ನಿರ್ಧಾರ ಪುನರುದ್ಧರಣೆ ಏನು?
ನಿರ್ಧಾರ ಪುನರುದ್ಧರಣೆ ಎಂದರೆ ಒಂದು ಎಐ ಏಜೆಂಟ್ ಹಿಂದೆ ಹೇಗೆ ಒಂದು ಸಮಾನ ಸನ್ನಿವೇಶಗಳನ್ನು ನಿರ್ವಹಿಸಲಾಯಿತು — ಮತ್ತು ಕೇವಲ ಒಂದು ಸ್ನಿಪ್ಪೆಟ್ ಬದಲಿಗೆ ತರ್ಕವನ್ನು ಹಿಂಪಡೆಯುತ್ತದೆ. ಇದು ಗ್ರಾಫ್ಆರ್ಎಜಿ ನಿರ್ಧಾರಗಳಿಗೆ: ಒಂದು ನಿಯಮಿತ ವಾದ ಗ್ರಾಫ್ ಮೇಲೆ ಪುನರುದ್ಧರಣೆ, ಅಲ್ಲಿ ಪ್ರತಿ ನಿರ್ಧಾರವು ಅದನ್ನು ರೂಪಿಸಿದ ವಾದಗಳಿಗೆ, ಸಾಕ್ಷ್ಯಗಳಿಗೆ ಮತ್ತು ಮುನ್ನುದಾಹರಣೆಗಳಿಗೆ ಸಂಪರ್ಕ ಹೊಂದಿದೆ.
ನಿರ್ಧಾರ ಪುನರುದ್ಧರಣೆ = ಪಾಠ ತುಣುಕುಗಳಾಗಿ ಬದಲಿಗೆ ಸಂಪೂರ್ಣ ಘಟಕಗಳಾಗಿ ಹಿಂದಿನ ನಿರ್ಧಾರಗಳನ್ನು ಪುನರುದ್ಧರಿಸುವುದು. ಸಬ್ಸ್ಟ್ರೇಟ್ ಒಂದು ಗ್ರಾಫ್: ನಿರ್ಧಾರಗಳು ಪ್ರತಿ ಮತ್ತು ವಿರೋಧಾಭಾಸಗಳಿಗೆ, ಸಾಕ್ಷ್ಯಗಳಿಗೆ ಮತ್ತು ಮುನ್ನುದಾಹರಣೆಗಳಿಗೆ ಟೈಪ್ ಮಾಡಿದ ಅಂಚುಗಳ ಮೂಲಕ ಸಂಪರ್ಕ ಹೊಂದಿದೆ. ಪುನರುದ್ಧರಣೆ ಹೈಬ್ರಿಡ್ — ವೆಕ್ಟರ್ ಹುಡುಕಾಟ ಸಂಬಂಧಿತ ನಿರ್ಧಾರಗಳನ್ನು ಹುಡುಕುತ್ತದೆ, ಗ್ರಾಫ್ ವಿಸ್ತರಣೆ ಪೂರ್ಣ ಸಂದರ್ಭವನ್ನು ಪಡೆಯುತ್ತದೆ — ಮತ್ತು ಆಉಟ್ಪುಟ ನಿರ್ಧಾರ ಪ್ಯಾಕೆಟ್.
ನಿರ್ಧಾರ ಪಡೆಯುವಿಕೆ ವರ್ಸಸ್ ವೆಕ್ಟರ್ ರಾಗ್ ಓವರ್ ಲಾಗ್ಗಳು
ಏಜೆಂಟ್ಗೆ ಮೆಮೊರಿಯನ್ನು ನೀಡುವ ಡಿಫಾಲ್ಟ್ ಮಾರ್ಗವೆಂದರೆ ವೆಕ್ಟರ್ ರಾಗ್: ಎಲ್ಲವನ್ನೂ ಎಂಬೆಡ್ ಮಾಡಿ, ಟಾಪ್ ಮ್ಯಾಚಿಂಗ್ ಚಂಕ್ಗಳನ್ನು ಪಡೆಯಿ, ಮತ್ತು ಅವುಗಳನ್ನು ಪ್ರಾಮ್ಪ್ಟ್ಗೆ ಪೇಸ್ಟ್ ಮಾಡಿ. ಡಾಕ್ಯುಮೆಂಟ್ಗಳಿಗೆ ಇದು ಕೆಲಸ ಮಾಡುತ್ತದೆ. ನಿರ್ಧಾರಗಳಿಗೆ ಇದು ರಚನಾತ್ಮಕವಾಗಿ ವಿಫಲವಾಗುತ್ತದೆ, ಏಕೆಂದರೆ ನಿರ್ಧಾರವು ಒಂದು ಪ್ಯಾರಾಗ್ರಾಫ್ ಅಲ್ಲ - ಇದು ಸಂಬಂಧಗಳ ಸಣ್ಣ ಜಾಲವಾಗಿದೆ: ಪ್ರಸ್ತಾಪ, ಅದಕ್ಕೆ ಅನುಕೂಲ ಮತ್ತು ವಿರುದ್ಧವಾದ ವಾದಗಳು, ಪ್ರತಿಯೊಂದು ಅವಲಂಬಿತವಾಗಿರುವ ಪುರಾವೆಗಳು, ಯಾವುದೇ ಅಪವಾದವನ್ನು ಅನುಮೋದಿಸಿದವರು ಮತ್ತು ಯಾವ ಹಿಂದಿನ ಪ್ರಕರಣವನ್ನು ಅನುಸರಿಸಿದರು.
