GraphRAG untuk Keputusan AI: Mengapa Grafik Mengalahkan Pencarian Vektor untuk Memori Agen

TL;DR

Pertanyaannya bukan "haruskah kita menyimpan keputusan AI?" — ini adalah "apa yang kita simpan?" Simpan sebagai teks dan Anda mendapatkan sup potongan dari RAG vektor. Simpan sebagai grafik argumen normatif dan pengambilan kembali menghasilkan Paket Keputusan yang terikat dan dapat diaudit.

•Vector RAG atas log mengembalikan potongan yang terputus — ia melewatkan kontraargumen, pihak yang menyetujui, preseden
•Decision GraphRAG mengambil keputusan dengan alasan yang utuh, melalui tepi yang terketik
•Graf keputusan adalah substrat GraphRAG-perfect yang langka: simpul akar alami, tepi sinyal tinggi, subgraf terbatas
•Dikirim: pencarian preseden hibrida, Paket Keputusan, pengambilan MCP/A2A, umpan balik hasil, peringkat berbobot hasil, efektivitas argumen, preseden yang disarankan secara otomatis — seluruh roda terbang

Agen Anda perlu tahu bagaimana Anda memutuskan terakhir kali.

Anda mengarahkannya ke penyimpanan vektor dari log. Itu mendapatkan kembali enam cuplikan. Tidak ada satu pun yang mengandung alasan.

Masalah Pengambilan yang Tidak Ada yang Menamainya

Setiap sistem agen yang serius pada akhirnya membutuhkan memori: kemampuan untuk melihat bagaimana situasi serupa ditangani sebelumnya dan bertindak secara konsisten. Jawaban default pada tahun 2026 adalah vector RAG — menyematkan semuanya, mengambil potongan-potongan yang paling mirip, dan memasukkannya ke dalam jendela konteks.

Untuk dokumen, itu berhasil. Untuk keputusan, itu gagal dengan tenang. Dan kegagalan itu bersifat struktural, bukan masalah penyetelan.

Sebuah keputusan bukanlah sebuah paragraf. Itu adalah jaringan kecil dari hubungan: sebuah proposisi, argumen untuk dan menentangnya, bukti yang mendasari setiap argumen, siapa yang menyetujui pengecualian, dan kasus masa lalu mana yang diikuti. Rata-rata itu menjadi potongan teks dan menyematkannya, dan pengambilan kembali memberikan kembali fragmen dengan hubungan terputus. Anda mendapatkan kesimpulan tanpa kontraargumen. Anda mendapatkan persetujuan tanpa alasan. Anda mendapatkan kalimat yang menyebutkan preseden tanpa preseden itu sendiri.

Ini adalah apa yang disebut praktisi sebagai "chunk soup." Inilah sebabnya mengapa pengambilan hanya vektor atas log keputusan terasa percaya diri dan secara halus tidak dapat dipercaya.

Chunk Soup vs. Paket Keputusan

Vektor RAG mengembalikan	Graf Keputusan RAG mengembalikan
…"pengembalian dana disetujui untuk pelanggan premium" (0.83) …"ambang batas untuk persetujuan otomatis adalah $200" (0.79) …"eskalasi insiden SEV-1 ke tingkat 2" (0.74)	Usulan: Setujui pengembalian dana #4521 ($240) PRO: Pelanggan premium, cacat yang valid CON: Melebihi ambang batas persetujuan otomatis $200 Override: Disetujui oleh Analis Sr. (kebijakan P-12) Preseden: mengutip kasus #1234 (disetujui, 0 pengembalian dana) Hasil (6 bulan): dipertahankan, tidak ada sengketa
Tiga fragmen yang mungkin. Tidak ada tautan di antara mereka. Apakah pengembalian dana ini di atas ambang batas? Siapa yang membatalkannya? Apa yang terjadi selanjutnya? Bagian-bagian tersebut tidak bisa menjelaskan.	Satu paket terikat. Alasan, pengecualian, preseden, dan hasil — terhubung.

Perbedaannya bukan pada model embedding atau ukuran chunk. Ini adalah substrat. Satu menyimpan teks tentang keputusan; yang lain menyimpan keputusan sebagai struktur.

