निर्णय पुनर्प्राप्ती क्या है?
निर्णय पुनर्प्राप्ती एक एआई एजेंट द्वारा पहले की समान स्थितियों को कैसे संभाला गया था, इसकी जांच करने का तरीका है — और तर्क के साथ, न कि केवल एक स्निपेट के साथ वापस आता है। यह GraphRAG for निर्णय है: एक मानक तर्क ग्राफ पर पुनर्प्राप्ती जहां प्रत्येक निर्णय तर्कों, साक्ष्य और पूर्ववर्तियों से जुड़ा होता है जिन्होंने इसे आकार दिया। एक मिलान वाली लॉग लाइनों के ढेर के बजाय, आपको एक सीमित, ऑडिट करने योग्य निर्णय मिलता है जिसमें इसका तर्क सुरक्षित है।
निर्णय पुनर्प्राप्ती = पिछले निर्णयों को पूर्ण इकाइयों के रूप में पुनर्प्राप्त करना, न कि पाठ टुकड़ों के रूप में। सब्सट्रेट एक ग्राफ है: निर्णय समर्थन/विरोध तर्कों, साक्ष्य और पूर्ववर्तियों से जुड़े हुए हैं, टाइप किए गए किनारों द्वारा। पुनर्प्राप्ती हाइब्रिड है — वेक्टर खोज संबंधित निर्णयों को ढूंढती है, ग्राफ विस्तार पूर्ण संदर्भ लाता है — और आउटपुट एक निर्णय पैकेट है। यह वेक्टर-ओनली आरएजी को लॉग पर हराता है, जो डिस्कनेक्टेड टुकड़ों को वापस करता है जो विरोधी तर्क और पूर्ववर्ती को छोड़ देता है।
निर्णय पुनर्प्राप्ती व्हेक्टर आरएजी विरुद्ध लॉगवर
एजंटला स्मृती देण्याचा डीफॉल्ट मार्ग म्हणजे व्हेक्टर आरएजी: सर्वकाही एम्बेड करा, सर्वात जास्त जुळणारे टुकडे पुनर्प्राप्त करा आणि त्यांना प्रॉम्प्टमध्ये चिकटवा. दस्तऐवजांसाठी हे कार्य करते. निर्णयांसाठी हे रचनात्मकदृष्ट्या विफल होते कारण निर्णय हा एक परिच्छेद नाही - हे संबंधांचे एक लहान जाळे आहे: एक प्रस्ताव, त्यासाठी आणि विरुद्धचे तर्क, प्रत्येकाने अवलंबलेले पुरावे, कोणी कोणती विशेषता मान्य केली आणि कोणत्या पूर्वीच्या बाबींनी ते अनुसरले.
ते प्लॅट करा आणि एम्बेड करा, आणि पुनर्प्राप्ती तुकडे परत आणते जिथे संबंध तुटलेले आहेत - विरोधी तर्काशिवाय निष्कर्ष, कारणाशिवाय मान्यता, पूर्वाधिकाराचा उल्लेख नसणारा पूर्वाधिकार. व्यावसायिकांना हे "टुकडे सूप" म्हणतात. निर्णय पुनर्प्राप्ती हे टाळते कारण निर्णय एक संरचित इकाई म्हणून पुनर्प्राप्त करते, कारण संबंध हे प्राथमिक एजंट म्हणून संग्रहित केले जातात, प्रोसेसमध्ये स्पष्टपणे सूचित केलेले नाहीत.
ग्राफ: नॉर्मेटिव्ह एज, निर्देशात्मक नाही
सार्वत्रिक ज्ञान ग्राफ निर्देशात्मक एज संग्रहित करतात - "संदर्भ", "संबंधित" - जे दोन गोष्टी जोडलेल्या आहेत परंतु त्यामुळे का महत्त्वाचे होते हे सांगत नाही. निर्णय ग्राफ नॉर्मेटिव्ह एज संग्रहित करतो: सपोर्ट्स, विरोध, नाकार, पात्र. कारण एज प्रकार आहे तर्क, ग्राफ आधीपासूनच निर्णयात काय भारित होते हे सांगतो.