ಅದನ್ನು ಪಠ್ಯವಾಗಿ ಸಮತಲಗೊಳಿಸಿ, ಎಂಬೆಡ್ ಮಾಡಿ, ಮತ್ತು ಪಡೆಯುವಿಕೆಯು ಸಂಬಂಧಗಳನ್ನು ಕತ್ತರಿಸಿದ ತುಣುಕುಗಳನ್ನು ಹಿಂದಿರುಗಿಸುತ್ತದೆ - ಪ್ರತಿವಾದವಿಲ್ಲದೆ ಮುಕ್ತಾಯ, ಕಾರಣವಿಲ್ಲದೆ ಅನುಮೋದನೆ, ಪೂರ್ವದೃಷ್ಟಾಂತದ ಉಲ್ಲೇಖವಿಲ್ಲದೆ ಪೂರ್ವದೃಷ್ಟಾಂತವೇ. ಆಚರಣೆಕಾರರು ಇದನ್ನು "ಚಂಕ್ ಸೂಪ್" ಎಂದು ಕರೆಯುತ್ತಾರೆ. ನಿರ್ಧಾರ ಪಡೆಯುವಿಕೆ ಇದನ್ನು ತಪ್ಪಿಸುತ್ತದೆ, ಏಕೆಂದರೆ ಸಂಬಂಧಗಳನ್ನು ಮೊದಲ-ದರ್ಜೆಯ ಅಂಚುಗಳಾಗಿ ಬದಲಿಗೆ ಪ್ರೋಸ್ನಲ್ಲಿ ಅಸ್ಪಷ್ಟವಾಗಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ, ನಿರ್ಧಾರವನ್ನು ರಚನಾತ್ಮಕ ಘಟಕವಾಗಿ ಪಡೆಯುತ್ತದೆ.
ಗ್ರಾಫ್: ನಿಯಮಾತ್ಮಕ ಅಂಚುಗಳು, ವರ್ಣನಾತ್ಮಕವಲ್ಲ
ಸಾಮಾನ್ಯ ಜ್ಞಾನ ಗ್ರಾಫ್ಗಳು ವರ್ಣನಾತ್ಮಕ ಅಂಚುಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತವೆ - "ಉಲ್ಲೇಖಗಳು", "ಸಂಬಂಧಿತವಾಗಿ" - ಇವುಗಳು ಎರಡು ವಿಷಯಗಳು ಸಂಪರ್ಕ ಹೊಂದಿವೆ ಎಂದು ಹೇಳುತ್ತವೆ ಆದರೆ ಏಕೆ ಇದು ಮಹತ್ವದ್ದಾಗಿದೆ ಎಂದು ಹೇಳುವುದಿಲ್ಲ. ನಿರ್ಧಾರ ಗ್ರಾಫ್ ನಿಯಮಾತ್ಮಕ ಅಂಚುಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ: ಬೆಂಬಲಿಸುತ್ತದೆ, ವಿರೋಧಿಸುತ್ತದೆ, ತಿರಸ್ಕರಿಸುತ್ತದೆ, ಅರ್ಹತೆ. ಅಂಚಿನ ಪ್ರಕಾರವು ಕಾರಣವಾಗಿರುವುದರಿಂದ, ಗ್ರಾಫ್ ಈಗಾಗಲೇ ನಿರ್ಧಾರದಲ್ಲಿ ಭಾರವನ್ನು ಹೊಂದಿರುವುದನ್ನು ಎನ್ಕೋಡ್ ಮಾಡುತ್ತದೆ.