Mengapa Normative Edges Mengubah Segalanya

Graf pengetahuan generik menyimpan tepi deskriptif: "sebutan," "terkait dengan," "dimiliki oleh." Mereka memberi tahu Anda bahwa dua hal terhubung tetapi tidak mengapa itu penting.

Graf keputusan menyimpan normatif tepi — hubungan tersebut membawa penalaran:

•mendukung / menentang — argumen ini mendorong keputusan menuju atau menjauh dari hasil
•menyangkal — bukti ini secara langsung bertentangan dengan klaim tersebut
•memenuhi syarat / bergantung pada — ini berlaku hanya di bawah suatu kondisi

Karena tipe tepi adalah penalaran, grafik sudah mengetahui apa yang dapat menahan beban. Pengambilan tidak perlu menebak fakta mana dari sepuluh yang disebutkan yang sebenarnya mendorong panggilan — tepi supports dengan bobot tinggi mengatakan demikian. Grafik deskriptif memungkinkan pencarian. Grafik normatif memungkinkan penilaian.

Mengapa Grafik Keputusan Disebut "GraphRAG-Sempurna"

Sebagian besar tim yang mencoba GraphRAG pada grafik perusahaan umum menyerah. Alasan-alasannya konsisten, dan grafik keputusan menghindari setiap alasan tersebut:

Mengapa GraphRAG generik mengalami kesulitan	Mengapa grafik keputusan tidak
Grafik sangat besar (jutaan simpul)	Setiap subgraf keputusan kecil dan mandiri.
Tepi adalah sinyal rendah ("related_to")	Tepi adalah normatif dan membawa penalaran
Tidak ada node akar alami untuk memulai.	Keputusan adalah node akar
Traversal tidak memiliki titik berhenti yang alami.	Batasan sebuah keputusan adalah intrinsik — perluas ke argumen, bukti, dan preseden yang dikutip, lalu berhenti.

Grafik memiliki "apa yang penting" yang terintegrasi dalam strukturnya. Itulah sifat yang dibutuhkan GraphRAG dan jarang didapatkan.

Pipeline Pengambilan Hibrida

Vektor dan grafik bukanlah saingan di sini. Pengambilan keputusan menggunakan vektor untuk menemukan titik masuk dan struktur grafik untuk mengambil konteks lengkap. Di AIAgentree, ini adalah jalur lima langkah (dikirim dalam layanan pencarian preseden):

Pencarian vektor atas embedding keputusan dan argumen — temukan beberapa keputusan masa lalu yang relevan

Filter terstruktur — penyewa, kategori, jenis entitas, kedewasaan preseden (sehingga Anda mendapatkan kasus yang telah divalidasi, bukan draf)

Ekspansi konteks grafik — berjalan di tepi normatif untuk menarik argumen dan bukti dari setiap keputusan

Peringkat berbobot hasil — sebuah preseden yang hasilnya baik menduduki peringkat di atas yang tampak serupa tetapi tidak berhasil

Pengemasan — susun hasilnya menjadi Paket Keputusan yang terikat siap diserahkan kepada agen atau peninjau

Batas keras (kedalaman maksimum, jumlah maksimum simpul, waktu habis) mencegah ekspansi berjalan terlalu jauh. Output tidak pernah berupa dinding token — itu adalah sejumlah kecil keputusan lengkap yang dapat dibandingkan.

Pengambilan untuk Agen: MCP dan A2A

Memori hanya berguna jika agen dapat mengaksesnya saat ia melakukan penalaran. AIAgentree mengungkapkan pengambilan keputusan dengan dua cara:

Di atas MCP

Server Protokol Konteks Model menyediakan alat seperti search_precedents dan get_packet. Seorang agen meminta keputusan sebelumnya yang relevan dan menerima Paket Keputusan secara langsung — di tengah proses penalaran, bukan sebagai pekerjaan batch.

Over A2A

Dalam delegasi antar agen, Paket Keputusan adalah muatannya. Agen penerima mewarisi konteks keputusan yang lengkap dan mandiri tanpa akses ke basis data pengirim.

Paket ini dirancang portabel — ia membawa segala sesuatu yang diperlukan untuk memahami dan menerapkan keputusan, yang merupakan alasan tepat mengapa aman untuk melewati batas kepercayaan.

