තීරණ ප්රතිෂ්ඨාපනය කුමක්ද?
තීරණ ප්රතිෂ්ඨාපනය යනු AI ඒජන්ට් එක පෙර වැනි තත්ත්වයන් විමසා බැලීමේ ක්රමය වේ — සහ එය හැර යන්නේ තර්කය, නිදර්ශනයක් නොවේ. එය GraphRAG තීරණ වේ: නියමිත තර්ක ග්රාෆය මත ප්රතිෂ්ඨාපනය, තීරණ එහි තර්ක, සාක්ෂි සහ පූර්ව නිදසුන් සමඟ සම්බන්ධ වේ. ලොග් රේඛාවල පිරිවැටුමක් ඇති වෙනු වටින්, ඔබට බන්ධන සහ සෘජු තීරණ ලැබේ, එහි තර්කය සම්පූර්ණ වේ.
තීරණ ප්රතිෂ්ඨාපනය = පෙර තීරණ සම්පූර්ණ ඒකක වශයෙන්, පාඨ අංශ වශයෙන් නොවේ. උපරිම තීරණ ග්රාෆය මත ඒජන්ට්වරු පෙර තීරණ ප්රතිෂ්ඨාපනය කරන්නේ බන්ධන සහ සෘජු තීරණ පෙට්ටි වශයෙන්, විසන්ධ ලොග් කැබලි වශයෙන් නොවේ. ප්රතිෂ්ඨාපනය හයිබ්රිඩ් වේ — වෙක්ටර් සොයා ගැනීම ප්රස්න තීරණ සොයා ගනී, ග්රාෆ ව්යාප්තිය සම්පූර්ණ ප්රේක්ෂක ලබා ගනී — සහ ප්රතිඵලය තීරණ පෙට්ටියක් වේ. එය ලොග් මත වෙක්ටර්-පමණක් RAG ට වඩා හොඳ බව හේතුව මනව දැනුවත් වන්න.
තීරණ ප්රත්යාවර්තනය vs. vector RAG over logs
ඒජන්ට් සඳහා මතක දැන්වීමේ ප්රමාණිත ක්රමය vector RAG වේ: සියල්ල ඇතුළත් කරන්න, හොඳින් ගැලපෙන කැබලි පසුපස ලබා ගන්න, සහ ඒවා ප්රවර්ධන පටියට ඇතුළත් කරන්න. ලිපි සඳහා මෙය සාර්ථක වේ. තීරණ සඳහා මෙය ව්යුහාත්මකව අසාර්ථක වේ, එයට හේතුව තීරණයක් පේරලියක් නොවේ — එය සම්බන්ධතාවයන්ගේ සුළු වැලයකි: ප්රස්තාවනාව, එය සඳහා සහ එරෙහිව දක්වන ලද තර්ක, ඒ ඒ තර්ක සඳහා යොදා ගන්නා ලද සාක්ෂි, යම් ව්යතිරේකයක් අනුමත කළ අය, සහ එය අනුගමනය කළ පෙර සිද්ධිය.
එය පැති ගැස්වා සහ ඇතුළත් කර, ප්රත්යාවර්තනය තුඩු දීම සමග සම්බන්ධතා විනාශ වූ කැබලි ආපසු ලබා දේ — ප්රතිවාදය නොමැති නිගමනය, හේතුව නොමැති අනුමැතිය, පූර්වගාමීත්වය සඳහා නියම පූර්වගාමීත්වය නොමැති සඳහනක්. පුහුණුකරුවන් මෙය "කැබලි සූප්" ලෙස හඳුන්වති. තීරණ ප්රත්යාවර්තනය මෙය වළක්වන්නේ තීරණය සංරචිත ඒකකයක් ලෙස ප්රත්යාවර්තනය කිරීම මගින්, එයට හේතුව සම්බන්ධතා ප්රමුඛ සීමාවන් ලෙස ගබඩා කර ඇති බැවිනි.
