Co to jest Decision Retrieval?
Decision retrieval to sposób, w jaki agent AI wyszukuje, jak podobne sytuacje były rozwiązywane wcześniej — i otrzymuje powód, a nie tylko fragment. Jest to GraphRAG dla decyzji: pobieranie nad normatywnym grafem argumentacyjnym, gdzie każda decyzja łączy się z argumentami, dowodami i poprzednimi decyzjami, które ją ukształtowały. Zamiast stosu pasujących linii logów, otrzymujesz ograniczony, audytowalny pakiet decyzji z powodem zachowania.
Decision retrieval = pobieranie poprzednich decyzji jako kompletne jednostki, a nie fragmenty tekstu. Podłożem jest graf: decyzje połączone z argumentami za i przeciw, dowodami i poprzednimi decyzjami za pomocą typowanych krawędzi. Pobieranie jest hybrydowe — wyszukiwanie wektorowe znajduje odpowiednie decyzje, a następnie rozszerzenie grafu pobiera pełny kontekst — a wynikiem jest Pakiet Decyzji. To bije wektorowy RAG nad logami, który zwraca niepołączone fragmenty, pomijając argumentację przeciwną i poprzednią decyzję.
Pobieranie decyzji vs. wektor RAG nad logami
Domyślny sposób nadawania pamięci agentowi to wektor RAG: osadź wszystko, pobierz najlepsze dopasowania i wklej je do podpowiedzi. Dla dokumentów działa to. Dla decyzji nie działa strukturalnie, ponieważ decyzja nie jest akapitem — jest to mała sieć relacji: propozycja, argumenty za i przeciw niej, dowody, na które się powołano, kto zatwierdził wyjątek i jaki przypadek z przeszłości go poprzedzał.
Złóż to w tekst i osadź, a pobieranie zwróci fragmenty z przerwanymi relacjami — wniosek bez argumentu przeciw, zatwierdzenie bez uzasadnienia, wzmianka o poprzedniku bez samego poprzednika. Praktycy nazywają to "zupą z kawałków." Pobieranie decyzji unika tego, pobierając decyzję jako jednostkę strukturalną, ponieważ relacje są przechowywane jako pierwszorzędne krawędzie, a nie pozostawione implicite w prozie.
Graf: krawędzie normatywne, a nie opisowe
Ogólne grafy wiedzy przechowują opisowe krawędzie — "wspomina", "związane z" — które mówią, że dwie rzeczy są połączone, ale nie mówią, dlaczego to miało znaczenie. Graf decyzji przechowuje normatywne krawędzie: popiera, przeciw, obala, kwalifikuje. Ponieważ typ krawędzi jest rozumowaniem, graf już zakodował, co było istotne w decyzji.
To jest również powodem, dla którego graf decyzji jest niezwykle dobrym GraphRAG podłożem, gdzie ogólne grafy przedsiębiorstw mają trudności. Ogólne grafy są ogromne, ich krawędzie mają niski sygnał, nie ma naturalnego węzła korzenia, a przejście nie ma oczywistego punktu zatrzymania. Graf decyzji ma przeciwne właściwości: każda decyzja jest naturalnym korzeniem, krawędzie przenoszą prawdziwe rozumowanie, a podgraf jednej decyzji jest mały i naturalnie ograniczony — rozwiń do argumentów, dowodów i cytowanych poprzedników, a następnie zatrzymaj.
Jak działa hybrydowe pobieranie wektorowo-graficzne
Wektory i grafy nie są rywalami tutaj — pobieranie decyzji używa wektorów do znalezienia punktów wejścia i struktury grafu do pobrania pełnego kontekstu. W praktyce jest to potok: (1) wyszukiwanie wektorowe nad osadzeniami decyzji i argumentów znajduje garść istotnych poprzednich decyzji; (2) filtrowanie strukturalne wąskie według kategorii, typu jednostki i dojrzałości poprzednika, aby pobrać zwalidowane przypadki, a nie szkice; (3) rozwinięcie grafu przechodzi po krawędziach normatywnych, aby pobrać argumenty i dowody każdej decyzji; (4) ranking z uwzględnieniem wyniku unoszenia poprzedników, których wyniki okazały się dobre, powyżej powierzchownie podobnych, które nie; (5) wyniki są pakowane w ograniczone Pakiety Decyzji.
Twarde limity głębokości, liczby węzłów i czasu uniemożliwiają rozwinięcie ucieczki. Wynik jest zawsze małym zestawem pełnych, porównywalnych decyzji.
