Wat Is Decision Retrieval?
Decision retrieval is hoe een AI-agent opzoekt hoe soortgelijke situaties eerder zijn afgehandeld — en terugkrijgt de redenering, niet alleen een snippet. Het is GraphRAG voor beslissingen: retrieval over een normatieve argumentengrafiek waarin elke beslissing is verbonden met de argumenten, bewijzen en precedenten die het vormden. In plaats van een stapel overeenkomende logregels, krijgt u een begrensde, controleerbare beslissing met de redenering intact.
Decision retrieval = het ophalen van eerder genomen beslissingen als complete eenheden, niet tekstfragmenten. Het substraat is een grafiek: beslissingen verbonden met pro/contra-argumenten, bewijzen en precedenten door getypeerde randen. Retrieval is hybride — vectorzoek vindt de relevante beslissingen, grafiekuitbreiding haalt de complete context op — en de output is een Decision Packet. Het verslaat vector-only RAG over logs, die losse fragmenten retourneert die de counterargument en het precedent weglaten.
Beslissingsopname versus vector RAG over logs
De standaardmanier om een agent geheugen te geven is vector RAG: alles insluiten, de beste overeenkomende stukken opzoeken en deze in de prompt plakken. Voor documenten werkt dit. Voor beslissingen faalt het structureel, omdat een beslissing geen alinea is - het is een klein web van relaties: een voorstel, de argumenten voor en tegen, het bewijs waarop elk leunde, wie elke uitzondering goedkeurde en welk eerder geval het volgde.
Maak dit plat in tekst en sluit het in, en opname geeft fragmenten terug met de relaties verbroken - de conclusie zonder de tegenargumenten, de goedkeuring zonder de redenering, een vermelding van een precedent zonder het precedent zelf. Beoefenaars noemen dit "chunk soup." Beslissingsopname voorkomt dit door de beslissing op te halen als een gestructureerde eenheid, omdat de relaties zijn opgeslagen als eerste klas randen in plaats van impliciet in proza.
De grafiek: normatieve randen, geen descriptieve
Generieke kennisgrafieken slaan descriptieve randen op - "vermeldt", "gerelateerd aan" - die zeggen dat twee dingen zijn verbonden, maar niet waarom het ertoe deed. Een beslissingsgrafiek slaat normatieve randen op: ondersteunt, bestrijdt, weerspreekt, kwalificeert. Omdat het type rand is de redenering, codeert de grafiek al wat belastend was in een beslissing.
Dat is ook waarom een beslissingsgrafiek een ongewoon goede GraphRAG-substraat is waar algemene ondernemingsgrafieken worstelen. Generieke grafieken zijn enorm, hun randen zijn laag-signaal, er is geen natuurlijke root-knooppunt en doorkruising heeft geen duidelijk stoppunt. Een beslissingsgrafiek heeft de tegenovergestelde eigenschappen: elke beslissing is een natuurlijke root, randen dragen echte redenering en een enkele beslissings-subgrafiek is klein en natuurlijk begrensd - breid uit naar de argumenten, bewijs en aangehaalde precedenten, en stop dan.
Hoe hybride vector-plus-grafiekopname werkt
Vectoren en grafieken zijn hier geen rivalen - beslissingsopname gebruikt vectoren om de ingangspunten te vinden en grafiekstructuur om de complete context op te halen. In de praktijk is het een pijplijn: (1) vectorzoek over beslissings- en argumentinsluitingen vindt een handvol relevante eerdere beslissingen; (2) gestructureerde filters verkleinen naar categorie, entiteitstype en precedentrijpheid, zodat u geverifieerde gevallen ophaalt, geen ontwerpen; (3) grafiekuitbreiding loopt langs de normatieve randen om elk beslissingsargument en bewijs op te halen; (4) uitkomst-gewogen rangschikking laat precedenten waarvan de resultaten goed uitpakten, boven superficiële overeenkomsten die dat niet deden; (5) de resultaten worden verpakt in begrensde Beslissingspakketten.
Harde limieten op diepte, knooppuntentelling en tijd houden uitbreiding tegen om door te gaan. De uitvoer is nooit een muur van tokens - het is een kleine set complete, vergelijkbare beslissingen.
