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.
بازیابی تصمیم در مقابل RAG برداری بر روی لاگها
روش پیشفرض برای دادن حافظه به یک عامل RAG برداری است: همه چیز را جاسازی کنید، بهترین بخشهای مطابقت یافته را بازیابی کنید و آنها را در پرامپت بچسبانید. این برای اسناد کار میکند. برای تصمیمات به طور ساختاری شکست میخورد، زیرا یک تصمیم یک پاراگراف نیست — بلکه یک شبکه کوچک از روابط است: یک پیشنهاد، استدلالهای موافق و مخالف، شواهدی که هر کدام به آن تکیه کردهاند، چه کسی هر استثنایی را تأیید کرده و کدام مورد گذشته را دنبال کرده است.
آن را به متن تبدیل کنید و جاسازی کنید، و بازیابی تکههایی را برمیگرداند که روابط قطع شدهاند — نتیجه بدون ضد استدلال، تأیید بدون استدلال، اشاره به یک سابقه بدون خود سابقه. عملگراها این را "سوپ تکهای." مینامند. بازیابی تصمیم با بازیابی تصمیم به عنوان یک واحد ساختاری از آن اجتناب میکند، زیرا روابط به عنوان لبههای درجه یک ذخیره میشوند و به جای اینکه در نثر به طور ضمنی باقی بمانند.
نمودار: لبههای هنجاری، نه توصیفی
نمودارهای دانش عمومی لبههای توصیفی را ذخیره میکنند — "اشارات،" "مرتبط با" — که میگویند دو چیز به هم متصل هستند اما نمیگویند چرا این مهم است. یک نمودار تصمیم لبههای هنجاری را ذخیره میکند: حمایت میکند، مخالف است، رد میکند، مشروط میکند. زیرا نوع لبه است استدلال است، نمودار از قبل آنچه را که در یک تصمیم باربر بوده است کدگذاری میکند.
این همچنین دلیل این است که یک نمودار تصمیم یک زیرساخت GraphRAG به طور غیرمعمول خوبی است که در آن نمودارهای عمومی با مشکل مواجه میشوند. نمودارهای عمومی بسیار بزرگ هستند، لبههای آنها سیگنال پایینی دارند، هیچ گره ریشه طبیعی وجود ندارد و عبور از آن هیچ نقطه توقف واضحی ندارد. یک نمودار تصمیم ویژگیهای معکوس دارد: هر تصمیم یک ریشه طبیعی است، لبهها استدلال واقعی را حمل میکنند و زیرنمودار یک تصمیم کوچک و به طور طبیعی محدود است — به استدلالها، شواهد و سوابق ذکر شدهاش گسترش یابد، سپس متوقف شود.
چگونه بازیابی ترکیبی بردار و نمودار کار میکند
بردارها و نمودارها در اینجا رقیب نیستند — بازیابی تصمیم از بردارها برای پیدا کردن نقاط ورودی و ساختار نمودار برای دریافت زمینه کامل استفاده میکند. در عمل، این یک خط لوله است: (1) جستجوی برداری بر روی جاسازیهای تصمیم و استدلال، تعدادی از تصمیمات گذشته مرتبط را پیدا میکند؛ (2) فیلترهای ساختاری بر اساس دسته، نوع موجودیت و بلوغ سابقه محدود میشوند تا موارد تأیید شده را بازیابی کنید، نه پیشنویسها؛ (3) گسترش نمودار لبههای هنجاری را طی میکند تا استدلالها و شواهد هر تصمیم را بکشاند؛ (4) رتبهبندی وزندار بر اساس نتیجه، سوابقی را که نتایج آنها به طور قابل توجهی بهتر از موارد ظاهراً مشابهی که نبودند، بالا میآورد؛ (5) نتایج در بستههای تصمیم محدود بستهبندی میشوند.
محدودیتهای سخت بر عمق، تعداد گرهها و زمان از گسترش جلوگیری میکند. خروجی هرگز دیواری از توکنها نیست — بلکه یک مجموعه کوچک از تصمیمات کامل و قابل مقایسه است.
