Decision Retrieval Là Gì?
Decision retrieval là cách một đại lý AI tìm kiếm cách xử lý các tình huống tương tự trước đây — và nhận lại được lý do, không chỉ là một đoạn văn bản. Đây là GraphRAG cho quyết định: thu thập trên một đồ thị lập luận chuẩn trong đó mỗi quyết định được kết nối với các lập luận, bằng chứng và các tiền lệ đã định hình nó. Thay vì một chồng các dòng log khớp, bạn nhận được một quyết định có giới hạn, có thể kiểm toán được với lý do còn nguyên vẹn.
Decision retrieval = thu thập lại các quyết định trong quá khứ dưới dạng các đơn vị hoàn chỉnh, không phải các mảnh văn bản. Nền tảng là một đồ thị: các quyết định được kết nối với các lập luận ủng hộ và phản đối, bằng chứng và các tiền lệ bằng các cạnh được gán nhãn. Việc thu thập là kết hợp — tìm kiếm vector tìm thấy các quyết định liên quan, mở rộng đồ thị để thu thập toàn bộ ngữ cảnh — và đầu ra là một Gói Quyết định. Nó tốt hơn vector RAG trên các log, vì nó trả về các mảnh không liên kết mà bỏ qua lập luận phản đối và tiền lệ.
Truy xuất quyết định so với vector RAG trên nhật ký
Cách mặc định để cung cấp bộ nhớ cho một tác nhân là vector RAG: nhúng mọi thứ, truy xuất các phần tử phù hợp hàng đầu và dán chúng vào lời nhắc. Đối với tài liệu, điều này hoạt động. Đối với quyết định, nó thất bại về mặt cấu trúc, vì một quyết định không phải là một đoạn văn - nó là một mạng lưới nhỏ các mối quan hệ: một đề xuất, các lập luận cho và chống lại nó, bằng chứng mà mỗi lập luận dựa vào, ai đã phê duyệt bất kỳ ngoại lệ nào và trường hợp nào trong quá khứ mà nó đã theo đuổi.
Phẳng hóa điều đó thành văn bản và nhúng nó, và việc truy xuất sẽ trả về các mảnh với các mối quan hệ bị cắt đứt - kết luận mà không có lập luận phản đối, sự phê duyệt mà không có lý do, một đề cập đến một tiền lệ mà không có tiền lệ thực sự. Những người hành nghề gọi đây là "súp mảnh". Truy xuất quyết định tránh điều này bằng cách truy xuất quyết định như một đơn vị cấu trúc, vì các mối quan hệ được lưu trữ dưới dạng các cạnh hạng nhất thay vì ngụ ý trong văn bản.
Đồ thị: các cạnh quy phạm, không phải mô tả
Đồ thị tri thức chung lưu trữ mô tả các cạnh - "đề cập", "liên quan" - những điều này cho biết hai thứ được kết nối nhưng không nói rõ tại sao nó quan trọng. Một đồ thị quyết định lưu trữ quy phạm các cạnh: hỗ trợ, phản đối, bác bỏ, chất lượng. Vì loại cạnh là lý do, đồ thị đã mã hóa những gì quan trọng trong một quyết định.
Đó cũng là lý do tại sao một đồ thị quyết định là một chất nền GraphRAG không thường xuyên tốt nơi các đồ thị doanh nghiệp chung gặp khó khăn. Các đồ thị chung là khổng lồ, các cạnh của chúng có tín hiệu thấp, không có nút gốc tự nhiên và việc đi lại không có điểm dừng rõ ràng. Một đồ thị quyết định có các thuộc tính ngược lại: mỗi quyết định là một nút gốc tự nhiên, các cạnh mang lý do thực sự và một subgraph của một quyết định duy nhất là nhỏ và tự nhiên bị giới hạn - mở rộng đến các lập luận, bằng chứng và tiền lệ được trích dẫn, sau đó dừng lại.
Làm thế nào để truy xuất vector và đồ thị kết hợp hoạt động
Vector và đồ thị không phải là đối thủ ở đây - truy xuất quyết định sử dụng vector để tìm các điểm vào và cấu trúc đồ thị để lấy bối cảnh hoàn chỉnh. Trong thực tế, nó là một đường ống: (1) tìm kiếm vector trên các bản nhúng quyết định và lập luận tìm thấy một số quyết định trong quá khứ có liên quan; (2) các bộ lọc cấu trúc thu hẹp theo danh mục, loại thực thể và độ chín muồi của tiền lệ để bạn truy xuất các trường hợp đã được xác thực, không phải bản thảo; (3) mở rộng đồ thị đi theo các cạnh quy phạm để kéo các lập luận và bằng chứng của mỗi quyết định; (4) xếp hạng có trọng số kết quả cho các tiền lệ mà kết quả đã được chứng minh là tốt hơn những tiền lệ tương tự về mặt bề ngoài nhưng không thành công; (5) kết quả được đóng gói vào các Gói quyết định có giới hạn.
