستند - بازگردانی تصمیم از بردارها برای یافتن نقاط ورود و ساختار گراف برای بازیابی زمینه کامل استفاده میکند. در عمل یک خط لوله است: (1) جستجوی بردار روی تعبیههای تصمیم و استدلال، چند تصمیم گذشته مرتبط را پیدا میکند؛ (2) فیلترهای ساختاریافته با دستهبندی، نوع موجودیت و بلوغ پیشزمینه محدود میشود، بنابراین موارد تایید شده را بازیابی میکنید، نه پیشنویسها؛ (3) گسترش گراف یالهای هنجاری را برای آوردن استدلالها و شواهد هر تصمیم پیاده میکند؛ (4) رتبهبندی با وزن نتیجه، پیشزمینههایی را که نتایج آنها خوب شد، در بالای مواردی که شبیه به هم هستند اما نشدند، شناور میکند؛ (5) نتایج را به بستههای محدود پاکتهای تصمیم بستهبندی میکند.
محدودیتهای سخت برای عمق، شمار گره و زمان از گسترش جلوگیری میکند. خروجی هرگز یک دیوار از توکنها نیست - بلکه یک مجموعه کوچک از تصمیمات کامل و قابل مقایسه است.
بازگردانی برای عوامل: MCP و A2A
حافظه فقط در صورتی مفید است که یک عامل بتواند در حین استدلال به آن برسد. بازگردانی تصمیم به دو روش برای عوامل در دسترس است. از طریق پروتکل زمینه مدل (MCP)، ابزارهایی مانند search_precedents و get_packet به یک عامل اجازه میدهند تا برای تصمیمات گذشته مرتبط پرسش کند و بستههای تصمیم را به صورت خطی، در حین استدلال، دریافت کند - و مسیر نوشتن نیز روی MCP کار میکند: یک عامل میتواند یک ردیاب ایجاد کند، استدلال خود را ثبت کند، تصمیم را مهر و موم کند و بلافاصله بسته تصمیم نهایی را با هیچ SDK دریافت کند. در تفویض عامل به عامل (A2A)، بسته تصمیم بارگذاری است که بین عوامل传递 میشود - یک عامل گیرنده زمینه کامل و خود包含 یک تصمیم را به ارث میبرد، بدون هیچ دسترسی به پایگاه داده فرستنده. بسته به طراحی قابل حمل است، که همین باعث میشود که傳递 کردن آن از مرز اعتماد ایمن باشد.
چگونگی تحویل بازیابی تصمیم توسط AI Agentree
AI Agentree تصمیمات را به عنوان یک گراف هنجاری ذخیره می کند و آنها را به عنوان بسته های محدود بازیابی می کند. زیرساخت بازیابی تحویل داده شده و در استفاده است:
جستجوی پیشین ترکیبی
یک خط لوله پنج مرحلهای — جستجوی بردار، فیلترهای ساختاریافته، گسترش گراف-متن، رتبهبندی وزندار نتیجه، بستهبندی — تصمیمات گذشته را با استدلالهای آنها بازیابی میکند، نه به عنوان سوپ تکهتکه.
پکیجهای تصمیم
بازگرداندن یک رکورد محدود و خود包含 از یک تصمیم — پیشنهاد، استدلالهای موافق و مخالف، شواهد، سیاستها، تاییدها، نتیجه و پیشینهای استناد شده — را بازیابی میکند.
استناد به پیشین
یک پیشین بازیابی شده را میتوان به عنوان یک استدلال درجه اول در یک تصمیم جدید استناد داد، بنابراین سازگاری به جای تکیه بر حافظه ترکیب میشود.
دسترسی بومی عامل (MCP + A2A)
عوامل تصمیمات را با ابزارهای MCP ثبت و بازیابی میکنند — چرخه کامل ایجاد، مهر و مهر و دریافت پکت — و پکیجهای تصمیم به عنوان بار در تفویض عامل به عامل سفر میکنند.
زیرساخت را که این بازیابی از آن استفاده می کند، در ردیابی تصمیم ببینید، یا درمان فنی عمیق تر را در GraphRAG برای تصمیمات هوش مصنوعی بخوانید.
سوال های متداول
decision retrieval چیست؟
decision retrieval به معنای بازیابی تصمیمات گذشته به عنوان واحدهای کامل و ساختار یافته است، نه تکه های متنی جدا از هم. این یک نوع GraphRAG است: زیرلایه یک گراف استدلال نرم است که هر تصمیم را به استدلال ها، شواهد و پیشینیان مرتبط با آن متصل می کند و خروجی آن یک بسته تصمیم محدود است — استدلال، نه فقط یک قطعه متن.
decision retrieval چگونه با vector RAG متفاوت است؟
vector RAG متن را درج می کند و تکه های برتر مطابقت را برمی گرداند — تکه های جدا از هم که می توانند نتیجه یک تصمیم را نقل قول کنند، اما مخالفت، تأییدکننده و پیشینیان آن را از دست می دهند. decision retrieval تصمیم را با استدلال完整 برمی گرداند، زیرا روابط به عنوان یال های نوع دار درج شده اند، نه اینکه به صورت ضمنی در متن باقی بمانند. جستجوی بردار یک جزء از decision retrieval است، نه یک رقیب برای آن.