ග්රාෆය: නියමානුකූල සීමා, වර්ණනාත්මක නොවේ
සාමාන්ය දැනුම ග්රාෆ වල වර්ණනාත්මක සීමා ගබඩා කරයි — "දක්වන්න" , "සම්බන්ධිත" — මේ දෙක සම්බන්ධ වේ යැයි කියන නමුත් එය කුමක් සඳහා වැදගත් වුණා ද යන්න නොකියයි. තීරණ ග්රාෆයක් නියමානුකූල සීමා ගබඩා කරයි: සහය, විරෝධය, ප්රතික්ෂේප, අර්ථකථන. සීමා වර්ගය ඇති හේතුව නිසා, ග්රාෆය දැන් ම තීරණයක තුල බර දරන දෙය සටහන් කර ඇත.
එය තවද ග්රාෆ GraphRAG උපරිම සබ්ස්ට්රේට් වන හේතුව ද වේ. සාමාන්ය ග්රාෆ අතිශය විශාල වන අතර, ඒවායේ සීමා අඩු සංකේත සහිත වේ, ස්වභාවික මූල නොමැත, සහ ගමන සඳහා නිරවද්ය නැවැත්වීමේ ලක්ෂ්යයක් නොමැත. තීරණ ග්රාෆයක් විපරීත ගුණ සතු වේ: ප්රති තීරණය ස්වභාවික මූලයක් වේ, සීමා දරන යථාර්ථ හේතු, සහ තීරණයක උප ග්රාෆය කුඩා සහ ස්වභාවිකව බන්ධන වේ — එහි තර්ක සහ සාක්ෂි දක්වා ව්යාප්ත කර, පසුව නවත්වන්න.
හයිබ්රිඩ් වෙක්ටර්-ප්ලස්-ග්රාෆ ප්රත්යාවර්තනය ක්රමය
වෙක්ටර් සහ ග්රාෆ මෙහි ප්රතිවාදී නොවේ — තීරණ ප්රත්යාවර්තනය වෙක්ටර් මගින් පිවිසුම් ලබා ගැනීම සහ ග්රාෆ ආකෘතිය මගින් සම්පූර්ණ ප්රේක්ෂණය ලබා ගැනීම සඳහා භාවිතා වේ. පුහුණු පද්ධතිය එකක්: (1) තීරණ සහ තර්ක ඇතුළත් කිරීම් මත වෙක්ටර් සොයා ගැනීම මගින් පෙර තීරණ කිහිපයක් ලබා ගනී; (2) වර්ගීකරණ, ඒකක වර්ගය, සහ පූර්වගාමීත්ව පරිපක්වතා මත සංරචිත ප්රේදක මගින් තහවුරු කරන ලද තීරණ ලබා ගැනීම සඳහා අධ්යයන ප්රේදක තීරණ මගින් අධ්යයනය කරනු ලැබේ; (3) ග්රාෆ ප්රසාරණ මගින් ප්රති තීරණ මගින් තර්ක සහ සාක්ෂි ඇද ගෙන එයි; (4) ප්රතිඵල-බර ශ්රේණිගත කිරීම මගින් පූර්වගාමී තීරණ මත යැයි පෙනෙන ඒවා මත ප්රතිඵල හොඳ ලෙස ප්රකට වූ ඒවා උඩට නංවයි; (5) ප්රතිඵල බවට තීරණ පෙට්ටි බවට ප්රතිරූපණය කරයි.
ගැඹුර, නෝඩ් ගණන, සහ කාලය මත සීමා ප්රසාරණය පලා යාම වළක්වයි. ප්රතිඵලය කඩදාසි බිත්තරයක් නොවේ — එය සම්පූර්ණ, සාපේක්ෂ තීරණ කුඩා කැණ්ඩමකි.