Opname voor agents: MCP en A2A
Geheugen is alleen nuttig als een agent het kan bereiken tijdens het redeneren. Beslissingsopname wordt op twee manieren aan agents blootgesteld. Over het Model Context Protocol (MCP), laten tools zoals search_precedents en get_packet een agent zoeken naar relevante eerdere beslissingen en ontvangen Beslissingspakketten inline, midden in het redeneren - en de schrijfpad werkt ook over MCP: een agent kan een spoor maken, zijn redenering opnemen, de beslissing verzegelen en onmiddellijk het resulterende Beslissingspakket ophalen, van begin tot eind, zonder SDK. In agent-naar-agent (A2A)-delegatie is het Beslissingspakket de payload die tussen agents wordt doorgegeven - een ontvangende agent erft de volledige, zelfstandige context van een beslissing zonder enige toegang tot de database van de afzender. Het pakket is draagbaar van ontwerp, wat het veilig maakt om over een vertrouwensgrens heen te geven.
Hoe AI Agentree decision retrieval levert
AI Agentree slaat beslissingen op als een normatieve grafiek en haalt ze op als begrensde pakketten. Het retrieval-substraat wordt verzonden en gebruikt:
Hybride precedent zoeking
Een vijfstappenpijplijn — vectorzoeking, gestructureerde filters, grafiek-contextuitbreiding, uitkomstgewogen rangschikking, verpakking — haalt eerdere beslissingen op met hun redenering eraan vast, niet als chunksoep.
Beslissingspakketten
Opvraging retourneert een begrensde, zelfstandige record van een beslissing — stelling, pro/con argumenten, bewijs, beleid, goedkeuringen, uitkomst en aangehaalde precedenten.
Precedentcitatie
Een opgehaalde precedent kan worden aangehaald als een eerste-klasse argument in een nieuwe beslissing, zodat consistentie zich ophoopt in plaats van te vertrouwen op geheugen.
Agent-native toegang (MCP + A2A)
Agenten registreren en halen beslissingen op via MCP-hulpmiddelen — de volledige create, seal en get-packet-levenscyclus zonder SDK — en Beslissingspakketten reizen als payload in agent-tot-agent-delegatie.
Zie het substraat dat dit ophaalt op decision tracing, of de diepere technische behandeling in GraphRAG voor AI-beslissingen.
Veelgestelde Vragen
Wat is beslissingsopname?
Beslissingsopname is het ophalen van eerdere AI-beslissingen als complete, gestructureerde eenheden in plaats van losse tekstfragmenten. Het is een vorm van GraphRAG: het substraat is een normatief argumentengrafiek dat elke beslissing verbindt met de argumenten, bewijs en precedenten die het hebben gevormd, en de uitvoer is een begrensde Decision Packet — de redenering, niet alleen een fragment.
Hoe verschilt beslissingsopname van vector RAG?
Vector RAG embedt tekst en retourneert de beste overeenkomende fragmenten — losse fragmenten die een conclusie van een beslissing kunnen citeren, maar het tegenargument, de goedkeurder en het precedent dat het heeft gebruikt, missen. Beslissingsopname retourneert de beslissing met de redenering intact, omdat de relaties zijn opgeslagen als eerste-klasse getypeerde randen in plaats van impliciet in proza. Vectorzoek is een onderdeel van beslissingsopname, niet een concurrent van.
Wat is GraphRAG?
GraphRAG (grafiek-versterkte opname-versterkte generatie) haalt context op door een kennisgrafiek te doorlopen in plaats van alleen tekstfragmenten te rangschikken op basis van overeenkomst. Toegepast op beslissingen, is de grafiek een normatief argumentengrafiek, en de opname is hybride: vectorzoek vindt de relevante beslissingen, en vervolgens haalt grafiekuitbreiding de complete, begrensde context op.
Wat is een Decision Packet?
Een Decision Packet is de begrensde uitvoer van beslissingsopname: een zelfstandig record van één beslissing dat de propositie, de pro/con-argumentenboom, het bewijs en zijn herkomst, de geëvalueerde beleidsregels, de goedkeuringen, het verzegelde resultaat en eventuele aangehaalde precedenten bevat. Het is wat een agent of auditor ophaalt in plaats van een stapel logregels.