ಇದು ಏಕೆ ನಿರ್ಧಾರ ಗ್ರಾಫ್ ಸಾಮಾನ್ಯ ಉದ್ಯಮ ಗ್ರಾಫ್ಗಳು ಹೋರಾಡುತ್ತಿರುವಾಗ ಅಸಾಧಾರಣವಾಗಿ ಉತ್ತಮ GraphRAG ಸಬ್ಸ್ಟ್ರೇಟ್ ಆಗಿದೆ. ಸಾಮಾನ್ಯ ಗ್ರಾಫ್ಗಳು ಪ್ರಚಂಡವಾಗಿವೆ, ಅವರ ಅಂಚುಗಳು ಕಡಿಮೆ-ಸಂಕೇತವನ್ನು ಹೊಂದಿವೆ, ನೈಸರ್ಗಿಕ ಮೂಲ ನೋಡ್ ಇಲ್ಲ, ಮತ್ತು ಪ್ರಯಾಣವು ಸ್ಪಷ್ಟವಾದ ನಿಲುಗಡೆ ಬಿಂದುವನ್ನು ಹೊಂದಿಲ್ಲ. ನಿರ್ಧಾರ ಗ್ರಾಫ್ ವಿರುದ್ಧ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿದೆ: ಪ್ರತಿ ನಿರ್ಧಾರವು ನೈಸರ್ಗಿಕ ಮೂಲವಾಗಿದೆ, ಅಂಚುಗಳು ನಿಜವಾದ ಕಾರಣವನ್ನು ಹೊಂದಿವೆ, ಮತ್ತು ಒಂದು ನಿರ್ಧಾರದ ಉಪಗ್ರಾಫ್ ಚಿಕ್ಕದಾಗಿದೆ ಮತ್ತು ನೈಸರ್ಗಿಕವಾಗಿ ಮಿತಿಗೊಳಿಸಲ್ಪಟ್ಟಿದೆ - ಅದರ ವಾದಗಳು, ಪುರಾವೆಗಳು ಮತ್ತು ಉಲ್ಲೇಖಿತ ಪೂರ್ವದೃಷ್ಟಾಂತಗಳಿಗೆ ವಿಸ್ತರಿಸಿ, ನಂತರ ನಿಲ್ಲಿ.
ಹೈಬ್ರಿಡ್ ವೆಕ್ಟರ್-ಪ್ಲಸ್-ಗ್ರಾಫ್ ಪಡೆಯುವಿಕೆ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ
ವೆಕ್ಟರ್ಗಳು ಮತ್ತು ಗ್ರಾಫ್ಗಳು ಇಲ್ಲಿ ಪ್ರತಿಸ್ಪರ್ಧಿಗಳಲ್ಲ - ನಿರ್ಧಾರ ಪಡೆಯುವಿಕೆಯು ವೆಕ್ಟರ್ಗಳನ್ನು ಪ್ರವೇಶ ಬಿಂದುಗಳನ್ನು ಹುಡುಕಲು ಬಳಸುತ್ತದೆ ಮತ್ತು ಗ್ರಾಫ್ ರಚನೆಯನ್ನು ಪೂರ್ಣ ಸಂದರ್ಭವನ್ನು ಪಡೆಯಲು. ಆಚರಣೆಯಲ್ಲಿ ಇದು ಒಂದು ಪೈಪ್ಲೈನ್: (1) ನಿರ್ಧಾರ ಮತ್ತು ವಾದದ ಎಂಬೆಡಿಂಗ್ಗಳ ಮೇಲಿನ ವೆಕ್ಟರ್ ಹುಡುಕಾಟವು ಕೆಲವು ಪ್ರಸ್ತುತ ನಿರ್ಧಾರಗಳನ್ನು ಹುಡುಕುತ್ತದೆ; (2) ರಚನಾತ್ಮಕ ಫಿಲ್ಟರ್ಗಳು ವರ್ಗ, ಘಟಕ ಪ್ರಕಾರ ಮತ್ತು ಪೂರ್ವದೃಷ್ಟಾಂತದ ಪಕ್ವತೆಯ ಮೂಲಕ ಸಂಕುಚಿತಗೊಳಿಸುತ್ತವೆ, ಆದ್ದರಿಂದ ನಿಮ್ಮಿಂದ ಮೂಲಮಾದರಿಗಳನ್ನು ಪಡೆಯಿ, ಮೂಲಮಾದರಿಗಳನ್ನು ಪಡೆಯಿ; (3) ಗ್ರಾಫ್ ವಿಸ್ತರಣೆಯು ನಿಯಮಾತ್ಮಕ ಅಂಚುಗಳ ಮೂಲಕ ನಡೆಯುತ್ತದೆ, ಪ್ರತಿ ನಿರ್ಧಾರದ ವಾದಗಳು ಮತ್ತು ಪುರಾವೆಗಳನ್ನು ಎಳೆಯುತ್ತದೆ; (4) ಫಲಿತಾಂಶ-ತೂಕ ಶ್ರೇಣೀಕರಣವು ಫಲಿತಾಂಶಗಳು ಉತ್ತಮವಾಗಿ ಹೊರಬಂದ ಪೂರ್ವದೃಷ್ಟಾಂತಗಳನ್ನು ಮೇಲೆ ಇರಿಸುತ್ತದೆ. ಅದು ಹೊಂದಿಲ್ಲ; (5) ಫಲಿತಾಂಶಗಳನ್ನು ನಿರ್ಧಾರ ಪ್ಯಾಕೆಟ್ಗಳು ಎಂದು ಕರೆಯಲಾಗುವ ಮಿತಿಗೊಳಿಸಲಾದ ಗುಂಪುಗಳಾಗಿ ಪ್ಯಾಕೇಜ್ ಮಾಡಲಾಗುತ್ತದೆ.
ಆಳ, ನೋಡ್ ಗಣತೆ ಮತ್ತು ಸಮಯದ ಮೇಲಿನ ಗಡಿಗಳು ವಿಸ್ತರಣೆಯನ್ನು ಓಡಿಪೋಲುವುದನ್ನು ತಡೆಯುತ್ತವೆ. ಆಉಟ್ಪುಟ್ ಎಂದಿಗೂ ಟೋಕನ್ಗಳ ಗೋಡೆಯಾಗಿರುವುದಿಲ್ಲ - ಇದು ಪೂರ್ಣವಾಗಿ, ಹೋಲಿಸಬಹುದಾದ ನಿರ್ಧಾರಗಳ ಚಿಕ್ಕ ಸಮೂಹವಾಗಿದೆ.
