GraphRAG для AI решений
GraphRAG (графоусиленная выборка с дополнением) извлекает контекст, проходя через граф знаний, а не просто ранжируя текстовые фрагменты по векторному сходству. Для решений AI граф является нормативным графом аргументов: решения, связанные с аргументами за и против, которые их поддерживали или опровергали, приведенные доказательства и упомянутые прецеденты, соединенные типизированными ребрами (поддерживает, противоречит, опровергает). Выборка начинается с векторного поиска для нахождения релевантных решений, затем расширяется вдоль этих ребер, чтобы вернуть полный, ограниченный пакет решений, а не разрозненные фрагменты.
Вопрос не в "должны ли мы хранить решения AI?" — а в "в чем мы их храним?" Храните их как текст, и вы получите суп из фрагментов векторного RAG. Храните их как нормативный граф аргументов, и выборка вернет ограниченный, подлежащий аудиту пакет решений.
- •Вектор RAG по логам возвращает разрозненные фрагменты — он упускает контраргумент, утверждающего, прецедент
- •Decision GraphRAG извлекает решение с его обоснованием через типизированные ребра
- •Граф решений — это редкий GraphRAG-совершенный субстрат: естественные корневые узлы, высокосигнальные ребра, ограниченные подграфы.
- •Отгружено: гибридный поиск прецедентов, пакеты решений, извлечение MCP/A2A, обратная связь по результатам, ранжирование с учетом результатов, эффективность аргументов, автоматически предлагаемые прецеденты — полный маховик
Ваш агент должен знать, как вы решили в последний раз.
Вы указываете на векторное хранилище логов. Оно возвращает шесть фрагментов. Ни один из них не содержит причины.
Проблема извлечения, которую никто не называет
Каждая серьезная агентская система в конечном итоге нуждается в памяти: способности искать, как аналогичная ситуация была обработана ранее, и действовать последовательно. Стандартный ответ в 2026 году — векторный RAG — встраивать все, извлекать топ-k самых похожих фрагментов, помещать их в контекстное окно.
Для документов это работает. Для решений это тихо терпит неудачу. И неудача имеет структурный характер, а не является проблемой настройки.
Решение — это не абзац. Это небольшая сеть отношений: предложение, аргументы за и против, доказательства, на которые опирался каждый аргумент, кто одобрил исключение и какой прошлый случай он повторял. Если упростить это до текстовых фрагментов и встроить их, то при извлечении возвращаются фрагменты с разорванными отношениями. Вы получаете вывод без контраргумента. Вы получаете одобрение без обоснования. Вы получаете предложение, которое упоминает прецедент, без самого прецедента.
Это то, что практики называют "супом из кусочков." Именно поэтому извлечение только векторов по журналам решений кажется уверенным и в то же время слегка ненадежным.
Чанк-суп против пакета решений
| Вектор RAG возвращает | Граф решений GraphRAG возвращает |
|---|---|
| …"возврат был одобрен для премиум-клиента" (0.83) …"порог для автоматического одобрения составляет $200" (0.79) …"эскалировать инциденты SEV-1 на второй уровень" (0.74) | Предложение: Одобрить возврат #4521 ($240) ПРО: Премиум-клиент, действительный дефект КОН: Превышает порог автоматического одобрения в $200 Исключение: Одобрено старшим аналитиком (политика P-12) Прецедент: ссылается на случай #1234 (одобрено, 0 возвратов) Результат (6 мес): удержано, без споров |
| Три правдоподобных фрагмента. Нет связей между ними. Был ли этот возврат выше порога? Кто его отменил? Что произошло потом? Фрагменты не могут сказать. | Один ограниченный пакет. Рассуждение, исключение, прецедент и результат — связаны. |
Разница не в модели встраивания или размере фрагмента. Это субстрат. Один хранит текст о решениях; другой хранит решения в виде структуры.
Почему нормативные границы меняют всё
Универсальные графы знаний хранят описательные связи: "упоминания", "связано с", "принадлежит". Они сообщают, что две вещи связаны, но не почему это важно.
Граф решений хранит нормативные ребра — отношения несут в себе рассуждения:
- •поддерживает / противодействует — этот аргумент подтолкнул решение к результату или от него
- •опровергает — эти доказательства прямо противоречат этому утверждению
- •квалифицирует / зависит_от — это верно только при определенном условии
Поскольку тип ребра является рассуждением, граф уже знает, что является несущим. Извлечение не должно догадываться, какой из десяти упомянутых фактов на самом деле вызвал вызов — ребра supports с высоким весом это подтверждают. Описательные графы позволяют осуществлять поиск. Нормативные графы позволяют судить.