بازیابی برای عوامل: MCP و A2A
حافظه تنها زمانی مفید است که یک عامل بتواند در حین استدلال به آن دسترسی پیدا کند. بازیابی 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 قبلی مرتبط پرس و جو کند و بستههای تصمیم را به صورت آنلاین، در حین استدلال دریافت کند — و مسیر نوشتن نیز بر روی MCP کار میکند: یک عامل میتواند یک ردیابی ایجاد کند، استدلال خود را ثبت کند، تصمیم را مهر و موم کند و بلافاصله بسته تصمیم حاصل را از ابتدا تا انتها، بدون SDK بازیابی کند. در واگذاری عامل به عامل (A2A)، بسته تصمیم بارگذاری است که بین عوامل منتقل میشود — یک عامل دریافتکننده زمینه کامل و خودکفای یک تصمیم را بدون هیچ دسترسی به پایگاه داده فرستنده به ارث میبرد. بسته به طور طراحی قابل حمل است، که این باعث میشود که عبور 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 پیشینه ترکیبی
یک خط لوله پنج مرحلهای — جستجوی برداری، فیلترهای ساختاری، گسترش زمینه گراف، رتبهبندی مبتنی بر نتیجه، بستهبندی — تصمیمات گذشته را با دلایل مربوطه بازیابی میکند، نه به صورت سوپ تکهای.
بستههای تصمیم
بازیابی یک رکورد محدود و خودکفا از یک تصمیم را برمیگرداند — پیشنهاد، استدلالهای موافق/مخالف، شواهد، سیاستها، تأییدها، نتیجه و پیشینههای ذکر شده.
استناد به پیشینه
یک پیشینه بازیابی شده میتواند به عنوان یک استدلال درجه یک در یک تصمیم جدید استناد شود، بنابراین ثبات به جای تکیه بر حافظه افزایش مییابد.
دسترسی بومی عامل (MCP + A2A)
عاملها تصمیمات را از طریق ابزارهای MCP ثبت و بازیابی میکنند — چرخه کامل ایجاد، مهر و موم و دریافت بسته بدون SDK — و بستههای تصمیم به عنوان بار در واگذاری از 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
بازیابی تصمیم چیست؟
بازیابی تصمیم به بازیابی تصمیمات گذشته هوش مصنوعی به عنوان واحدهای کامل و ساختاریافته اشاره دارد، نه تکههای متن جداگانه. این یک نوع GraphRAG است: زیرساخت یک گراف استدلال هنجاری است که هر تصمیم را به استدلالها، شواهد و سوابقی که آن را شکل دادهاند متصل میکند و خروجی یک بسته تصمیم محدود است — استدلال، نه فقط یک تکه.
بازیابی تصمیم چگونه با RAG برداری متفاوت است؟
RAG برداری متن را جاسازی میکند و تکههای مطابقت بالای آن را برمیگرداند — تکههای جداگانهای که میتوانند نتیجهگیری یک تصمیم را نقل کنند اما استدلال مخالف، تأییدکننده و پیشینهای که به آن تکیه کرده است را از دست میدهند. بازیابی تصمیم، تصمیم را با استدلال آن به طور کامل برمیگرداند، زیرا روابط به عنوان لبههای نوعدار درجه یک ذخیره میشوند نه اینکه به صورت ضمنی در نثر باقی بمانند. جستجوی برداری یک جزء از بازیابی تصمیم است، نه رقیب آن.
GraphRAG چیست؟
GraphRAG (تولید تقویتشده با بازیابی گراف) زمینه را با پیمایش یک گراف دانش به جای رتبهبندی فقط تکههای متن بر اساس شباهت بازیابی میکند. وقتی به تصمیمات اعمال میشود، گراف یک گراف استدلال هنجاری است و بازیابی ترکیبی است: جستجوی برداری تصمیمات مرتبط را پیدا میکند، سپس گسترش گراف زمینه کامل و محدودی را به دست میآورد.