Giới hạn cứng về độ sâu, số nút và thời gian giữ cho việc mở rộng không chạy đi mất kiểm soát. Đầu ra không bao giờ là một bức tường mã token - nó là một tập hợp nhỏ các quyết định hoàn chỉnh, có thể so sánh được.
Truy xuất cho các tác nhân: MCP và A2A
Bộ nhớ chỉ hữu ích nếu một tác nhân có thể truy cập nó trong khi lý luận. Truy xuất quyết định được hiển thị cho các tác nhân theo hai cách. Thông qua Giao thức ngữ cảnh mô hình (MCP), các công cụ như search_precedents và get_packet cho phép một tác nhân truy vấn các quyết định trước đó có liên quan và nhận các Gói quyết định trực tuyến, giữa các quá trình lý luận - và đường viết cũng hoạt động trên MCP: một tác nhân có thể tạo một dấu vết, ghi lại lý do của nó, niêm phong quyết định và ngay lập tức truy xuất Gói quyết định kết quả, từ đầu đến cuối, mà không cần SDK. Trong đại lý cho đại lý (A2A) ủy quyền, Gói quyết định là payload được truyền giữa các tác nhân - một tác nhân nhận sẽ kế thừa toàn bộ bối cảnh tự chứa của một quyết định mà không cần truy cập vào cơ sở dữ liệu của người gửi. Gói này được thiết kế di động, điều này làm cho nó an toàn khi truyền qua ranh giới tin cậy.
Cách AI Agentree cung cấp decision retrieval
AI Agentree lưu trữ các quyết định dưới dạng một đồ thị chuẩn và thu thập chúng dưới dạng các gói có giới hạn. Nền tảng thu thập được vận chuyển và sử dụng:
Tìm kiếm tiền lệ lai
Một đường ống năm bước — tìm kiếm vector, bộ lọc cấu trúc, mở rộng ngữ cảnh đồ thị, xếp hạng có trọng số kết quả, đóng gói — lấy lại các quyết định trong quá khứ với lý do đính kèm, không phải như súp chunk.
Gói quyết định
Truy xuất trả về một bản ghi tự chứa, có giới hạn của một quyết định — đề xuất, lập luận pro/con, bằng chứng, chính sách, phê duyệt, kết quả và tiền lệ được trích dẫn.
Trích dẫn tiền lệ
Một tiền lệ được truy xuất có thể được trích dẫn như một lập luận hạng nhất trong một quyết định mới, vì vậy sự nhất quán được tích lũy thay vì dựa vào bộ nhớ.
Truy cập bản địa của tác nhân (MCP + A2A)
Các tác nhân ghi lại và truy xuất quyết định qua các công cụ MCP — toàn bộ chu kỳ tạo, niêm phong và lấy gói với không có SDK — và Gói quyết định di chuyển như payload trong việc ủy quyền tác nhân-tác nhân.
Xem nền tảng này thu thập từ decision tracing, hoặc xử lý kỹ thuật sâu hơn trong GraphRAG cho quyết định AI.
Câu Hỏi Thường Gặp
Decision retrieval là gì?
Decision retrieval là việc lấy lại các quyết định AI trong quá khứ dưới dạng đơn vị hoàn chỉnh, có cấu trúc chứ không phải là các mảnh văn bản rời rạc. Đây là một dạng GraphRAG: chất nền là một đồ thị lập luận chuẩn mực kết nối mỗi quyết định với các lập luận, bằng chứng và tiền lệ đã định hình nó, và đầu ra là một Gói Quyết định có giới hạn — lý do, không chỉ là một đoạn văn.
Decision retrieval khác với vector RAG như thế nào?
Vector RAG nhúng văn bản và trả về các đoạn văn phù hợp hàng đầu — các mảnh văn bản rời rạc có thể trích dẫn kết luận của một quyết định nhưng bỏ qua lập luận phản đối, người phê duyệt và tiền lệ mà nó dựa vào. Decision retrieval trả về quyết định với lý do còn nguyên vẹn, vì các mối quan hệ được lưu trữ dưới dạng cạnh có kiểu đầu tiên chứ không phải ngụ ý trong văn bản. Tìm kiếm vector là một thành phần của decision retrieval, không phải là đối thủ cạnh tranh với nó.