Pobieranie dla agentów: MCP i A2A
Pamięć jest użyteczna tylko wtedy, gdy agent może do niej dotrzeć podczas rozumowania. Pobieranie decyzji jest narażone na agenci na dwa sposoby. Przez Protokół Kontekstu Modelu (MCP) narzędzia takie jak search_precedents i get_packet pozwalają agentowi zapytać o istotne poprzednie decyzje i otrzymać Pakiety Decyzji w linii, w trakcie rozumowania — a ścieżka zapisu działa również przez MCP: agent może utworzyć ślad, zarejestrować swoje rozumowanie, zamknąć decyzję i natychmiast pobrać wynikający Pakiet Decyzji, od końca do końca, bez SDK. W delegowaniu agenta do agenta (A2A) Pakiet Decyzji jest ładunkiem przekazywanym między agentami — agent odbiorca dziedziczy pełen, samowystarczalny kontekst decyzji bez dostępu do bazy danych nadawcy. Pakiet jest przenośny dzięki projektowi, co czyni go bezpiecznym do przekazania przez granicę zaufania.
Jak AI Agentree dostarcza decision retrieval
AI Agentree przechowuje decyzje jako normatywny graf i pobiera je jako ograniczone pakiety. Podłoże retrievals jest wysłane i używane:
Wyszukiwanie precedensów hybrydowych
Pięciostopniowa pipeline — wyszukiwanie wektorowe, filtrowanie strukturalne, rozszerzanie kontekstu grafu, ważone rankowanie wyników, pakowanie — zwraca poprzednie decyzje z dołączonym uzasadnieniem, a nie jako zupa z kawałkami.
Pakiety decyzji
Pobieranie zwraca ograniczony, samodzielny zapis decyzji — propozycja, argumenty za i przeciw, dowody, polityki, zatwierdzenia, wynik i cytowane precedensy.
Cytowanie precedensów
Pobrany precedens może być cytowany jako pierwszorzędny argument w nowej decyzji, dzięki czemu spójność się kumuluje, zamiast polegać na pamięci.
Dostęp natywny dla agentów (MCP + A2A)
Agenci rejestrują i pobierają decyzje za pomocą narzędzi MCP — pełny cykl tworzenia, zabezpieczania i pobierania pakietu bez SDK — a Pakiety decyzji podróżują jako ładunek w delegowaniu między agentami.
Zobacz podłoże, z którego to pobiera na śledzeniu decyzji, lub głębsze techniczne traktowanie w GraphRAG dla decyzji AI.
Często Zadawane Pytania
Co to jest pobieranie decyzji?
Pobieranie decyzji polega na pobieraniu przeszłych decyzji sztucznej inteligencji jako pełnych, ustrukturyzowanych jednostek, a nie niepołączonych fragmentów tekstu. Jest to forma GraphRAG: podłoże stanowi normatywny graf argumentacyjny, który łączy każdą decyzję z argumentami, dowodami i poprzednikami, które ją ukształtowały, a wynikiem jest ograniczony Pakiet Decyzji — rozumowanie, a nie tylko fragment.
W jaki sposób pobieranie decyzji różni się od wektorowego RAG?
Wektorowy RAG umieszcza tekst i zwraca najlepsze dopasowania — niepołączone fragmenty, które mogą cytować wniosek decyzji, ale pomijają sprzeciw, zatwierdzającego i poprzednik, na którym się opiera. Pobieranie decyzji zwraca decyzję z zachowanym rozumowaniem, ponieważ relacje są przechowywane jako pierwszorzędne krawędzie oznaczone typem, a nie pozostawione implicite w prozie. Wyszukiwanie wektorowe jest składnikiem pobierania decyzji, a nie jego konkurentem.
Co to jest GraphRAG?
GraphRAG (graficznie wzmocniona generacja z wykorzystaniem pobierania) pobiera kontekst przez przemieszczanie się po grafie wiedzy zamiast tylko rangowania fragmentów tekstu według podobieństwa. Zastosowane do decyzji, graf jest normatywnym grafem argumentacyjnym, a pobieranie jest hybrydowe: wyszukiwanie wektorowe znajduje odpowiednie decyzje, a następnie rozszerzenie grafu pobiera pełny, ograniczony kontekst.
Co to jest Pakiet Decyzji?
Pakiet Decyzji jest ograniczonym wynikiem pobierania decyzji: samodzielny zapis jednej decyzji zawierający propozycję, drzewo argumentów za i przeciw, dowody i ich pochodzenie, oceniane polityki, zatwierdzenia, zamknięty wynik i wszystkie cytowane poprzedniki. Jest to to, co agent lub auditor pobiera zamiast stosu linii rejestrowych.