بسته تصمیم چیست؟
بسته تصمیم خروجی محدود بازیابی تصمیم است: یک رکورد خودکفا از یک تصمیم که شامل پیشنهاد، درخت استدلال موافق/مخالف، شواهد و منبع آن، سیاستهای ارزیابی شده، تأییدها، نتیجه مهر و موم شده و هر پیشینهای که ذکر شده است. این چیزی است که یک عامل یا حسابرس به جای یک انبوه خطهای لاگ بازیابی میکند.
آیا بسته تصمیم بهتر از ذخیره خروجی زنجیرهای تفکر است؟
آنها مشکلات متفاوتی را حل میکنند — بسته بهتر برای ثبت سوابق است، نه بهتر برای استدلال. زنجیرهای از تفکر ذخیره شده نثر است: پرس و جو کردن آن به معنای تجزیه و تحلیل مجدد هر ردیابی با یک LLM در زمان خواندن است، هیچ فیلد نتیجهای برای پیوستن ندارد و یک توده متن قابل ویرایش هیچ نقطه تعهدی را که یک بازبینیکننده بتواند به آن اعتماد کند ارائه نمیدهد. یک بسته تصمیم همان استدلال را یک بار در زمان مهر و موم ساختار میدهد: استدلالهای موافق/مخالف نوعدار به جستجوهای گرافی قطعی تبدیل میشوند، تصمیمات به نتایج ثبت شده متصل میشوند تا بازیابی بر اساس نتایج باشد، پیشینهها به گرههای استدلال قابل استناد در تصمیمات جدید تبدیل میشوند و رکورد زنجیرهای، مهر و موم شده و قابل امضا به عنوان شواهد عمل میکند — از جمله در مرزهای اعتماد در واگذاری از عامل به عامل. هیچ یک از فرمتها استدلال مدل را وفادارتر نمیکند؛ بسته استدلال بیان شده را بادوام، قابل مقایسه و قابل دفاع میکند. اگر فقط نیاز دارید که بعداً یک عامل را اشکالزدایی کنید، زنجیرهای از تفکر ذخیره شده کافی است — بستهها ساختار خود را زمانی به دست میآورند که تصمیمات باید مقایسه، دوباره استفاده یا دفاع شوند.
آیا بازیابی تصمیم جایگزین پایگاه داده برداری من یا RAG سند میشود؟
خیر. جستجوی برداری اولین مرحله از خط لوله بازیابی است و RAG سند یک کار جداگانه است. بازیابی تصمیم بر روی پشته موجود شما نشسته و تنها اثر هنری را که آن سیستمها ذخیره نکردهاند، ضبط میکند: خود تصمیم ساختاریافته، که با استدلال آن قابل بازیابی است.
چگونه AI Agentree بازیابی تصمیم را پیادهسازی میکند؟
از طریق یک خط لوله جستجوی پیشینه پنج مرحلهای (جستجوی برداری، فیلترهای ساختاری، گسترش زمینه گراف، رتبهبندی مبتنی بر نتیجه، بستهبندی)، مونتاژ بسته تصمیم، استناد به پیشینه و بازیابی که برای عوامل از طریق MCP و A2A در دسترس است. بازخورد خودکار نتیجه و سنتز الگوهای بین تصمیمات — لایه کاملاً خودبهبوددهنده در بالای بازیابی — در نقشه راه قرار دارد.
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 Record
The durable document of one AI decision — reasoning, evidence, policy and approval in a single file.
AI Compliance Evidence
What auditors actually ask for, and why policy documents are not evidence.
AI Conformity Assessment
How an AI system is checked against the rules, and what that check consumes.
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.
Decision Audit Trails
How human teams record why a decision was made — the deliberation counterpart to an AI audit trail.
Transparent AI
Making model reasoning inspectable, and what changes when several models are compared against each other.
Multi-Agent Simulation
Running many AI personas against one scenario to surface risks before a decision is taken.
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