ඒජන්ට් සඳහා ප්රත්යාවර්තනය: MCP සහ A2A
මතක ඒජන්ට් තර්ක කරන අතර එය ළඟා කර ගත හැකි නම් පමණක් ඵලදායී වේ. තීරණ ප්රත්යාවර්තනය ඒජන්ට් සඳහා දෙකෙලින් නිකුත් කරයි. මොඩල් ප්රේක්ෂණ ප්රොටෝකෝලය (MCP) මත, මෙවලම් යැයි සැලකෙන search_precedents සහ get_packet ඒජන්ට් හට සංබන්ධිත පෙර තීරණ සඳහා විමසා බලා තීරණ පෙට්ටි ලබා ගැනීමට ඉඩ සලසයි — සහ ලිඛිත මාර්ගය ද MCP මත ක්රියාත්මක වේ: ඒජන්ට් හට සටහනක් තබා ගැනීමට, තම තර්ක රෙගිස්ටර් කිරීමට, තීරණය මුද්රණය කර ගැනීමට, සහ ප්රතිඵලය වන තීරණ පෙට්ටිය ලබා ගැනීමට ඉඩ ඇත — කිසිදු SDK නොමැතිව, අවසානය සිට අවසානය දක්වා. ඒජන්ට්-ටු-ඒජන්ට් (A2A) බලපෑම මගින්, තීරණ පෙට්ටිය ඒජන්ට් අතර යැවෙන පොලියට් වේ — ලබන ඒජන්ට් තීරණයේ සම්පූර්ණ ස්වයං අඩංගු ප්රේක්ෂණය ලබා ගනී, එහි දත්ත සංචායට ප්රවේශයක් නොමැතිව. පෙට්ටිය ආරහන ලෙස නිර්මාණය කර ඇත, එය විශ්වාස සීමාව තුල පාසා දීම සුරක්ෂිත බව තහවුරු කරයි.
AI Agentree තීරණ ප්රතිෂ්ඨාපනය ලබා දේ
AI Agentree තීරණ නියමිත ග්රාෆයක් ලෙස ගබඩා කරයි සහ බන්ධන පෙට්ටි වලට ප්රතිෂ්ඨාපනය කරයි. ප්රතිෂ්ඨාපන උපරිම ප්රවාහනය නිකුත් කර ඇති සහ භාවිතයේ පවතී:
සංකලන පෙර නිදසුන් සොයා යැයීම
පහ-පියවර පටිපාටියක් — අනුක්රම සොයා යැයීම, ව්යුහගත පෙරදැකීම්, ග්රාෆ්-සංදර්භ පුළුල්වීම, ප්රතිඵල-බර ශ්රේණිගත කිරීම, පැකේජිං — පෙර තීරණ එහි හේතු දැක්වීම් සමඟ ලබා ගනී, චන්ක සුප් ලෙස නොව.
තීරණ පැකට්
ලබා ගැනීම තීරණයක බඳුන් වූ, ස්ව-අන්තර්ගත වාර්තාවක් ලබා දෙයි — උපකල්පනය, ප්රෝ/කොන් තර්ක, සාක්ෂි, ප්රතිපත්ති, අනුමැති, ප්රතිඵල, සහ උපන්යාසිත පෙර නිදසුන්.
පෙර නිදසුන් උපන්යාසය
ලබා ගන්නා ලද පෙර නිදසුනක් නව තීරණයක පළමු-පන්තිය තර්කයක් ලෙස උපන්යාස කළ හැක, තාක්ෂණ ප්රස්තුත ප්රතිමල් නොකර සමතුල්ය ජනනය වේ.
ඒජන්ට්-ආදර්ශ ප්රවේශය (MCP + A2A)
ඒජන්ට් තීරණ මාෂල් සාදන මෙවලම් මගින් තීරණ පිළිබඳ වාර්තා තබයි — පූර්ණ නිර්මාණය, මුද්රණය, සහ පැකට් ලබා ගැනීමේ ජීවන චක්රය සමඟ — සහ තීරණ පැකට් ඒජන්ට්-ඒජන්ට් බලපත්ර ලෙස ගමන් කරයි.
මෙයින් ප්රතිෂ්ඨාපනය වන උපරිම ග්රාෆය බලන්න තීරණ අනුගමනය, හෝ ගැඹුරු තාක්ෂණික ප්රස්තාරණය GraphRAG AI තීරණ සඳහා.
නිතර අසන ප්රශ්න
තීරණ ප්රත්යාවර්තනය යනු කුමක්ද?
