Rejestrowanie LLM uchwyca podpowiedzi i zakończenia — dane opisowe o tym, co się wydarzyło. Śledzenie decyzji uchwyca DLACZEGO decyzje zostały podjęte — ustrukturyzowane rozumowanie z argumentami za/przeciw, precedensami i uzasadnieniem. Rejestrowanie umożliwia debugowanie. Śledzenie decyzji umożliwia pamięć instytucjonalną, wyszukiwanie precedensów i wyjaśnialną AI. AI Agentree zapewnia warstwę śledzenia decyzji, której rejestrowanie nie może zastąpić.
TL;DR: Rejestrowanie uchwyca to, co model powiedział. Śledzenie decyzji uchwyca, dlaczego decyzja została podjęta. Tylko jedno umożliwia pamięć precedensową i instytucjonalną.
Rejestrowanie jest konieczne, ale niewystarczające. Oto, czego mu brakuje.
Opisowe: "To się wydarzyło"
// Log entry
{
"prompt": "Should we approve...",
"completion": "Yes, approved...",
"tokens": 847,
"latency_ms": 1234
}
Możesz znaleźć ten log. Ale czy możesz znaleźć, jak zdecydowałeś w podobnych przypadkach?
Normatywne: "To wspiera/przeciwstawia się, ponieważ..."
// Decision trace
{
"decision": "APPROVED",
"pro_arguments": [...],
"con_arguments": [...],
"precedent_cited": "D-1234",
"rationale_ids": [...]
}
Możliwe do zapytania według wzoru rozumowania. Możliwe do cytowania jako precedens.
| Aspekt | Rejestrowanie LLM | Śledzenie Decyzji |
|---|---|---|
| Co to rejestruje | Zachęty, zakończenia, tokeny, opóźnienie | Struktura rozumowania, precedensy, uzasadnienie |
| Struktura danych | Tekst niestrukturalny, płaskie metadane | Strukturalne drzewa argumentacyjne, relacje normatywne |
| Możliwość zapytań | 'Znajdź logi zawierające X' | 'Znajdź decyzje podobne do Y na podstawie wzorca rozumowania' |
| Wspiera precedens | ||
| Pamięć instytucjonalna | ||
| Wyjaśnialność | Pokazuje, co powiedział model | Pokazuje, dlaczego podjęto decyzję |
| Wartość zgodności | Ślad audytowy zdarzeń | Ślad audytowy rozumowania |
"Jak radziliśmy sobie z podobnymi prośbami o zwrot?" wymaga struktury rozumowania, a nie wyszukiwania tekstu. Dzienniki znajdują pasujące słowa. Ślady znajdują pasujące wzorce.
Wiedza, która kumuluje się z czasem, wymaga strukturalnych decyzji. Dzienniki to archeologia. Ślady to architektura.
Agenci, którzy cytują wcześniejsze decyzje, potrzebują strukturalnego precedensu. "Zatwierdziliśmy D-1234 w podobnych warunkach" wymaga śladów decyzji.
"Dlaczego AI zdecydowało X?" potrzebuje strukturalnego uzasadnienia. Łańcuch myślenia jest post-hoc. Ślady decyzji to prawda obiektywna.
Śledzenie, które wzorce rozumowania prowadzą do dobrych wyników, wymaga struktury. Dzienniki nie mogą powiązać argumentów z wynikami.
Przejście od człowieka w pętli do pełnej autonomii wymaga dowodów. Ślady decyzji dowodzą jakości decyzji. Dzienniki dowodzą wykonania.
Logowanie LLM rejestruje zapytania, odpowiedzi i metadane (tokeny, opóźnienie). Śledzenie decyzji rejestruje ustrukturyzowane rozumowanie: argumenty za/przeciw, przywołane precedensy, poziomy pewności i uzasadnienie, które doprowadziło do decyzji. Logowanie jest opisowe; śledzenie jest normatywne.
Logi zapytań/odpowiedzi nie rejestrują struktury rozumowania. Nie możesz zapytać 'jak poradziliśmy sobie z podobnymi przypadkami?' lub 'jakie precedensy wspierają tę decyzję?' na podstawie surowych logów tekstowych. Śledzenie decyzji tworzy ustrukturyzowane artefakty, które umożliwiają wyszukiwanie precedensów i pamięć instytucjonalną.
Nie. Łańcuch myślenia jest generowany post-hoc przez model — nie jest wierny wewnętrznemu obliczeniu. Dwa zapytania mogą dać tę samą odpowiedź z różnymi 'wyjaśnieniami'. Śledzenie decyzji rejestruje ustrukturyzowane artefakty w momencie podejmowania decyzji, a nie rekonstrukcje narracji.
Nieefektywnie. Precedens wymaga relacji normatywnych (wspiera/przeciwstawia się), a nie opisowych (zawiera/wzmiankuje). Wyszukiwanie oparte na logach znajduje podobny tekst; śledzenie decyzji znajduje podobne wzorce rozumowania. Różnica jest fundamentalna.
Tak. Zachowaj logowanie do debugowania, śledzenia kosztów i zgodności. Dodaj śledzenie decyzji dla wyjaśnialności, precedensu i pamięci instytucjonalnej. Służą różnym celom i współpracują ze sobą.
Regulacje coraz częściej wymagają wyjaśnienia decyzji AI. Logi pokazują, co model powiedział. Ślady decyzji pokazują, dlaczego podjęto decyzję, jakie alternatywy rozważano i jakie dowody ją wspierały. To jest to, czego naprawdę potrzebują audytorzy i regulatorzy.
Uchwyć DLACZEGO twoje AI decyduje, a nie tylko co mówi.