GraphRAG para Decisões de IA
GraphRAG (recuperação aumentada por geração aprimorada por gráfico) recupera contexto ao percorrer um gráfico de conhecimento em vez de apenas classificar fragmentos de texto por similaridade vetorial. Para decisões de agentes de IA, o gráfico é um gráfico de argumentos normativo: decisões conectadas aos argumentos a favor e contra que as apoiaram ou se opuseram, as evidências citadas e os precedentes referenciados, por meio de arestas tipadas (apoia, se opõe, refuta). A recuperação de decisões é um pipeline híbrido — a busca vetorial encontra as decisões relevantes, então a expansão do gráfico busca o contexto completo e limitado — e sua saída é um Pacote de Decisão: um registro autônomo da proposição, árvore de argumentos, evidências, políticas, aprovações, resultado e precedentes. Isso supera o RAG apenas vetorial sobre logs, que retorna fragmentos desconectados que perdem contra-argumentos, aprovações e precedentes. Um gráfico de decisão é um substrato excepcionalmente bom para GraphRAG porque cada decisão é um nó raiz natural, as arestas são de alto sinal (carregam raciocínio) e o subgráfico de cada decisão é pequeno e limitado. AIAgentree implementa toda a pilha: modelo de dados de rastreamento de decisão, busca híbrida de precedentes, citação de precedentes, montagem de Pacotes de Decisão, recuperação sobre MCP e A2A, feedback automático de resultados, pontuação de qualidade de resultados que aumenta as classificações de precedentes, rastreamento de eficácia de argumentos e precedentes sugeridos automaticamente na selagem — o ciclo completo de memória institucional está disponível e ativo.
A questão não é "devemos armazenar decisões de IA?" — é "em que devemos armazená-las?" Armazene-as como texto e você obtém a sopa de fragmentos do RAG vetorial. Armazene-as como um gráfico de argumentos normativo e a recuperação retorna um Pacote de Decisão limitado e auditável.
- •Vector RAG sobre logs retorna trechos desconectados — ele perde o contra-argumento, o aprovador, o precedente
- •Decision GraphRAG recupera a decisão com seu raciocínio intacto, através de arestas tipadas
- •Um gráfico de decisão é um raro substrato GraphRAG-perfeito: nós raiz naturais, arestas de alto sinal, subgrafos limitados.
- •Enviado: pesquisa de precedentes híbridos, Pacotes de Decisão, recuperação MCP/A2A, feedback de resultados, classificação ponderada por resultados, eficácia de argumentos, precedentes sugeridos automaticamente — o ciclo completo
Seu agente precisa saber como você decidiu da última vez.
Você aponta para um armazenamento vetorial de registros. Ele retorna seis trechos. Nenhum deles contém a razão.
O Problema da Recuperação que Ninguém Nomeia
Todo sistema de agente sério eventualmente precisa de memória: a capacidade de consultar como uma situação semelhante foi tratada antes e agir de forma consistente. A resposta padrão em 2026 é vector RAG — incorporar tudo, recuperar os k chunks mais semelhantes, colocá-los na janela de contexto.
Para documentos, isso funciona. Para decisões, falha silenciosamente. E a falha é estrutural, não um problema de ajuste.
Uma decisão não é um parágrafo. É uma pequena teia de relacionamentos: uma proposição, os argumentos a favor e contra, as evidências em que cada argumento se baseou, quem aprovou a exceção e qual caso anterior foi seguido. Achate isso em pedaços de texto e incorpore-os, e a recuperação devolve fragmentos com os relacionamentos cortados. Você obtém a conclusão sem o contra-argumento. Você obtém a aprovação sem o raciocínio. Você obtém uma frase que menciona um precedente sem o precedente em si.
Isso é o que os praticantes chamam de "sopa de pedaços." É por isso que a recuperação apenas por vetor sobre logs de decisão parece confiante e é sutilmente não confiável.