Apa Tampaknya Dalam Kode

Mengambil preseden untuk keputusan yang akan dibuat oleh seorang agen:

# 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)

Tidak ada pengisian prompt dengan log mentah. Agen mempertimbangkan keputusan sebelumnya, dengan alasan mereka terlampir. Cuplikan ini menggunakan klien Python untuk kejelasan — tetapi pengambilan yang sama (get_packet, search_precedents) tersedia melalui MCP tanpa SDK, sehingga agen asli MCP mengkonsumsi keputusan sebagai alat.

Full Stack Telah Dikirim

Kami lebih memilih untuk tepat daripada mengesankan. Berikut adalah yang sedang tayang hari ini:

Pengambilan dan Pengambilan Keputusan

✓Model data jejak keputusan normatif (tepi argumen bertipe)
✓Pencarian preseden hibrida (jalur lima langkah di atas)
✓Kutipan preseden — mengutip keputusan masa lalu sebagai argumen kelas satu
✓Perakitan Paket Keputusan
✓Pengambilan melalui MCP + A2A
✓Rekaman keputusan yang tidak dapat diubah dan hanya dapat ditambahkan

Memori Institusional Flywheel

✓Umpan balik hasil otomatis — webhook + pengambilan polling menuliskan hasil kembali ke keputusan
✓Penilaian kualitas hasil — keputusan dengan hasil yang baik memiliki peringkat lebih tinggi dalam pencarian preseden
✓Efektivitas argumen — lacak argumen mana yang menghasilkan hasil positif
✓Preseden yang disarankan secara otomatis — keputusan sebelumnya yang relevan muncul pada waktu penyegelan

Sistem flywheel tertutup sepenuhnya aktif: umpan balik hasil mengalir kembali ke peringkat preseden, efektivitas argumen mengungkapkan apa yang berhasil, dan agen mendapatkan preseden relevan yang disarankan secara otomatis saat mereka membuat keputusan. Substrat grafik memungkinkan hal ini — dan sekarang lapisan yang meningkatkan diri berjalan di atasnya.

Apa yang Ini Tidak Menggantikan

•Basis data vektor Anda — ini adalah komponen dari jalur, langkah 1
•Dokumen RAG Anda — mengambil kebijakan dan manual adalah pekerjaan yang berbeda
•Alat observabilitas — rentang, latensi, dan metrik token masih milik LangSmith/Langfuse dan lain-lain.

Decision GraphRAG berada di atas semuanya dan menangkap artefak yang tidak disimpan oleh mereka: keputusan terstruktur, yang dapat diambil dengan alasan yang utuh.

Pertanyaan yang Sering Diajukan

Apa itu GraphRAG untuk keputusan AI?

GraphRAG (generasi yang ditingkatkan dengan pengambilan berbasis grafik) mengambil konteks dengan menjelajahi grafik pengetahuan alih-alih hanya mengurutkan potongan teks berdasarkan kesamaan vektor. Untuk keputusan AI, grafik tersebut adalah grafik argumen normatif — keputusan, argumen pro/con yang mendukung atau menentangnya, bukti yang dikutip, dan preseden yang dirujuk, terhubung oleh tepi bertipe (mendukung, menentang, membantah). Pengambilan dimulai dari pencarian vektor untuk menemukan keputusan yang relevan, kemudian berkembang sepanjang tepi tersebut untuk mengembalikan Paket Keputusan yang lengkap dan terikat daripada potongan yang terputus.

Bagaimana perbedaan GraphRAG keputusan dengan RAG vektor atas log?

Vector RAG menyematkan potongan teks (log, transkrip, dokumen) dan mengembalikan fragmen-fragmen yang paling mirip. Fragmen-fragmen tersebut terputus — sebuah kutipan yang diambil mungkin mengutip kesimpulan keputusan tetapi melewatkan argumen penentang yang hampir membalikkan keputusan tersebut, orang yang menyetujui pengecualian, atau preseden yang menjadi dasar. Decision GraphRAG mengambil keputusan sebagai unit terstruktur dengan alasan yang utuh, karena hubungan-hubungan disimpan sebagai tepi bertipe kelas satu, bukan dibiarkan implisit dalam prosa.

Apa itu Paket Keputusan?