ಏಜೆಂಟ್ಗಳಿಗೆ ಪಡೆಯುವಿಕೆ: MCP ಮತ್ತು A2A
ಮೆಮೊರಿಯು ಏಜೆಂಟ್ ಯೋಚನೆಯಲ್ಲಿರುವಾಗ ಅದನ್ನು ತಲುಪಬಹುದೇ ಎಂದರೆ ಮಾತ್ರ ಅದು ಉಪಯೋಗಕರವಾಗಿದೆ. ನಿರ್ಧಾರ ಪಡೆಯುವಿಕೆಯನ್ನು ಏಜೆಂಟ್ಗಳಿಗೆ ಎರಡು ರೀತಿಯಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ. ಮಾಡೆಲ್ ಕಾಂಟೆಕ್ಸ್ಟ್ ಪ್ರೋಟೋಕಾಲ್ (MCP) ಮೂಲಕ, ಸಾಧನಗಳಾದ search_precedents ಮತ್ತು get_packet ಏಜೆಂಟ್ಗೆ ಸಂಬಂಧಿತ ಹಿಂದಿನ ನಿರ್ಧಾರಗಳಿಗಾಗಿ ವಿಚಾರಣೆ ಮಾಡಲು ಮತ್ತು ಮಧ್ಯ-ಯೋಚನೆಯಲ್ಲಿ ನಿರ್ಧಾರ ಪ್ಯಾಕೆಟ್ಗಳನ್ನು ಪಡೆಯಲು ಅನುಮತಿಸುತ್ತದೆ - ಮತ್ತು MCP ಮೂಲಕ ಬರೆಯುವ ಪಥವೂ ಕೆಲಸ ಮಾಡುತ್ತದೆ: ಏಜೆಂಟ್ ಒಂದು ಟ್ರೇಸ್ ಅನ್ನು ರಚಿಸಬಹುದು, ಅದರ ಕಾರಣವನ್ನು ದಾಖಲಿಸಬಹುದು, ನಿರ್ಧಾರವನ್ನು ಮುಚ್ಚಬಹುದು ಮತ್ತು ತಕ್ಷಣವೇ ಫಲಿತಾಂಶವಾಗಿ ನಿರ್ಧಾರ ಪ್ಯಾಕೆಟ್ ಅನ್ನು ಪಡೆಯಬಹುದು, ಎಂಡ್-ಟು-ಎಂಡ್, ಯಾವುದೇ SDK ಇಲ್ಲದೆ. ಏಜೆಂಟ್-ಟು-ಏಜೆಂಟ್ (A2A) ಡೀಗೇಟೇಶನ್ನಲ್ಲಿ, ನಿರ್ಧಾರ ಪ್ಯಾಕೆಟ್ ಏಜೆಂಟ್ಗಳ ನಡುವೆ ಕಳುಹಿಸಲಾದ ಪೇಲೋಡ್ ಆಗಿದೆ - ಸ್ವೀಕರಿಸುವ ಏಜೆಂಟ್ ನಿರ್ಧಾರದ ಪೂರ್ಣ, ಸ್ವ-ಒಳಗೊಂಡ ಸಂದರ್ಭವನ್ನು ಪಡೆಯುತ್ತದೆ, ಕಳುಹಿಸುವ ಏಜೆಂಟ್ನ ಡೇಟಾಬೇಸ್ಗೆ ಯಾವುದೇ ಪ್ರವೇಶವಿಲ್ಲ. ಪ್ಯಾಕೆಟ್ ಪೋರ್ಟಬಲ್ ಆಗಿದೆ, ಇದು ಇದನ್ನು ಟ್ರಸ್ಟ್ ಗಡಿಯಾಚೆಗೆ ಕೊಡಲು ಸುರಕ್ಷಿತವಾಗಿದೆ.