Chunk Soup vs. o Pacote de Decisão
| Retornos do RAG Vetorial | Gráfico de Decisão RAG retorna |
|---|---|
| …"o reembolso foi aprovado para o cliente premium" (0.83) …"o limite para autoaprovação é de $200" (0.79) …"escalar incidentes SEV-1 para o nível 2" (0.74) | Proposição: Aprovar reembolso #4521 ($240) PRÓ: Cliente premium, defeito válido CON: Excede o limite de auto-aprovação de $200 Substituição: Aprovado pelo Sr. Analista (política P-12) Precedente: cita o caso #1234 (aprovado, 0 chargebacks) Resultado (6 meses): retido, sem disputa |
| Três fragmentos plausíveis. Sem ligações entre eles. Este reembolso estava acima do limite? Quem o anulou? O que aconteceu a seguir? Os fragmentos não podem dizer. | Um pacote limitado. O raciocínio, a exceção, o precedente e o resultado — conectados. |
A diferença não está no modelo de incorporação ou no tamanho do bloco. Está no substrato. Um armazena texto sobre decisões; o outro armazena decisões como estrutura.
Por que as Bordas Normativas Mudam Tudo
Grafos de conhecimento genéricos armazenam arestas descritivas: "menções", "relacionado a", "possuído por". Eles informam que duas coisas estão conectadas, mas não por que isso importa.
Um gráfico de decisão armazena arestas normativas — as relações carregam raciocínio:
- •apoia / se opõe — este argumento empurrou a decisão em direção ou afastou do resultado
- •refuta — esta evidência contradiz diretamente essa afirmação
- •qualifica / depende_de — isso se aplica apenas sob uma condição
Porque o tipo de aresta é o raciocínio, o grafo já sabe o que é estrutural. A recuperação não precisa adivinhar qual dos dez fatos mencionados realmente motivou a chamada — as arestas supports com alto peso dizem isso. Grafos descritivos possibilitam a busca. Grafos normativos possibilitam julgamento.
Por que um Gráfico de Decisão é "Perfeito para GraphRAG"
A maioria das equipes que tentam o GraphRAG em um grafo empresarial geral desiste. As razões são consistentes, e um grafo de decisão evita todas elas:
| Por que o GraphRAG genérico tem dificuldades | Por que um gráfico de decisão não faz isso |
|---|---|
| O gráfico é enorme (milhões de nós) | O subgrafo de cada decisão é pequeno e autônomo. |
| As bordas são de baixo sinal ("related_to") | As bordas são normativas e carregam o raciocínio. |
| Nenhum nó raiz natural para começar. | A decisão é o nó raiz |
| A travessia não tem um ponto de parada natural. | O limite de uma decisão é intrínseco — expanda para seus argumentos, evidências e precedentes citados, e então pare. |
O gráfico tem "o que importava" incorporado em sua estrutura. Essa é a propriedade que o GraphRAG precisa e raramente obtém.
O Pipeline de Recuperação Híbrido
Vetores e gráficos não são rivais aqui. A recuperação de decisões utiliza vetores para encontrar os pontos de entrada e estrutura de gráfico para buscar o contexto completo. No AIAgentree, isso é um pipeline de cinco etapas (enviado no serviço de busca de precedentes):
Busca vetorial sobre embeddings de decisão e argumento — encontre o punhado de decisões passadas relevantes
Filtros estruturados — inquilino, categoria, tipo de entidade, maturidade do precedente (para que você recupere casos validados, não rascunhos)
Expansão do contexto gráfico — percorra as bordas normativas para reunir os argumentos e evidências de cada decisão
Classificação ponderada por resultado — um precedente cujo resultado foi positivo classifica-se acima de um superficialmente semelhante que não teve sucesso
Embalagem — monte o resultado em Pacotes de Decisão limitados prontos para entregar a um agente ou a um revisor
Limites rígidos (profundidade máxima, número máximo de nós, tempo limite) impedem que a expansão fuja do controle. A saída nunca é uma parede de tokens — é um pequeno número de decisões completas e comparáveis.
Recuperação para Agentes: MCP e A2A
A memória só é útil se o agente puder acessá-la enquanto raciocina. AIAgentree expõe a recuperação de decisões de duas maneiras:
Sobre o MCP
O servidor do Protocolo de Contexto do Modelo expõe ferramentas como search_precedents e get_packet. Um agente consulta decisões anteriores relevantes e recebe Pacotes de Decisão em linha — durante o raciocínio, não como um trabalho em lote.
Sobre A2A
Na delegação de agente para agente, o Pacote de Decisão é a carga útil. Um agente receptor herda o contexto completo e autônomo de uma decisão sem ter acesso ao banco de dados do remetente.
O pacote é portátil por design — ele carrega tudo o que é necessário para entender e aplicar a decisão, que é exatamente o que o torna seguro para ser transmitido através de uma fronteira de confiança.