Is een Decision Packet beter dan het opslaan van chain-of-thought-uitvoer?
Ze lossen verschillende problemen op — het pakket is betere recordhouding, niet betere redenering. Opgeborgen chain-of-thought is proza: het opvragen ervan betekent het opnieuw parseren van elke spoor met een LLM bij leestijd, het heeft geen resultaatveld om op te joinen, en een bewerkbare tekstblob biedt geen commitpunt dat een reviewer kan vertrouwen. Een Decision Packet structureert dezelfde redenering één keer, bij verzegeling: stance-getypeerde pro/con-argumenten worden deterministische grafiekquery's, beslissingen koppelen aan geregistreerde resultaten, zodat opname resultaat-georiënteerd is, precedenten worden citeerbare argumentknooppunten in nieuwe beslissingen, en het hash-gekoppelde, verzegelde, signeerbare record werkt als bewijs — inclusief over vertrouwensgrenzen in agent-tot-agent-delegatie. Geen van beide formaat maakt de redenering van het model trouwer; het pakket maakt de vermelde redenering duurzaam, vergelijkbaar en verdedigbaar. Als u alleen maar een agent later moet debuggen, is opgeslagen chain-of-thought voldoende — pakketten verdienen hun structuur wanneer beslissingen moeten worden vergeleken, hergebruikt of verdedigd.
Vervangt beslissingsopname mijn vector-database of document RAG?
Nee. Vectorzoek is de eerste stap in de opnamepijplijn, en document RAG is een aparte taak. Beslissingsopname zit bovenop uw bestaande stack en vangt het ene artifact op dat die systemen niet hebben opgeslagen: de gestructureerde beslissing zelf, op te halen met de redenering intact.
Hoe implementeert AI Agentree beslissingsopname?
Door een geleverde vijfstappen-precedent-zoekpijplijn (vectorzoek, gestructureerde filters, grafiek-contextuitbreiding, resultaat-georiënteerde rangschikking, verpakking), Decision Packet-assemblage, precedent-citatie en opname die aan agents wordt blootgesteld via MCP en A2A. Automatische resultaatfeedback en cross-decision-patronen-synthese — de volledig zelfverbeterende laag bovenop opname — zijn op de roadmap.
Gerelateerde AI-governance-onderwerpen
AI Governance
De paraplu-discipline: hoe organisaties AI-agents verantwoordelijk, observeerbaar en compliant houden — start hier.
AI Observabiliteit
Zien wat uw AI-systemen in productie doen — metrieken, traces en logs.
LLM Observabiliteit
Bewaken van prompts, tokens, latentie en kwaliteit van grote taalmodelaanroepen.
AI Traceerbaarheid
Reconstructie van de volledige afstamming van een AI-uitvoer — invoer, stappen en beslissingen.
LLM Traceerbaarheid
End-to-end-traces van multi-stap LLM- en prompt-ketens.
AI Agent Observabiliteit
Observeerbaarheid voor autonome, multi-stap agents — toolaanroepen, plannen en beslissingen.
Agentische AI Governance
Besturen van autonome agents: beleid, toezicht en verantwoorde autonomie.
AI Audit Trail
Alleen-lezen, vervalsingsbewijsbare records van wat een AI-systeem besloot en waarom.
AI Agent Monitoring
Real-time monitoring van agentgedrag, drift en besliskwaliteit.
Verklaarbare AI (XAI)
Maken van AI-beslissingen begrijpelijk voor de mensen die verantwoordelijk zijn voor hen.
AI TRiSM
Gartners kader voor AI-vertrouwen, risico- en beveiligingsbeheer.
Beslissingstracing
Vastleggen van de gestructureerde redenering achter elke AI-beslissing — AI Agentree's categorie.
AI Precedent Systemen
Laten van agents leren van eerdere beslissingen als doorzoekbare precedenten.
Geef uw agents een geheugen waard om op te halen
Sla beslissingen op als een grafiek, niet als een log — en haal ze op als begrensde Decision Packets waarover uw agents kunnen redeneren.
Start Gratis