हे देखील त्याचे कारण आहे की निर्णय ग्राफ हा एक असामान्य चांगला ग्राफआरएजी सब्सट्रेट आहे जिथे सामान्य उद्योग ग्राफ संघर्ष करतात. सार्वत्रिक ग्राफ खूप मोठे आहेत, त्यांच्या एज्ज़ कम-सिग्नल आहेत, नैसर्गिक रूट नोड नाही आणि प्रवासाला स्पष्ट थांबण्याची वेळ नाही. निर्णय ग्राफ विरुद्ध गुणधर्म आहे: प्रत्येक निर्णय एक नैसर्गिक रूट आहे, एज्ज़ वास्तविक तर्क वाहून नेतात आणि एकाच निर्णयाचा उपग्राफ लहान आणि नैसर्गिकरित्या बाउंड केलेला आहे - त्याच्या तर्कांमध्ये, पुराव्यांमध्ये आणि संदर्भित पूर्वाधिकारांमध्ये विस्तारित करा, नंतर थांबा.
हायब्रिड वेक्टर-प्लस-ग्राफ पुनर्प्राप्ती कसे कार्य करते
व्हेक्टर आणि ग्राफ इथे प्रतिस्पर्धी नाहीत - निर्णय पुनर्प्राप्ती व्हेक्टर वापरते प्रवेश बिंदू शोधण्यासाठी आणि ग्राफ संरचना पूर्ण संदर्भ पुनर्प्राप्त करण्यासाठी. पрак्तीकात ही पाइपलाइन आहे: (1) निर्णय आणि तर्क एम्बेडिंगवर वेक्टर शोध एक हातभर प्रासंगिक पूर्वीच्या निर्णय शोधतो; (2) संरचित फिल्टर श्रेणी, एंटिटी प्रकार आणि पूर्वाधिकार परिपक्वतेने संकुचित करतात जेणेकरून तुम्ही वैध केस पुनर्प्राप्त करता, ड्राफ्ट नाही; (3) ग्राफ विस्तार नॉर्मेटिव्ह एज्ज़ने चालतो जेणेकरून प्रत्येक निर्णयाचे तर्क आणि पुरावे आणतो; (4) परिणाम-वजनकी रँकिंग पूर्वाधिकारांना त्यांच्या परिणामांच्या आधारे वरती आणते जे चांगले झाले नाहीत त्यापेक्षा जे चांगले झाले; (5) परिणाम निर्णय पाकिटमध्ये पॅक केले जातात.
खोली, नोड गणना आणि वेळेची कठोर मर्यादा विस्ताराला पळून जाण्यापासून रोखतात. आउटपुट कधीही टोकनचा भिंत नाही - हे पूर्ण, तुलनात्मक निर्णयांचा एक लहान संच आहे.
एजंटसाठी पुनर्प्राप्ती: एमसीपी आणि ए2ए
स्मृती फक्त तेव्हा उपयुक्त आहे जेव्हा एजंट ते तर्क करताना पोहोचू शकतो. निर्णय पुनर्प्राप्ती दोन प्रकारे एजंटसाठी उघडकीस आहे. मॉडेल कॉन्टेक्स्ट प्रोटोकॉल (एमसीपी) वर, search_precedents आणि get_packet सारख्या साधनांना एजंट प्रासंगिक पूर्वीच्या निर्णयांसाठी चौकशी करू देतात आणि निर्णय पाकिट इनलाइन, मध्य-तर्कबद्ध प्राप्त करतात - आणि लेखा मार्ग देखील एमसीपी वर कार्य करतो: एजंट एक ट्रेस तयार करू शकतो, त्याचे तर्क रेकॉर्ड करू शकतो, निर्णय सील करू शकतो आणि त्वरित परिणामी निर्णय पाकिट पुनर्प्राप्त करू शकतो, शेवटी, कोणत्याही एसडीके शिवाय. एजंट-टू-एजंट (ए2ए) डिलेगेशनमध्ये, निर्णय पाकिट हे पेलोड आहे जे एजंट्समध्ये पास केले जाते. प्राप्तकर्ता एजंट निर्णयाच्या पूर्ण, स्व-संलग्नक संदर्भाचा वारसा घेतो ज्यासाठी पाठवणार्याच्या डेटाबेसमध्ये प्रवेश नाही. पाकिट डिझाइननुसार पोर्टेबल आहे, ज्यामुळे ते विश्वासाच्या सीमेवर हस्तांतरित करणे सुरक्षित आहे.
एआई एजेंट्री निर्णय पुनर्प्राप्ती कैसे वितरित करती है
एआई एजेंट्री निर्णयों को एक नॉर्मेटिव ग्राफ के रूप में संग्रहीत करती है और उन्हें सीमित पैकेट के रूप में पुनर्प्राप्त करती है। पुनर्प्राप्ती सब्सट्रेट शिप्ड और उपयोग में है:
हायब्रिड पूर्ववर्ती शोध
पाच-पायरची पाइपलाइन — वेक्टर शोध, संरचित फिल्टर, ग्राफ-संदर्भ विस्तार, परिणाम-वजनित रँकिंग, पॅकेजिंग — गेल्या निर्णयांसह त्यांचे तर्क जोडलेले आणणे, चंक सूप म्हणून नाही.