ಎಐ ಏಜೆಂಟ್ರೀ ನಿರ್ಧಾರ ಪುನರುದ್ಧರಣೆಯನ್ನು ಹೇಗೆ ಒದಗಿಸುತ್ತದೆ
ಎಐ ಏಜೆಂಟ್ರೀ ನಿರ್ಧಾರಗಳನ್ನು ಒಂದು ನಿಯಮಿತ ಗ್ರಾಫ್ ಆಗಿ ಸಂಗ್ರಹಿಸುತ್ತದೆ ಮತ್ತು ಅವುಗಳನ್ನು ಮಿತಿಯಾದ ಪ್ಯಾಕೆಟ್ಗಳಾಗಿ ಪುನರುದ್ಧರಿಸುತ್ತದೆ. ಪುನರುದ್ಧರಣೆ ಸಬ್ಸ್ಟ್ರೇಟ್ ಹಡಗು ಮತ್ತು ಬಳಕೆಯಲ್ಲಿದೆ:
ಹೈಬ್ರಿಡ್ ಮುನ್ನುಡಿ ಹುಡುಕಾಟ
ಐದು ಹಂತಗಳ ಪೈಪ್ಲೈನ್ — ವೆಕ್ಟರ್ ಹುಡುಕಾಟ, ರಚನೆಯ ಫಿಲ್ಟರ್ಗಳು, ಗ್ರಾಫ್-ಸಂದರ್ಭ ವಿಸ್ತರಣೆ, ಫಲಿತಾಂಶ-ತೂಕ ಶ್ರೇಣೀಕರಣ, ಪ್ಯಾಕೇಜಿಂಗ್ — ಹಿಂದಿನ ನಿರ್ಧಾರಗಳನ್ನು ಅವರ ಕಾರಣಗಳೊಂದಿಗೆ ತರುತ್ತದೆ, ಚಂಕಸೂಪ್ ಆಗಿ ಅಲ್ಲ.
ನಿರ್ಧಾರ ಪ್ಯಾಕೆಟ್ಗಳು
ಹಿಂಪಡೆಯುವಿಕೆಯು ನಿರ್ಧಾರದ ಮುಚ್ಚಳಯುಕ್ತ, ಸ್ವಯಂ ಸಮೃದ್ಧ ದಾಖಲೆಯನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ — ಪ್ರಸ್ತಾಪ, ಪ್ರೋ/ಕಾನ್ ವಾದಗಳು, ಪುರಾವೆಗಳು, ನೀತಿಗಳು, ಅನುಮೋದನೆಗಳು, ಫಲಿತಾಂಶ ಮತ್ತು ಉಲ್ಲೇಖಿಸಲಾದ ಮುನ್ನುಡಿಗಳು.
ಮುನ್ನುಡಿ ಉಲ್ಲೇಖ
ಹಿಂಪಡೆಯಲಾದ ಮುನ್ನುಡಿಯನ್ನು ಹೊಸ ನಿರ್ಧಾರದಲ್ಲಿ ಮೊದಲ ದರ್ಜೆಯ ವಾದವಾಗಿ ಉಲ್ಲೇಖಿಸಬಹುದು, ಹಾಗಾಗಿ ಸಮಗ್ರತೆಯು ಸ್ಮರಣೆಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗದೆ ಸಂಯೋಜಿಸುತ್ತದೆ.
ಏಜೆಂಟ್-ಸ್ಥಳೀಯ ಪ್ರವೇಶ (ಎಮ್ಸಿಪಿ + ಎ೨ಎ)
ಏಜೆಂಟ್ಗಳು ಎಮ್ಸಿಪಿ ಸಾಧನಗಳ ಮೂಲಕ ನಿರ್ಧಾರಗಳನ್ನು ದಾಖಲಿಸುತ್ತವೆ ಮತ್ತು ಹಿಂಪಡೆಯುತ್ತವೆ — ಎಸ್ಡಿಕೆ ಇಲ್ಲದೆ ರಚಿಸುವ, ಸೀಲ್ ಮಾಡುವ ಮತ್ತು ಪ್ಯಾಕೆಟ್ ಪಡೆಯುವ ಸಂಪೂರ್ಣ ಜೀವನಚಕ್ರ — ಮತ್ತು ನಿರ್ಧಾರ ಪ್ಯಾಕೆಟ್ಗಳು ಏಜೆಂಟ್-ಟು-ಏಜೆಂಟ್ ವಹಿವಾಟಿನಲ್ಲಿ ಪೇಲೋಡ್ ಆಗಿ ಪ್ರಯಾಣಿಸುತ್ತವೆ.
ಇದು ಪುನರುದ್ಧರಿಸುವ ಸಬ್ಸ್ಟ್ರೇಟ್ ಅನ್ನು ನಿರ್ಧಾರ ಟ್ರೇಸಿಂಗ್ ಮೇಲೆ ನೋಡಿ, ಅಥವಾ ಎಐ ನಿರ್ಧಾರಗಳಿಗೆ ಗ್ರಾಫ್ಆರ್ಎಜಿ ಮೇಲೆ ಆಳವಾದ ತಾಂತ್ರಿಕ ಚಿಕಿತ್ಸೆ.
ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಗಳು
ನಿರ್ಧಾರ ಪುನರುದ್ಧರಣೆ ಏನು?