Paket Keputusan adalah output terikat dari pengambilan keputusan graf: representasi terstruktur yang mandiri dari satu keputusan yang berisi proposisi, pohon argumen pro/con, bukti dan asal-usulnya, kebijakan yang dievaluasi, orang-orang yang menyetujuinya, hasil yang disegel, dan preseden yang dikutip. Ini adalah apa yang diambil oleh agen (atau auditor) sebagai pengganti tumpukan baris log. AIAgentree menyusun Paket Keputusan dari jejak keputusan yang disimpan.

Mengapa grafik keputusan merupakan substrat yang baik untuk GraphRAG ketika grafik perusahaan generik tidak?

Graf pengetahuan perusahaan generik sulit untuk dijelajahi: mereka sangat besar, tepinya memiliki sinyal rendah ('related_to' tidak menyampaikan alasan), tidak ada simpul akar yang alami, dan ekspansi tidak memiliki titik penghentian yang jelas. Graf keputusan menghindari keempat masalah tersebut: setiap keputusan adalah akar alami, tepi bersifat normatif dan memiliki sinyal tinggi (mendukung/menentang/membantah membawa alasan yang sebenarnya), dan subgraf dari satu keputusan kecil dan secara alami terbatas. Graf tersebut sudah mengkodekan 'apa yang penting,' sehingga pengambilan tahu apa yang harus disertakan.

Apakah ini menggantikan basis data vektor saya atau tumpukan RAG saya?

Tidak. Pencarian vektor adalah komponen dari GraphRAG keputusan, bukan pesaingnya — embedding menemukan titik masuk yang tepat, kemudian struktur graf mengambil konteks lengkap. AIAgentree berada di lapisan keputusan di atas sistem operasional Anda dan RAG yang ada untuk dokumen. Ini menangkap dan mengambil satu artefak yang secara historis tidak disimpan oleh sistem tersebut: keputusan terstruktur itu sendiri.

Apa yang dikirim?

Semua yang dijelaskan dalam pos ini telah dikirim dan aktif: model data jejak keputusan normatif, pencarian preseden hibrida (sebuah jalur lima langkah: pencarian vektor → filter terstruktur → perluasan konteks grafis → peringkat berbobot hasil → pengemasan), kutipan preseden (mengutip keputusan masa lalu sebagai argumen kelas satu), perakitan Paket Keputusan, pengambilan yang diekspos kepada agen melalui MCP dan A2A, umpan balik hasil otomatis (webhook + pengambilan polling), penilaian kualitas hasil yang meningkatkan peringkat preseden, pelacakan efektivitas argumen (argumen mana yang menghasilkan hasil baik), dan preseden yang disarankan secara otomatis pada segel. Seluruh 'roda flywheel memori institusional' aktif dan dalam loop tertutup.

Bagaimana agen mengambil keputusan pada saat inferensi?

Melalui Model Context Protocol (MCP) dan delegasi antar agen (A2A). AIAgentree menyediakan alat seperti search_precedents dan get_packet melalui server MCP, sehingga agen dapat menanyakan keputusan sebelumnya yang relevan dan menerima Paket Keputusan secara langsung saat melakukan penalaran. Dalam delegasi A2A, Paket Keputusan adalah muatan mandiri yang diteruskan antara agen, sehingga agen penerima mewarisi konteks penuh dari sebuah keputusan tanpa akses ke basis data pengirim.

Topik Terkait

Apa itu Pengambilan Keputusan?

Panduan lengkap untuk mengambil keputusan AI sebagai artefak terstruktur

Apa itu Observabilitas Agen AI?

Memantau, melacak, dan memahami perilaku agen AI

Tim AIAgentree

Infrastruktur Keputusan

Tim AIAgentree sedang membangun infrastruktur pelacakan dan pengambilan keputusan untuk agen AI. Misi kami adalah membuat penalaran AI terlihat, dapat diaudit, dapat diambil kembali, dan dapat ditingkatkan.

Beri agen Anda memori yang layak diambil kembali.

Tangkap keputusan sebagai grafik, bukan log — dan ambil kembali sebagai Paket Keputusan yang terikat. Tingkat gratis tersedia, tanpa kartu kredit diperlukan.

Mulai Gratis