තීරණ ප්රත්යාවර්තනය යනු සම්පූර්ණ, ව්යුහගත ඒකක ලෙස පැරණි AI තීරණ ප්රත්යාවර්තනය කර ගැනීමයි, විසංගත පාඨ අංශ ලෙස නොවේ. එය GraphRAG එක් ආකාරයකි: උපකරණය යනු නියමිත වාද ග්රාෆයකි, එය සම්බන්ධ තීරණ සමඟ ඒ තීරණය සඳහා භාවිතා කරන ලද වාද, සාක්ෂි සහ පූර්ව නිදසුන් සම්බන්ධ කරයි, සහ ප්රතිඵලය වන්නේ බන්ධන තීරණ පෙට්ටියකි - තර්කය, උපුටන්ස පමණක් නොවේ.
තීරණ ප්රත්යාවර්තනය වෙක්ටර් RAG වලින් වෙනස් කෙසේද?
වෙක්ටර් RAG පාඨ තුළ ඇතුළත් කර ඉහළ සම්බන්ධ අංශ ප්රතිඵල කරයි - තීරණයේ නිගමනය උපුටා ගත හැකි විසංගත අංශ, නමුත් එය ප්රතිවාදය, අනුමැතිකරු සහ එය යැපී ඇති පූර්ව නිදසුන මිස නොදෙයි. තීරණ ප්රත්යාවර්තනය තීරණය එහි තර්කය සම්පූර්ණ වශයෙන් සමඟ ප්රතිඵල කරයි, සම්බන්ධතා ප්රස්තාර තුළ අපේක්ෂාකාරී ලෙස නොමැති ප්රථම-ශ්රේණි වර්ගීකරණ හෝඩ්ජ ලෙස සංරක්ෂණය කර ඇති නිසා.
GraphRAG යනු කුමක්?
GraphRAG (graph-enhanced retrieval-augmented generation) යනු පාඨ අංශ වල සමානත්වය අනුව පමණක් නොව දැනුම ග්රාෆයක් පාර ගමන් කර මඟින් ප්රසංග ලබා ගැනීමයි. තීරණ සඳහා යොදන ලද ග්රාෆය යනු නියමිත වාද ග්රාෆයකි, සහ ප්රත්යාවර්තනය සංකලනය වූ ඒවා වෙති: වෙක්ටර් සොයා ගැනීම සංබන්ධ තීරණ සොයා ගනී, ඉන්පසු ග්රාෆ ව්යාප්තිය සම්පූර්ණ, බන්ධන ප්රසංග ලබා ගනී.
තීරණ පෙට්ටිය යනු කුමක්?
තීරණ පෙට්ටිය යනු තීරණ ප්රත්යාවර්තනයේ බන්ධන ප්රතිඵලය වන එක් තීරණයක ස්ව-අඩංගු වාර්තාව වන අතර, එය ප්රස්තාවනාව, ප්රති/වාද තර්ක ගස, සාක්ෂි සහ එහි උපත, මුල්ය ප්රතිපාදන, අනුමැති, මුද්රණ ප්රතිඵල, සහ යොමු කරන ලද ඕනෑම පූර්ව නිදසුන් අඩංගු වේ. එය ඒජන්ට් හෝ සමාලෝචක ලොග් පංක්ති වෙනුවට ලබා ගන්නා දෙය වෙයි.
තීරණ පෙට්ටිය චේන්-ඔෆ්-තෝට් අවුට්පුට් ගබඩා කිරීමට වඩා හොඳද?