Como Isso Se Parece Em Código
Recuperando precedentes para a decisão que um agente está prestes a tomar:
# Find how similar cases were decided before acting
results = client.search_precedents(
query="refund above auto-approve threshold, premium customer",
filters={"category": "customer_service", "maturity": "validated"},
)
for packet in results:
# Each packet is a complete decision: proposition, pro/con
# arguments, evidence, approvals, outcome, and cited precedents
print(packet.proposition, packet.outcome, packet.confidence)Sem preenchimento de prompts com logs brutos. O agente raciocina sobre decisões anteriores, com seu raciocínio anexado. O trecho usa o cliente Python para clareza — mas a mesma recuperação (get_packet, search_precedents) está disponível através do MCP sem SDK, então um agente nativo do MCP consome decisões como ferramentas.
O Full Stack Está Enviado
Preferimos ser precisos do que impressionantes. Aqui está o que está ao vivo hoje:
Captura e Recuperação de Decisões
- ✓Modelo de dados de rastreamento de decisão normativa (arestas de argumento tipadas)
- ✓Busca de precedentes híbrida (o pipeline de cinco etapas acima)
- ✓Citação de precedentes — cite uma decisão anterior como um argumento de primeira classe
- ✓Montagem do Pacote de Decisão
- ✓Recuperação sobre MCP + A2A
- ✓Registros de decisão à prova de violação e apenas para adição
Roda de Memória Institucional
- ✓Feedback automático de resultados — ingestão de webhook + polling grava resultados de volta nas decisões
- ✓Avaliação da qualidade do resultado — decisões com bons resultados têm classificação mais alta na busca de precedentes
- ✓Eficácia dos argumentos — acompanhe quais argumentos levaram a resultados positivos
- ✓Precedentes auto-sugeridos — decisões anteriores relevantes surgidas no momento do selo
O volante de inércia de circuito fechado completo está ativo: o feedback de resultados flui de volta para as classificações anteriores, a eficácia dos argumentos revela o que funcionou, e os agentes recebem precedentes relevantes sugeridos automaticamente quando tomam uma decisão. O substrato gráfico torna isso possível — e agora a camada de autoaperfeiçoamento opera sobre ele.
O que isso não substitui
- •Seu banco de dados vetorial — é um componente do pipeline, etapa 1
- •Seu documento RAG — recuperar políticas e manuais é um trabalho diferente
- •Ferramentas de observabilidade — spans, latência e métricas de token ainda pertencem ao LangSmith/Langfuse e outros.
O Decision GraphRAG está acima de todos eles e captura o artefato que nenhum deles armazenou: a decisão estruturada, recuperável com seu raciocínio intacto.
Perguntas Frequentes
O que é o GraphRAG para decisões de IA?
GraphRAG (geração aumentada por recuperação com gráfico aprimorado) recupera contexto ao percorrer um gráfico de conhecimento em vez de apenas classificar trechos de texto por similaridade vetorial. Para decisões de IA, o gráfico é um gráfico de argumentos normativos — decisões, os argumentos a favor e contra que as apoiaram ou se opuseram, as evidências citadas e os precedentes referenciados, conectados por arestas tipadas (apoia, se opõe, refuta). A recuperação começa com a busca vetorial para encontrar decisões relevantes, e então se expande ao longo dessas arestas para retornar um Pacote de Decisão completo e delimitado, em vez de trechos desconectados.
Como a decisão GraphRAG é diferente do RAG vetorial sobre logs?
O Vector RAG incorpora pedaços de texto (registros, transcrições, documentos) e retorna os k fragmentos mais semelhantes. Esses fragmentos estão desconectados — um trecho recuperado pode citar a conclusão de uma decisão, mas perder o contra-argumento que quase a reverteu, a pessoa que aprovou a exceção ou o precedente em que se baseou. O Decision GraphRAG recupera a decisão como uma unidade estruturada com seu raciocínio intacto, porque as relações são armazenadas como arestas tipadas de primeira classe, e não deixadas implícitas na prosa.
O que é um Pacote de Decisão?
Um Pacote de Decisão é a saída delimitada da recuperação de decisões gráficas: uma representação estruturada e autônoma de uma decisão que contém a proposição, a árvore de argumentos a favor e contra, as evidências e sua proveniência, as políticas avaliadas, as pessoas que a aprovaram, o resultado selado e quaisquer precedentes citados. É o que um agente (ou um auditor) recupera em vez de um monte de linhas de log. AIAgentree monta Pacotes de Decisão a partir do histórico de decisões armazenado.