निर्णय पाकिट
पुनर्प्राप्ती एक बाउंड, स्व-संलग्न निर्णयाची नोंद आणते — प्रस्ताव, प्रो/कॉन युक्तिवाद, पुरावे, धोरणे, मान्यता, परिणाम आणि उद्धृत पूर्ववर्ती.
पूर्ववर्ती उद्धरण
पुनर्प्राप्त केलेला पूर्ववर्ती एका नवीन निर्णयात प्रथम-वर्ग युक्तिवाद म्हणून उद्धृत केला जाऊ शकतो, ज्यामुळे सुसंगतता संचयित होते आणि स्मृतीवर अवलंबून नसते.
एजंट-मूलभूत प्रवेश (MCP + A2A)
एजंट MCP साधनांवर निर्णय नोंदवतात आणि पुनर्प्राप्त करतात — पूर्ण निर्मिती, सील आणि पॅकेट-जीवनचक्र सДК वापरून — आणि निर्णय पाकिट एजंट-टू-एजंट प्रतिनिधित्वात पेलोड म्हणून प्रवास करतात.
सब्सट्रेट देखें जिस पर यह पुनर्प्राप्त करता है निर्णय ट्रेसिंग पर, या गहरी तकनीकी उपचार GraphRAG for AI निर्णय पर।
आमता पूछे जाने वाले प्रश्न
निर्णय पुनर्प्राप्ती काय आहे?
निर्णय पुनर्प्राप्ती म्हणजे पूर्वीच्या AI निर्णयांना पूर्ण, संरचित इकाई म्हणून पुनर्प्राप्त करणे, ज्यामध्ये विच्छिन्न मजकूर तुकडे नसतात. ही GraphRAG चा एक प्रकार आहे: सब्सट्रेट हा एक नॉर्मेटिव्ह आर्ग्युमेंट ग्राफ आहे जो प्रत्येक निर्णयाला त्याच्या मागे असलेल्या तर्कशुद्धता, पुराव्यांशी आणि पूर्ववर्ती मानाने जोडतो, आणि आउटपुट हा एक बाउंडेड डिसिजन पॅकेट आहे - फक्त स्निपेट नाही तर तर्कशुद्धता.
निर्णय पुनर्प्राप्ती वेक्टर RAG पेक्षा कशी वेगळी आहे?
वेक्टर RAG मजकूराचे एम्बेडिंग करते आणि सर्वात जास्त जुळणारे टुकडे परत आणते - विच्छिन्न तुकडे जे निर्णयाच्या निष्कर्षाचा संदर्भ देऊ शकतात परंतु विरोधी तर्क, मान्यता देणारा आणि त्यावर अवलंबून असलेला पूर्ववर्ती गोष्टी वगळतात. निर्णय पुनर्प्राप्ती निर्णयासह त्याच्या तर्कशुद्धतेसह परत आणते कारण संबंध हे प्रोसेसमध्ये स्पष्टपणे संचयित केलेले प्रथम-वर्गाचे टाइप केलेले इजे आहेत, न की प्रोसेमध्ये स्पष्टपणे संचयित केलेले आहेत. वेक्टर शोध हा निर्णय पुनर्प्राप्तीचा एक घटक आहे, त्याचा स्पर्धक नाही.
GraphRAG म्हणजे काय?
GraphRAG (ग्राफ-वाढवलेले पुनर्प्राप्ती-वाढवलेले जनरेशन) हे एक ज्ञान ग्राफच्या माध्यमातून संदर्भ पुनर्प्राप्त करते, फक्त मजकूर तुकड्यांची समानतेनुसार क्रमवारी नाही. निर्णयांवर लागू केले असता, ग्राफ हा एक नॉर्मेटिव्ह आर्ग्युमेंट ग्राफ आहे, आणि पुनर्प्राप्ती हायब्रिड आहे: वेक्टर शोध संबंधित निर्णय शोधतो, नंतर ग्राफ विस्तार पूर्ण, बाउंडेड संदर्भ मिळवतो.
डिसिजन पॅकेट म्हणजे काय?