ನಿರ್ಧಾರ ಪುನರುದ್ಧರಣೆ ಎಂದರೆ ವಿಚ್ಛಿನ್ನ ಪಠ್ಯ ತುಣುಕುಗಳ ಬದಲಿಗೆ ಸಂಪೂರ್ಣ, ರಚನಾತ್ಮಕ ಘಟಕಗಳಾಗಿ ಹಿಂದಿನ AI ನಿರ್ಧಾರಗಳನ್ನು ಪುನರುದ್ಧರಿಸುವುದು. ಇದು GraphRAG ನ ಒಂದು ರೂಪವಾಗಿದೆ: ಸಬ್ಸ್ಟ್ರೇಟ್ ಪ್ರತಿ ನಿರ್ಧಾರವನ್ನು ಅದು ರೂಪಿಸಿದ ವಾದಗಳು, ಪುರಾವೆಗಳು ಮತ್ತು ಮುನ್ನುಡಿಗಳಿಗೆ ಸಂಪರ್ಕಿಸುವ ನಿಬಂಧನಾತ್ಮಕ ವಾದ ಗ್ರಾಫ್ ಆಗಿದೆ ಮತ್ತು ಆಯ್ಕೆಯು ಮಿತಿಯಾದ Decision Packet — ಕೇವಲ ತುಣುಕನ್ನು ಅಲ್ಲದೆ ತಾರ್ಕಿಕವಾಗಿದೆ.
ನಿರ್ಧಾರ ಪುನರುದ್ಧರಣೆ ವೆಕ್ಟರ್ RAG ಗಿಂತ ವಿಭಿನ್ನವಾಗಿದೆಯೇ?
ವೆಕ್ಟರ್ RAG ಪಠ್ಯವನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಮೇಲಿನ ಹೊಂದಾಣಿಕೆಯ ತುಣುಕುಗಳನ್ನು ಹಿಂದಿರುಗಿಸುತ್ತದೆ — ನಿರ್ಧಾರದ ಮುಕ್ತಾಯವನ್ನು ಉಲ್ಲೇಖಿಸಬಹುದಾದ ವಿಚ್ಛಿನ್ನ ತುಣುಕುಗಳು, ಪ್ರತಿವಾದ, ಅನುಮೋದಕ ಮತ್ತು ಅದು ಅವಲಂಬಿತವಾಗಿರುವ ಮುನ್ನುಡಿಯನ್ನು ತಪ್ಪಿಸಬಹುದು. ನಿರ್ಧಾರ ಪುನರುದ್ಧರಣೆ ತನ್ನ ತಾರ್ಕಿಕತೆಯೊಂದಿಗೆ ನಿರ್ಧಾರವನ್ನು ಹಿಂದಿರುಗಿಸುತ್ತದೆ, ಏಕೆಂದರೆ ಸಂಬಂಧಗಳನ್ನು ಗದ್ಯದಲ್ಲಿ ಅಸ್ಪಷ್ಟವಾಗಿ ಬಿಟ್ಟಿರುವ ಬದಲಿಗೆ ಮೊದಲ-ದರ್ಜೆಯ ಪ್ರಕಾರದ ಅಂಚುಗಳಾಗಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ. ವೆಕ್ಟರ್ ಹುಡುಕಾಟ ನಿರ್ಧಾರ ಪುನರುದ್ಧರಣೆಯ ಒಂದು ಅಂಶವಾಗಿದೆ, ಅದಕ್ಕೆ ಪೈಪೋಟಿಯಾಗಿರದೆ.
GraphRAG ಏನು?
GraphRAG (ಗ್ರಾಫ್-ವರ್ಧಿತ ಪುನರುದ್ಧರಣೆ-ಪ್ರಾರಂಭಿತ ಉತ್ಪಾದನೆ) ಪಠ್ಯ ತುಣುಕುಗಳನ್ನು ಸಾಮ್ಯತೆಯ ಪ್ರಕಾರ ಶ್ರೇಣೀಕರಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಜ್ಞಾನ ಗ್ರಾಫ್ ಮೂಲಕ ಸಂದರ್ಭವನ್ನು ಪುನರುದ್ಧರಿಸುತ್ತದೆ. ನಿರ್ಧಾರಗಳಿಗೆ ಅನ್ವಯಿಸಿದಾಗ, ಗ್ರಾಫ್ ನಿಬಂಧನಾತ್ಮಕ ವಾದ ಗ್ರಾಫ್ ಆಗಿದೆ ಮತ್ತು ಪುನರುದ್ಧರಣೆ ಹೈಬ್ರಿಡ್ ಆಗಿದೆ: ವೆಕ್ಟರ್ ಹುಡುಕಾಟ ಸಂಬಂಧಿತ ನಿರ್ಧಾರಗಳನ್ನು ಹುಡುಕುತ್ತದೆ, ನಂತರ ಗ್ರಾಫ್ ವಿಸ್ತರಣೆ ಪೂರ್ಣ, ಮಿತಿಯಾದ ಸಂದರ್ಭವನ್ನು ಪಡೆಯುತ್ತದೆ.
ನಿರ್ಧಾರ ಪ್ಯಾಕೆಟ್ ಏನು?