Por que um gráfico de decisão é um bom substrato para GraphRAG quando gráficos genéricos de empresas não são?
Gráficos de conhecimento genéricos de empresas são difíceis de percorrer: eles são enormes, suas arestas têm baixo sinal ('related_to' não transmite raciocínio), não há um nó raiz natural e a expansão não tem um ponto de parada óbvio. Um gráfico de decisão evita os quatro problemas: cada decisão é uma raiz natural, as arestas são normativas e de alto sinal (apoia/opõe/refuta carregam o raciocínio real) e o subgráfico de uma única decisão é pequeno e naturalmente limitado. O gráfico já codifica 'o que importava', então a recuperação sabe o que incluir.
Isso substitui meu banco de dados vetorial ou pilha RAG?
Não. A busca vetorial é um componente do GraphRAG de decisão, não um concorrente — as embeddings encontram os pontos de entrada corretos, então a estrutura do grafo busca o contexto completo. O AIAgentree está na camada de decisão sobre seus sistemas operacionais e seu RAG existente para documentos. Ele captura e recupera o único artefato que esses sistemas historicamente não armazenaram: a decisão estruturada em si.
O que é enviado?
Tudo descrito neste post está em operação e ao vivo: o modelo de dados de rastreamento de decisão normativa, busca de precedentes híbrida (um pipeline de cinco etapas: busca vetorial → filtros estruturados → expansão de contexto gráfico → classificação ponderada por resultados → embalagem), citação de precedentes (citar uma decisão passada como um argumento de primeira classe), montagem de Pacotes de Decisão, recuperação exposta a agentes via MCP e A2A, feedback automático de resultados (webhook + ingestão por polling), pontuação de qualidade de resultados que impulsiona as classificações de precedentes, rastreamento da eficácia dos argumentos (quais argumentos levaram a bons resultados) e precedentes sugeridos automaticamente em selo. O 'flywheel de memória institucional' completo está ao vivo e em ciclo fechado.
Como os agentes recuperam decisões no momento da inferência?
Através do Protocolo de Contexto do Modelo (MCP) e da delegação agente-a-agente (A2A). AIAgentree expõe ferramentas como search_precedents e get_packet sobre um servidor MCP, para que um agente possa consultar decisões anteriores relevantes e receber Pacotes de Decisão em linha enquanto raciocina. Na delegação A2A, um Pacote de Decisão é a carga útil autônoma passada entre agentes, de modo que um agente receptor herda o contexto completo de uma decisão sem acesso ao banco de dados do remetente.
Tópicos Relacionados
Artigos Relacionados
Decisões de IA Merecem Comprovantes: Por Que o Rastreio de Decisões É a Camada Faltante na Governança de IA
Toda transação financeira recebe um recibo. Todo contrato legal recebe uma assinatura. Mas as decisões de IA que afetam milhões de pessoas? Invisíveis. O rastreamento de decisões muda isso ao capturar o PORQUÊ por trás de cada decisão de IA.
Artigo 6 da Lei de IA da UE: O que a Classificação de Alto Risco Significa para Seus Agentes de IA
O Artigo 6 da Lei de IA da UE determina se o seu sistema de IA é "de alto risco" — e aciona requisitos obrigatórios de trilha de auditoria. Se seus agentes tomam decisões sobre crédito, emprego, educação ou saúde, você precisa entender a classificação do Anexo III antes de dezembro de 2027.
O que é a Síntese de Pesquisa em IA?
Onde a recuperação de decisões baseada em grafos encontra a pesquisa: combinando os resultados de múltiplos modelos em uma síntese estruturada e atribuída.
Equipe AIAgentree
Infraestrutura de Decisão
A equipe AIAgentree está construindo infraestrutura de rastreamento e recuperação de decisões para agentes de IA. Nossa missão é tornar o raciocínio da IA visível, auditável, recuperável e aprimorável.
Dê aos seus agentes uma memória que vale a pena recuperar.
Capture decisões como um gráfico, não como um log — e recupere-as como Pacotes de Decisão limitados. Camada gratuita disponível, sem necessidade de cartão de crédito.
Começar Grátis