डिसिजन पॅकेट हे निर्णय पुनर्प्राप्तीचे बाउंडेड आउटपुट आहे: एका निर्णयाचा स्व-सामाविष्ट रेकॉर्ड ज्यामध्ये प्रस्ताव, प्रो/कॉन आर्ग्युमेंट ट्री, पुरावा आणि त्याचा प्रोव्हेनन्स, मूल्यांकन केलेली धोरणे, मान्यता, सील केलेले परिणाम आणि कोणत्याही संदर्भित पूर्ववर्ती यांचा समावेश आहे. हे एजंट किंवा ऑडिटरद्वारे पुनर्प्राप्त केले जाते ते लॉग लाइन्सचा ढिगारा नाही.
डिसिजन पॅकेट चेन-ऑफ-थॉट आउटपुट स्टोर करण्यापेक्षा चांगला आहे का?
ते वेगवेगळ्या समस्या सोडवतात - पॅकेट हा चांगला रेकॉर्ड-कीपिंग आहे, चांगला तर्क नाही. स्टोर्ड चेन-ऑफ-थॉट हा प्रोस आहे: त्याचा प्रश्न वाचण्यासाठी प्रत्येक ट्रेससह LLM वापरून पुनर्पार्सिंग करणे आवश्यक आहे, त्यामध्ये जोडण्यासाठी कोणतेही परिणाम क्षेत्र नाही, आणि संपादनयोग्य टेक्स्ट ब्लोबमध्ये कोणताही कमिट पॉइंट नाही ज्यावर पुनरावलोकनकर्ता विश्वास ठेवू शकतो. डिसिजन पॅकेटमध्ये त्याच तर्क एकदा सील केलेला आहे: स्टांस-टाइप्ड प्रो/कॉन आर्ग्युमेंट्स हे निर्धारित ग्राफ क्वेरी बनतात, निर्णयांना नोंदणीकृत परिणामांशी जोडले जाते, म्हणून पुनर्प्राप्ती परिणाम-वजनदार असते, पूर्ववर्ती नवीन निर्णयांमध्ये संदर्भित तर्क नोड्स बनतात, आणि हॅश-चेन, सील केलेले, साइन केलेला रेकॉर्ड पुरावा म्हणून काम करतो - एजंट-टू-एजंट डिलेगेशनमध्ये विश्वासाच्या सीमांवरही असतो. कोणत्याही फॉरमॅटमध्ये मॉडेलचा तर्क अधिक विश्वासार्ह बनवत नाही; पॅकेटमध्ये नमूद केलेला तर्क कठोर, तुलनात्मक आणि संरक्षित बनवतो. तुम्हाला फक्त एजंटला नंतर डीबग करणे आवश्यक असल्यास, स्टोर्ड चेन-ऑफ-थॉट पुरेसा आहे - पॅकेट्स त्यांची रचना कमावतात जेव्हा निर्णय तुलना, पुनर्वापर किंवा संरक्षण करणे आवश्यक असते.
निर्णय पुनर्प्राप्ती माझ्या वेक्टर डेटाबेस किंवा डॉक्युमेंट RAG ची जागा घेते का?
नाही. वेक्टर शोध हा पुनर्प्राप्ती पाइपलाइनचा पहिला पाऊल आहे, आणि डॉक्युमेंट RAG हा एक वेगळा काम आहे. निर्णय पुनर्प्राप्ती तुमच्या अस्तित्वातील स्टॅकवर बसते आणि त्या प्रणालींनी संचयित केलेले एकमेव कलाकृती कॅप्चर करते: संरचित निर्णय स्वतः, त्याच्या तर्कशुद्धतेसह पुनर्प्राप्त केले जाते.
AI Agentree निर्णय पुनर्प्राप्ती कशी अमलात आणते?
शिप्ड पांच-पायऱ्या पूर्ववर्ती-शोध पाइपलाइन (वेक्टर शोध, संरचित फिल्टर, ग्राफ-संदर्भ विस्तार, परिणाम-वजनदार रँकिंग, पॅकेजिंग), डिसिजन पॅकेट असेंब्ली, पूर्ववर्ती संदर्भ, आणि MCP आणि A2A वर एजंट्सना पुनर्प्राप्ती एक्सपोज केली जाते. स्व-सुधारणा स्तरावर स्वयं-सुधारित परतावा आणि क्रॉस-निर्णय नमुना सिंथेसिस - पुनर्प्राप्तीवर पूर्णपणे स्वयं-सुधारित स्तर - रोडमॅपवर आहे.
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.
अपने एजेंटों को एक स्मृति दें जिसे पुनर्प्राप्त करने लायक है
निर्णयों को एक ग्राफ के रूप में संग्रहीत करें, न कि एक लॉग के रूप में — और उन्हें सीमित निर्णय पैकेट के रूप में पुनर्प्राप्त करें जिन पर आपके एजेंट तर्क कर सकते हैं।
नि:शुल्क शुरू करें