ನಿರ್ಧಾರ ಪ್ಯಾಕೆಟ್ ನಿರ್ಧಾರ ಪುನರುದ್ಧರಣೆಯ ಮಿತಿಯಾದ ಆಯ್ಕೆಯಾಗಿದೆ: ಒಂದು ನಿರ್ಧಾರವನ್ನು ಒಳಗೊಂಡ ಸ್ವಯಂ-ಒಳಗೊಂಡ ದಾಖಲೆ, ಪ್ರಸ್ತಾಪ, ಪ್ರೋ/ಕಾನ್ ವಾದ ಮರ, ಪುರಾವೆ ಮತ್ತು ಅದರ ಮೂಲ, ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾದ ನೀತಿಗಳು, ಅನುಮೋದನೆಗಳು, ಮುಚ್ಚಲಾದ ಫಲಿತಾಂಶ ಮತ್ತು ಉಲ್ಲೇಖಿಸಲಾದ ಯಾವುದೇ ಮುನ್ನುಡಿಗಳು. ಇದು ಲಾಗ್ ಸಾಲುಗಳ ಗುಡ್ಡದ ಬದಲಿಗೆ ಏಜೆಂಟ್ ಅಥವಾ ಲೆಕ್ಕಪರಿಶೋಧಕ ಪುನರುದ್ಧರಿಸುವುದು.
ನಿರ್ಧಾರ ಪ್ಯಾಕೆಟ್ ಚೈನ್-ಆಫ್-ಥಾಟ್ ಔಟ್ಪುಟ್ ಅನ್ನು ಸಂಗ್ರಹಿಸುವುದಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿದೆಯೇ?
ಅವರು ವಿಭಿನ್ನ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುತ್ತಾರೆ — ಪ್ಯಾಕೆಟ್ ಉತ್ತಮ ದಾಖಲೆ-ಕಾಪಾಡುವಿಕೆ, ಉತ್ತಮ ತಾರ್ಕಿಕತೆ ಅಲ್ಲ. ಸಂಗ್ರಹಿಸಿದ ಚೈನ್-ಆಫ್-ಥಾಟ್ ಗದ್ಯವಾಗಿದೆ: ಅದನ್ನು ಪ್ರಶ್ನಿಸುವುದು ಎಂದರೆ ಓದುವ ಸಮಯದಲ್ಲಿ LLM ನೊಂದಿಗೆ ಪ್ರತಿ ಟ್ರೇಸ್ ಅನ್ನು ಮರು-ಪಾರ್ಸ್ ಮಾಡುವುದು, ಅದು ಸೇರಿಸಲು ಫಲಿತಾಂಶ ಕ್ಷೇತ್ರವನ್ನು ಹೊಂದಿಲ್ಲ ಮತ್ತು ಸಂಪಾದಿಸಬಹುದಾದ ಪಠ್ಯ ಬ್ಲಾಬ್ ವಿಶ್ವಾಸಾರ್ಹ ಬಿಂದುವನ್ನು ನೀಡುವುದಿಲ್ಲ. ನಿರ್ಧಾರ ಪ್ಯಾಕೆಟ್ ಒಂದೇ ಬಾರಿಗೆ ಅದೇ ತಾರ್ಕಿಕತೆಯನ್ನು ರಚನೆ ಮಾಡುತ್ತದೆ: ಸ್ಥಾನ-ಪ್ರಕಾರದ ಪ್ರೋ/ಕಾನ್ ವಾದಗಳು ನಿರ್ಣಾಯಕ ಗ್ರಾಫ್ ಪ್ರಶ್ನೆಗಳಾಗುತ್ತವೆ, ನಿರ್ಧಾರಗಳು ದಾಖಲಿಸಿದ ಫಲಿತಾಂಶಗಳಿಗೆ ಸಂಪರ್ಕ ಕಲ್ಪಿಸುತ್ತವೆ ಆದ್ದರಿಂದ ಪುನರುದ್ಧರಣೆ ಫಲಿತಾಂಶ-ತೂಕದ್ದಾಗಿರುತ್ತದೆ, ಮುನ್ನುಡಿಗಳು ಹೊಸ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಉಲ್ಲೇಖಿಸಬಹುದಾದ ವಾದ ನೋಡ್ಗಳಾಗುತ್ತವೆ ಮತ್ತು ಹ್ಯಾಷ್-ಗೊಂಡ ಸೀಲ್ ಮಾಡಿದ, ಸಹಿ ಮಾಡಿದ ದಾಖಲೆ ಪುರಾವೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ — ಏಜೆಂಟ್-ಟು-ಏಜೆಂಟ್ ವಿಧೇಯತೆಯಲ್ಲಿ ವಿಶ್ವಾಸದ ಗಡಿಗಳಾದ್ಯಂತ ಸೇರಿದಂತೆ. ಯಾವುದೇ ರೂಪದಲ್ಲಿ ಮಾದರಿಯ ತಾರ್ಕಿಕತೆಯನ್ನು ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಮಾಡುವುದಿಲ್ಲ; ಪ್ಯಾಕೆಟ್ ಹೇಳಿದ ತಾರ್ಕಿಕತೆಯನ್ನು ಬಲವಾದ, ಹೋಲಿಸಬಹುದಾದ ಮತ್ತು ಸಮರ್ಥಿಸಬಹುದಾದಂತೆ ಮಾಡುತ್ತದೆ. ನೀವು ಕೇವಲ ನಂತರ ಏಜೆಂಟ್ ಅನ್ನು ಸರಿಪಡಿಸಬೇಕಾಗಿಲ್ಲ, ಸಂಗ್ರಹಿಸಿದ ಚೈನ್-ಆಫ್-ಥಾಟ್ ಸಕಾಲದಲ್ಲಿದೆ — ಪ್ಯಾಕೆಟ್ಗಳು ಅವರ ರಚನೆಯನ್ನು ಗಳಿಸುತ್ತವೆ ಅವರು ನಿರ್ಧಾರಗಳನ್ನು ಹೋಲಿಸಬೇಕಾಗುತ್ತದೆ, ಮರುಬಳಕೆ ಮಾಡಬೇಕಾಗುತ್ತದೆ ಅಥವಾ ರಕ್ಷಿಸಬೇಕಾಗುತ್ತದೆ.