Почему граф решений является "GraphRAG-совершенным"
Большинство команд, которые пробуют GraphRAG на общем корпоративном графе, сдаются. Причины одни и те же, и граф решений избегает каждой из них:
| Почему универсальный GraphRAG испытывает трудности | Почему граф решений не работает |
|---|---|
| Граф огромный (миллионы узлов) | Каждый подграф решения мал и самодостаточен. |
| Ребра имеют низкий сигнал ("related_to") | Края являются нормативными и несут в себе рассуждения. |
| Нет естественного корневого узла для начала. | Решение является корневым узлом |
| Обход не имеет естественной точки остановки. | Граница решения является внутренней — расширьте до его аргументов, доказательств и упомянутых прецедентов, затем остановитесь. |
Граф имеет встроенное в его структуру "то, что имеет значение". Это свойство, которое необходимо GraphRAG и которое редко встречается.
Гибридный конвейер извлечения
Векторы и графы здесь не соперники. Извлечение решений использует векторы для нахождения точек входа и графовую структуру для получения полного контекста. В AIAgentree это пятиступенчатый процесс (включенный в сервис поиска прецедентов):
Векторный поиск по встраиваниям решений и аргументов — найдите несколько соответствующих прошлых решений
Структурированные фильтры — арендатор, категория, тип сущности, срок давности прецедента (чтобы вы получали проверенные дела, а не черновики)
Расширение графового контекста — проходите по нормативным граням, чтобы собрать аргументы и доказательства каждого решения
Рейтинг с учетом результатов — прецедент, результат которого оказался положительным, занимает более высокое место по сравнению с поверхностно схожим, который не удался.
Упаковка — собрать результат в ограниченные Решения Пакеты, готовые для передачи агенту или рецензенту
Жесткие ограничения (максимальная глубина, максимальное количество узлов, тайм-аут) не позволяют расширению выходить из-под контроля. Вывод никогда не представляет собой стену токенов — это небольшое количество полных, сопоставимых решений.
Извлечение для агентов: MCP и A2A
Память полезна только в том случае, если агент может к ней обратиться во время рассуждения. AIAgentree предоставляет доступ к извлечению решений двумя способами:
Над MCP
Сервер протокола контекста модели предоставляет инструменты, такие как search_precedents и get_packet. Агент запрашивает соответствующие предыдущие решения и получает пакеты решений в процессе рассуждения, а не как пакетную задачу.
Сверх A2A
В делегировании от агента к агенту пакет решений является полезной нагрузкой. Получающий агент наследует полный, самодостаточный контекст решения без доступа к базе данных отправителя.
Пакет разработан с учетом портативности — он содержит все необходимое для понимания и применения решения, что и делает его безопасным для передачи через границу доверия.
Как это выглядит в коде
Извлечение прецедента для решения, которое собирается принять агент:
# 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)Нет заполнения подсказками сырых логов. Агент рассуждает на основе предыдущих решений, с их обоснованием. Фрагмент использует клиент Python для ясности — но тот же самый процесс извлечения (get_packet, search_precedents) доступен через MCP без SDK, так что агент, работающий на MCP, использует решения как инструменты.
Полный стек отправлен
Мы предпочитаем быть точными, а не впечатляющими. Вот что доступно сегодня:
Сбор и извлечение решений
- ✓Нормативная модель данных трассировки решений (типизированные ребра аргументов)
- ✓Гибридный поиск прецедентов (пятиступенчатый процесс выше)
- ✓Цитирование прецедента — ссылаться на прошлое решение как на аргумент первого класса
- ✓Сборка пакета решений
- ✓Извлечение через MCP + A2A
- ✓Записи решений с защитой от подделки и только для добавления
Институциональная память маховик
- ✓Автоматическая обратная связь по результатам — вебхук + опрос для получения данных записывает результаты обратно на решения
- ✓Оценка качества результатов — решения с хорошими результатами занимают более высокие позиции в поиске прецедентов
- ✓Эффективность аргументов — отслеживайте, какие аргументы привели к положительным результатам
- ✓Автоматически предлагаемые прецеденты — соответствующие предыдущие решения, выявленные в момент печати
Полная замкнутая система маховика активна: обратная связь о результатах возвращается в предшествующие рейтинги, эффективность аргументов выявляет то, что сработало, а агенты получают автоматически предлагаемые релевантные прецеденты, когда они принимают решение. Графовая подсистема делает это возможным — и теперь слой самоулучшения работает поверх нее.
Что это не заменяет
- •Ваша векторная база данных — это компонент конвейера, шаг 1
- •Ваш документ RAG — извлечение политик и руководств — это другая работа
- •Инструменты наблюдаемости — спаны, задержка и метрики токенов по-прежнему принадлежат LangSmith/Langfuse и др.
Decision GraphRAG находится поверх всех них и захватывает артефакт, который ни один из них не хранил: структурированное решение, доступное с сохранением его обоснования.
Часто задаваемые вопросы
Что такое GraphRAG для AI-решений?
GraphRAG (графоусиленный поиск с дополнением генерации) извлекает контекст, проходя по графу знаний, а не просто ранжируя текстовые фрагменты по векторному сходству. Для решений ИИ граф является нормативным графом аргументов — решения, аргументы "за" и "против", которые их поддерживали или опровергали, приведенные доказательства и упомянутые прецеденты, соединенные типизированными ребрами (поддерживает, противоречит, опровергает). Извлечение начинается с векторного поиска для нахождения релевантных решений, затем расширяется вдоль этих ребер, чтобы вернуть полный, ограниченный пакет решений, а не разрозненные фрагменты.