GraphRAG چیست؟
GraphRAG (graph-enhanced retrieval-augmented generation) با عبور از یک گراف دانش به جای رتبه بندی تکه های متن بر اساس شباهت، زمینه را بازیابی می کند.當 به تصمیمات اعمال می شود، گراف یک گراف استدلال نرم است و بازیابی هیبریدی است: جستجوی بردار تصمیمات مرتبط را پیدا می کند، سپس گسترش گراف زمینه کامل و محدود را بازیابی می کند.
Decision Packet چیست؟
Decision Packet خروجی محدود decision retrieval است: یک رکورد خود包含 از یک تصمیم که شامل پیشنهاد، درخت استدلال موافق/مخالف، شواهد و منشاء آن، سیاست های ارزیابی شده، تأییدها، نتیجه نهایی مهر و موم شده و هرگونه پیشینیان ذکر شده است. این چیزی است که یک عامل یا بازرس به جای یک پشته خطوط لاگ بازیابی می کند.
آیا Decision Packet بهتر از ذخیره سازی خروجی زنجیره فکر است؟
آنها مشکلات مختلفی را حل می کنند — بسته بهتری برای ثبت است، نه استدلال بهتری. ذخیره سازی زنجیره فکر به صورت متن است: پرسش آن به معنای تجزیه دوباره هر ردیابی با یک مدل بزرگ زبان در زمان خواندن است، فیلدی برای پیوستن ندارد و یک بلوک متن قابل ویرایش هیچ نقطه ای برای اعتماد ندارد. یک Decision Packet استدلال را یک بار، در زمان مهر و موم، ساختار می دهد: استدلال های موافق/مخالف با نوع استنساخ به پرسش های گرافی قطعی تبدیل می شوند، تصمیمات به نتایج ثبت شده لینک می شوند تا بازیابی با وزن نتیجه انجام شود، پیشینیان به گره های استدلال قابل استناد در تصمیمات جدید تبدیل می شوند و رکورد مهر و موم شده، قابل امضا و زنجیره ای شده به عنوان شواهد کار می کند — از جمله در مرزهای اعتماد در تفویض عامل به عامل. هیچ یک از فرمت ها استدلال مدل را وفادارتر نمی کند؛ بسته استدلال اعلام شده را پایدار، قابل مقایسه و قابل دفاع می کند. اگر فقط نیاز دارید یک عامل را بعداً اشکال زدایی کنید، ذخیره سازی زنجیره فکر کافی است — بسته ها ساختار خود را به دست می آورند khi تصمیمات باید مقایسه، استفاده مجدد یا دفاع شوند.
آیا decision retrieval پایگاه داده بردار یا document RAG را جایگزین می کند؟
خیر. جستجوی بردار اولین مرحله خط لوله بازیابی است و document RAG یک کار جداگانه است. decision retrieval بر روی پشته موجود شما قرار می گیرد و یک artifact را که آن سیستم ها ذخیره نکرده اند، بازیابی می کند: تصمیم ساختار یافته خود، که با استدلال完整 بازیابی می شود.
AI Agentree چگونه decision retrieval را پیاده سازی می کند؟
از طریق یک خط لوله پنج مرحله ای جستجوی پیشین (جستجوی بردار، فیلترهای ساختار یافته، گسترش زمینه گراف، رتبه بندی با وزن نتیجه، بسته بندی)، مونتاژ Decision Packet، استناد به پیشین و بازیابی در دسترس عوامل بر روی MCP و A2A. بازخورد خودکار نتیجه و سنتز الگوی بین تصمیمات — لایه کاملاً خودبهبودی بر روی بازیابی — در نقشه راه قرار دارند.
Related AI governance topics
AI Governance
The umbrella discipline: how organizations keep AI agents accountable, observable, and compliant — start here.
AI Observability
Seeing what your AI systems do in production — metrics, traces, and logs.
LLM Observability
Monitoring prompts, tokens, latency, and quality of large language model calls.
AI Traceability
Reconstructing the full lineage of an AI output — inputs, steps, and decisions.
LLM Traceability
End-to-end traces of multi-step LLM and prompt chains.
AI Agent Observability
Observability for autonomous, multi-step agents — tool calls, plans, and decisions.
Agentic AI Governance
Governing autonomous agents: policy, oversight, and accountable autonomy.
AI Audit Trail
Append-only, tamper-evident records of what an AI system decided and why.
AI Agent Monitoring
Real-time monitoring of agent behavior, drift, and decision quality.
Explainable AI (XAI)
Making AI decisions understandable to the people accountable for them.
AI TRiSM
Gartner's framework for AI trust, risk, and security management.
Decision Tracing
Capturing the structured reasoning behind every AI decision — AI Agentree's category.
AI Precedent Systems
Letting agents learn from past decisions as searchable precedent.
به عوامل خود حافظه ای قابل بازیابی بدهید
تصمیمات را به عنوان یک گراف، نه یک لاگ ذخیره کنید - و آنها را به عنوان بسته های تصمیم محدود که عوامل می توانند بر روی آنها استدلال کنند، بازیابی کنید.
شروع رایگان