Czy Pakiet Decyzji jest lepszy niż przechowywanie łańcucha myśli?
Rozwiązują one różne problemy — pakiet jest lepszym przechowywaniem zapisów, a nie lepszym rozumowaniem. Przechowywany łańcuch myśli to proza: zapytanie go oznacza ponowne parsowanie każdego śladu z użyciem LLM w czasie odczytu, nie ma pola wyniku do połączenia i edytowalny obiekt tekstu nie oferuje punktu zatwierdzenia, któremu można zaufać. Pakiet Decyzji strukturyzuje to samo rozumowanie raz, podczas zatwierdzenia: argumenty za i przeciw oznaczone typem stają się deterministycznymi zapytaniami grafu, decyzje łączą się z zarejestrowanymi wynikami, tak że pobieranie jest ważone wynikiem, poprzedniki stają się cytowalnymi węzłami argumentacyjnymi w nowych decyzjach, a skrótowy, zamknięty, podpisywalny zapis działa jako dowód — w tym również w przypadku delegacji agenta do agenta. Żaden z formatów nie sprawia, że rozumowanie modelu staje się bardziej lojalne; pakiet sprawia, że stwierdzone rozumowanie jest trwałe, porównywalne i obronione. Jeśli potrzebujesz tylko debugować agenta później, przechowywany łańcuch myśli jest wystarczający — pakiety zyskują na swojej strukturze, gdy decyzje muszą być porównywane, ponownie wykorzystywane lub bronione.
Czy pobieranie decyzji zastępuje moją bazę danych wektorów lub dokument RAG?
Nie. Wyszukiwanie wektorowe jest pierwszym krokiem potoku pobierania, a dokument RAG to oddzielne zadanie. Pobieranie decyzji umieszcza się na górze istniejącej struktury i przechwytuje jeden artifact, którego te systemy nie przechowywały: ustrukturyzowaną samą decyzję, pobieraną z zachowanym rozumowaniem.
Jak AI Agentree wdraża pobieranie decyzji?
Przez pięciostopniową potokową wyszukiwarkę poprzedników (wyszukiwanie wektorowe, filtrowanie ustrukturyzowane, rozszerzenie kontekstu grafu, ważone wynikiem rankingowanie, pakowanie), zbiór Pakietu Decyzji, cytowanie poprzedników i pobieranie udostępnione agentom za pośrednictwem MCP i A2A. Automatyczna informacja zwrotna o wynikach i syntetyzowanie wzorców między decyzjami — w pełni samodoskonaląca się warstwa na górze pobierania — są na drodze.
Powiązane tematy związane z zarządzaniem AI
Zarządzanie AI
Dyscyplina parasolowa: jak organizacje utrzymują agenci AI odpowiedzialnych, obserwowalnych i zgodnych — zacznij tutaj.
Obserwowalność AI
Widzenie tego, co Twoje systemy AI robią w produkcji — metryki, ślady i logi.
Obserwowalność LLM
Monitorowanie wypowiedzi, tokenów, opóźnień i jakości wywołań dużych modeli językowych.
Śledzenie AI
Rekonstruowanie pełnej linii wyjściowej AI — dane wejściowe, kroki i decyzje.
Śledzenie LLM
Ślady końcowe wieloetapowych łańcuchów LLM i wypowiedzi.
Obserwowalność agenta AI
Obserwowalność dla autonomicznych, wieloetapowych agentów — wywołania narzędzi, plany i decyzje.
Zarządzanie AI agentywne
Zarządzanie autonomicznymi agentami: polityka, nadzór i odpowiedzialna autonomia.
Ślad audytowy AI
Rekordy tylko do odczytu, chroniące przed manipulacją, co system AI zdecydował i dlaczego.
Monitorowanie agenta AI
Monitorowanie w czasie rzeczywistym zachowania agenta, dryfu i jakości decyzji.
AI wyjaśnialna (XAI)
Czynienie decyzji AI zrozumiałymi dla osób odpowiedzialnych za nie.
AI TRiSM
Ramka Gartnera dla zarządzania zaufaniem, ryzykiem i bezpieczeństwem AI.
Śledzenie decyzji
Przechwytywanie ustrukturyzowanego rozumowania za każdą decyzją AI — kategoria AI Agentree.
Systemy precedensowe AI
Pozwalanie agentom uczyć się z poprzednich decyzji jako wyszukiwalne precedensy.
Daj swoim agentom pamięć wartą pobrania
Przechowuj decyzje jako graf, a nie log — i pobieraj je jako ograniczone Pakiety Decyzji, nad którymi Twoi agenci mogą rozumno działać.
Rozpocznij za darmo