В чем отличие решения GraphRAG от векторного RAG по логам?
Вектор RAG встраивает фрагменты текста (журналы, стенограммы, документы) и возвращает k наиболее похожих фрагментов. Эти фрагменты разрозненные — извлеченный фрагмент может цитировать вывод решения, но упустить контраргумент, который почти его опроверг, человека, который одобрил исключение, или прецедент, на который оно опиралось. Decision GraphRAG извлекает решение как структурированную единицу с сохранением его логики, потому что отношения хранятся в виде первоклассных типизированных рёбер, а не остаются неявными в прозе.
Что такое пакет решений?
Пакет решений — это ограниченный вывод графического извлечения решений: автономное, структурированное представление одного решения, содержащее предложение, дерево аргументов "за" и "против", доказательства и их происхождение, оцененные политики, людей, которые его одобрили, запечатанный результат и любые упомянутые прецеденты. Это то, что агент (или аудитор) извлекает вместо кучи строк журнала. AIAgentree собирает Пакеты решений из сохраненного следа решений.
Почему граф решений является хорошей основой для GraphRAG, когда универсальные корпоративные графы не подходят?
Универсальные корпоративные графы знаний трудно обходить: они огромны, их связи имеют низкий сигнал (например, 'связано_с' не передает никакого обоснования), нет естественной корневой ноды, а расширение не имеет очевидной точки остановки. Граф решений избегает всех четырех проблем: каждое решение является естественным корнем, связи являются нормативными и высокосигнальными (поддерживает/противоречит/опровергает несет фактическое обоснование), а подграф одного решения мал и естественно ограничен. Граф уже кодирует 'что имело значение', поэтому извлечение знает, что включать.
Это заменяет мою векторную базу данных или стек RAG?
Нет. Векторный поиск является компонентом графа решений GraphRAG, а не конкурентом ему — эмбеддинги находят правильные точки входа, затем графовая структура извлекает полный контекст. AIAgentree находится на уровне принятия решений поверх ваших операционных систем и существующего RAG для документов. Он захватывает и извлекает тот артефакт, который эти системы исторически не хранили: само структурированное решение.
Что отправляется?
Все, описанное в этом посте, уже запущено и работает: нормативная модель данных о решениях, гибридный поиск прецедентов (пятиступенчатый процесс: векторный поиск → структурированные фильтры → расширение контекста графа → ранжирование с учетом результатов → упаковка), цитирование прецедентов (ссылка на прошлое решение как на аргумент первого класса), сборка пакетов решений, доступ к извлечению для агентов через MCP и A2A, автоматическая обратная связь по результатам (вебхук + опрос данных), оценка качества результатов, которая повышает ранжирование прецедентов, отслеживание эффективности аргументов (какие аргументы привели к хорошим результатам) и автоматически предлагаемые прецеденты на печати. Полный «институциональный мемориальный маховик» запущен и работает в замкнутом цикле.
Как агенты получают решения во время вывода?
Через Протокол Контекста Модели (MCP) и делегирование агенту-агенту (A2A). AIAgentree предоставляет инструменты, такие как search_precedents и get_packet через сервер MCP, так что агент может запрашивать соответствующие предыдущие решения и получать Пакеты Решений в процессе рассуждения. В делегировании A2A Пакет Решений является самодостаточной нагрузкой, передаваемой между агентами, так что получающий агент наследует полный контекст решения без доступа к базе данных отправителя.
Связанные темы
Связанные статьи
Решения ИИ требуют подтверждений: почему отслеживание решений является недостающим слоем в управлении ИИ
Каждая финансовая транзакция получает квитанцию. Каждый юридический контракт получает подпись. Но решения ИИ, которые влияют на миллионы людей? Невидимы. Отслеживание решений изменяет это, фиксируя ПРИЧИНУ каждого решения ИИ.
Статья 6 Закона ЕС о ИИ: Что означает классификация высокого риска для ваших ИИ-агентов
Статья 6 Закона ЕС о ИИ определяет, является ли ваша ИИ-система "высокого риска" — и запускает обязательные требования к аудиторским следам. Если ваши агенты принимают решения о кредитах, трудоустройстве, образовании или здравоохранении, вам необходимо понять классификацию в Приложении III до декабря 2027 года.
Что такое синтез исследований в области ИИ?
Где принятие решений на основе графов встречается с исследованием: объединение результатов нескольких моделей в одну структурированную, атрибутированную синтезу.
Команда AIAgentree
Инфраструктура решений
Команда AIAgentree создает инфраструктуру для отслеживания и выборки решений для AI-агентов. Наша миссия — сделать рассуждения AI видимыми, подлежащими аудиту, доступными для выборки и подлежащими улучшению.
Дайте вашим агентам память, которую стоит извлекать.
Записывайте решения как граф, а не как лог — и извлекайте их как ограниченные пакеты решений. Доступен бесплатный уровень, кредитная карта не требуется.
Начать бесплатно