誰も名前を付けない取得の問題

すべての真剣なエージェントシステムは最終的にメモリが必要です：類似の状況が以前にどのように処理されたかを調べ、一貫して行動する能力です。2026年のデフォルトの答えはベクトルRAGです — すべてを埋め込み、最も類似した上位kのチャンクを取得し、それらをコンテキストウィンドウに詰め込みます。

文書に対しては、それは機能します。意思決定に対しては、静かに失敗します。そして、その失敗は調整の問題ではなく、構造的な問題です。

意思決定は段落ではありません。それは小さな関係のウェブです：命題、それに対する賛成および反対の議論、各議論が依存している証拠、例外を承認した人、そしてそれが従った過去のケースです。それをテキストチャンクに平坦化して埋め込むと、取得は関係が切断された断片を返します。反論なしで結論を得ます。推論なしで承認を得ます。前例を言及する文を得ますが、前例自体は得られません。

これが実務者が「チャンクスープ」と呼ぶものです。ベクトルのみの取得が意思決定ログに対して自信を持っている理由であり、微妙に信頼できない理由です。

チャンクスープ対意思決定パケット

なぜ規範的エッジがすべてを変えるのか

一般的な知識グラフは記述的エッジを保存します：「言及」、「関連」、「所有」。それらは2つの事柄が接続されていることを教えますが、なぜそれが重要だったのかは教えません。

意思決定グラフは規範的エッジを保存します — 関係は推論を運びます：

なぜ意思決定グラフが「GraphRAG完璧」なのか

一般的な企業グラフでGraphRAGを試みるほとんどのチームは諦めます。その理由は一貫しており、意思決定グラフはそれらすべてを回避します：

ハイブリッド取得パイプライン

ベクトルとグラフはここでライバルではありません。意思決定の取得はエントリーポイントを見つけるためにベクトルを使用し、完全なコンテキストを取得するためにグラフ構造を使用します。AIAgentreeでは、これは5ステップのパイプラインです（前例検索サービスで出荷）：

エージェントのための取得：MCPとA2A

メモリは、エージェントが推論している間にアクセスできる場合にのみ有用です。AIAgentreeは、意思決定の取得を2つの方法で公開します：

コードでの見た目

エージェントが行おうとしている意思決定の前例を取得する：

# 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)

生のログのプロンプト詰め込みはありません。エージェントは以前の意思決定について推論し、その推論が添付されています。このスニペットは明確さのためにPythonクライアントを使用しています — しかし、同じ取得（get_packet、search_precedents）はMCPでSDKなしで利用可能であり、MCPネイティブエージェントは意思決定をツールとして消費します。

フルスタックが出荷されました

私たちは印象的であるよりも正確でありたいです。今日稼働中のものは次のとおりです：

これが置き換えないもの