ඔවුන් වෙනස් ගැටලු විසඳයි - පෙටටිය වඩා හොඳ වාර්තා තබා ගැනීම වෙයි, හොඳ තර්කය නොවේ. ගබඩා කරන ලද චේන්-ඔෆ්-තෝට් පාඨ වේ: එය විමසීම යනු නැවත පාඨ සමඟ ඕනෑම සීඝ්ර භාෂා ආකෘතිය සමඟ නැවත විශ්ලේෂණය කිරීම වේ, එය එකතු කිරීම සඳහා ප්රතිඵල ක්ෂේත්රයක් නොමැත, සහ සංස්කරණය කළ හැකි පාඨ බ්ලොකය විශ්වාස කළ හැකි යැපීමේ ලක්ෂ්යයක් ප්රදානය නොකරයි. තීරණ පෙට්ටිය එක වරක් තර්කය ව්යුහගත කරයි: ප්රති/වාද තර්ක නිශ්චිත ග්රාෆ විමසීම් බවට පත් වේ, තීරණ ගබඩා කරන ලද ප්රතිඵල සමඟ සම්බන්ධ වේ, ප්රත්යාවර්තනය ප්රතිඵල-සම වේ, පූර්ව නිදසුන් නව තීරණ සඳහා උපදෙස් දෙන තර්ක නොඩ් බවට පත් වේ, සහ හෑෂ්-ග්රාෆය, මුද්රණ, සම්මත වාර්තාව සාක්ෂි ලෙස ක්රියා කරයි - ඒජන්ට්-ටු-ඒජන්ට් බලපෑම හරහා ඇතුළු.
තීරණ ප්රත්යාවර්තනය මගේ වෙක්ටර් දත්ත සංචාය හෝ ලේඛ රැග් ප්රතිස්ථාපනය කරයිද?
නැත. වෙක්ටර් සොයා ගැනීම ප්රත්යාවර්තන පටිපාටියේ මුල් පියවර වන අතර, ලේඛ රැග් වෙනම රැකියාවකි. තීරණ ප්රත්යාවර්තනය ඔබේ පවතින ස්ථරය මත ඉඳි කරයි සහ ඒ පද්ධති ගබඩා නොකළ එකම කලාපය ගබඩා කරයි: ව්යුහගත තීරණය පෙට්ටිය සමඟ ප්රත්යාවර්තනය කර ගන්න.
AI Agentree තීරණ ප්රත්යාවර්තනය කෙසේ ක්රියාත්මක කරයි?
පූර්ව නිදසුන් සොයා ගැනීමේ පටිපාටිය (වෙක්ටර් සොයා ගැනීම, ව්යුහගත පෙර සීමා, ග්රාෆ-සංදර්භ ව්යාප්තිය, ප්රතිඵල-සම ශ්රේණිගත කිරීම, පෙට්ටි බැඳීම), තීරණ පෙට්ටි ස්ථාපනය, පූර්ව නිදසුන් යොමු කිරීම, සහ ඒජන්ට් සඳහා MCP සහ A2A හරහා ප්රත්යාවර්තනය නිකුත් කිරීම.
Related AI governance topics
AI Governance
The umbrella discipline: how organizations keep AI agents accountable, observable, and compliant — start here.
AI Observability
Seeing what your AI systems do in production — metrics, traces, and logs.
LLM Observability
Monitoring prompts, tokens, latency, and quality of large language model calls.
AI Traceability
Reconstructing the full lineage of an AI output — inputs, steps, and decisions.
LLM Traceability
End-to-end traces of multi-step LLM and prompt chains.
AI Agent Observability
Observability for autonomous, multi-step agents — tool calls, plans, and decisions.
Agentic AI Governance
Governing autonomous agents: policy, oversight, and accountable autonomy.
AI Audit Trail
Append-only, tamper-evident records of what an AI system decided and why.
AI Agent Monitoring
Real-time monitoring of agent behavior, drift, and decision quality.
Explainable AI (XAI)
Making AI decisions understandable to the people accountable for them.
AI TRiSM
Gartner's framework for AI trust, risk, and security management.
Decision Tracing
Capturing the structured reasoning behind every AI decision — AI Agentree's category.
AI Precedent Systems
Letting agents learn from past decisions as searchable precedent.
ඔබේ ඒජන්ට් වලට ප්රතිෂ්ඨාපනය කර ගන්න යෝග්ය මතකයක් ලබා දෙන්න
තීරණ ගබඩා කරන්න ග්රාෆයක් ලෙස, ලොග් ලෙස නොවේ — සහ ඒවා බන්ධන තීරණ පෙට්ටි වලට ප්රතිෂ්ඨාපනය කරන්න.
නොමිලේ ආරම්භ කරන්න