GraphRAG là gì?
GraphRAG (tìm kiếm tăng cường bằng đồ thị) lấy lại ngữ cảnh bằng cách遍历 một đồ thị tri thức thay vì chỉ xếp hạng các đoạn văn bản theo độ tương tự. Khi áp dụng cho các quyết định, đồ thị là một đồ thị lập luận chuẩn mực, và việc tìm kiếm là hỗn hợp: tìm kiếm vector tìm thấy các quyết định liên quan, sau đó mở rộng đồ thị lấy lại ngữ cảnh hoàn chỉnh, có giới hạn.
Gói Quyết định là gì?
Gói Quyết định là đầu ra có giới hạn của decision retrieval: một bản ghi tự chứa của một quyết định chứa đề xuất, cây lập luận pro/con, bằng chứng và nguồn gốc của nó, các chính sách được đánh giá, phê duyệt, kết quả đã niêm phong và bất kỳ tiền lệ nào được trích dẫn. Đây là thứ mà một tác nhân hoặc kiểm toán viên lấy lại thay vì một chồng dòng nhật ký.
Gói Quyết định có tốt hơn việc lưu trữ đầu ra chuỗi suy nghĩ không?
Họ giải quyết các vấn đề khác nhau — gói quyết định là việc ghi chép tốt hơn, không phải là lý do tốt hơn. Đầu ra chuỗi suy nghĩ được lưu trữ là văn bản: việc truy vấn nó có nghĩa là phân tích lại mọi dấu vết với một mô hình ngôn ngữ lớn tại thời điểm đọc, nó không có trường kết quả để kết nối và một khối văn bản có thể chỉnh sửa không cung cấp điểm cam kết mà người xem xét có thể tin cậy. Gói Quyết định cấu trúc lại lý do một lần, tại thời điểm niêm phong: các lập luận pro/con có kiểu lập trường trở thành các truy vấn đồ thị xác định, các quyết định liên kết đến kết quả đã ghi lại để việc tìm kiếm được tính theo trọng số kết quả, các tiền lệ trở thành các nút lập luận có thể trích dẫn trong các quyết định mới và bản ghi được niêm phong, có thể ký và sử dụng làm bằng chứng — bao gồm cả việc vượt qua các ranh giới tin cậy trong việc ủy quyền của tác nhân cho tác nhân. Không có định dạng nào làm cho lý do của mô hình trở nên trung thực hơn; gói quyết định làm cho lý do được nêu ra trở nên bền vững, có thể so sánh và bảo vệ được. Nếu bạn chỉ cần gỡ lỗi một tác nhân sau này, việc lưu trữ chuỗi suy nghĩ là đủ — các gói quyết định kiếm được cấu trúc của chúng khi các quyết định phải được so sánh, tái sử dụng hoặc bảo vệ.
Decision retrieval có thay thế cơ sở dữ liệu vector hoặc tài liệu RAG của tôi không?
Không. Tìm kiếm vector là bước đầu tiên của đường ống tìm kiếm, và tài liệu RAG là một công việc riêng biệt. Decision retrieval nằm trên đỉnh của ngăn xếp hiện có và捕获 một artifact mà các hệ thống đó không lưu trữ: chính quyết định có cấu trúc, có thể tìm kiếm với lý do còn nguyên vẹn.
AI Agentree thực hiện decision retrieval như thế nào?
Thông qua một đường ống tìm kiếm tiền lệ năm bước được vận chuyển (tìm kiếm vector, bộ lọc có cấu trúc, mở rộng ngữ cảnh đồ thị, xếp hạng có trọng số kết quả, đóng gói), lắp ráp Gói Quyết định, trích dẫn tiền lệ và tìm kiếm được hiển thị cho các tác nhân qua MCP và A2A. Phản hồi kết quả tự động và tổng hợp mẫu quyết định chéo — lớp tự cải thiện hoàn toàn trên đỉnh của việc tìm kiếm — đang được lên kế hoạch.
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.
Cung Cấp Cho Các Đại Lý Của Bạn Một Bộ Nhớ Xứng Đáng
Lưu trữ các quyết định dưới dạng một đồ thị, không phải một log — và thu thập chúng dưới dạng các Gói Quyết định có giới hạn mà các đại lý của bạn có thể lập luận trên.
Bắt Đầu Miễn Phí