ನಿರ್ಧಾರ ಪುನರುದ್ಧರಣೆ ನನ್ನ ವೆಕ್ಟರ್ ಡೇಟಾಬೇಸ್ ಅಥವಾ ಡಾಕ್ಯುಮೆಂಟ್ RAG ಅನ್ನು ಬದಲಾಯಿಸುತ್ತದೆಯೇ?
ಇಲ್ಲ. ವೆಕ್ಟರ್ ಹುಡುಕಾಟ ಪುನರುದ್ಧರಣೆ ಕೊಳವೆಯ ಮೊದಲ ಹಂತವಾಗಿದೆ ಮತ್ತು ಡಾಕ್ಯುಮೆಂಟ್ RAG ಪ್ರತ್ಯೇಕ ಕೆಲಸವಾಗಿದೆ. ನಿರ್ಧಾರ ಪುನರುದ್ಧರಣೆ ನಿಮ್ಮ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸ್ಟ್ಯಾಕ್ ಮೇಲೆ ಕುಳಿತುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಆ ವ್ಯವಸ್ಥೆಗಳು ಸಂಗ್ರಹಿಸದ ಒಂದು ಕಲಾಕೃತಿಯನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ: ರಚನಾತ್ಮಕ ನಿರ್ಧಾರವೇ, ಅದರ ತಾರ್ಕಿಕತೆಯೊಂದಿಗೆ ಪುನರುದ್ಧರಿಸಬಹುದು.
AI ಏಜೆಂಟ್ರೀ ನಿರ್ಧಾರ ಪುನರುದ್ಧರಣೆಯನ್ನು ಹೇಗೆ ಅನುಷ್ಠಾನಗೊಳಿಸುತ್ತದೆ?
ಸಾಗಣೆ ಮಾಡಲಾದ ಐದ-ಹಂತದ ಮುನ್ನುಡಿ-ಹುಡುಕಾಟ ಕೊಳವೆ (ವೆಕ್ಟರ್ ಹುಡುಕಾಟ, ರಚನಾತ್ಮಕ ಫಿಲ್ಟರ್ಗಳು, ಗ್ರಾಫ್-ಸಂದರ್ಭದ ವಿಸ್ತರಣೆ, ಫಲಿತಾಂಶ-ತೂಕದ ಶ್ರೇಣೀಕರಣ, ಪ್ಯಾಕೇಜಿಂಗ್), ನಿರ್ಧಾರ ಪ್ಯಾಕೆಟ್ ಅಸೆಂಬ್ಲಿ, ಮುನ್ನುಡಿ ಉಲ್ಲೇಖ ಮತ್ತು MCP ಮತ್ತು A2A ಮೂಲಕ ಏಜೆಂಟ್ಗಳಿಗೆ ಪುನರುದ್ಧರಣೆಯನ್ನು ಒದಗಿಸುವುದು. ಆಟೋಮ್ಯಾಟಿಕ್ ಔಟ್ಕಮ್ ಫೀಡ್ಬ್ಯಾಕ್ ಮತ್ತು ಕ್ರಾಸ್-ಡೆಸಿಶನ್ ಪ್ಯಾಟರ್ನ್ ಸಿಂಥೆಸಿಸ್ — ಪುನರುದ್ಧರಣೆಯ ಮೇಲೆ ಸಂಪೂರ್ಣವಾಗಿ ಸ್ವ-ಸುಧಾರಿತ ಪದರ — ರಸ್ತೆಯ ಮೇಲಿದೆ.
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.
ನಿಮ್ಮ ಏಜೆಂಟ್ಗಳಿಗೆ ಪುನರುದ್ಧರಿಸಲು ಯೋಗ್ಯವಾದ ಮೆಮೋರಿಯನ್ನು ನೀಡಿ
ನಿರ್ಧಾರಗಳನ್ನು ಲಾಗ್ ಆಗಿ ಬದಲಿಗೆ ಗ್ರಾಫ್ ಆಗಿ ಸಂಗ್ರಹಿಸಿ — ಮತ್ತು ಅವುಗಳನ್ನು ನಿಮ್ಮ ಏಜೆಂಟ್ಗಳು ತರ್ಕಿಸಲು ಮಿತಿಯಾದ ನಿರ್ಧಾರ ಪ್ಯಾಕೆಟ್ಗಳಾಗಿ ಪುನರುದ್ಧರಿಸಿ.
ಉಚಿತವಾಗಿ ಪ್ರಾರಂಭಿಸಿ