GraphRAG用于AI决策
GraphRAG（图形增强检索增强生成）通过遍历知识图而不是仅仅通过向量相似性对文本块进行排名来检索上下文。对于AI代理决策，图形是一个规范性论证图：与支持或反对它们的正反论点、引用的证据和参考的先例相连的决策，通过类型化边缘（支持、反对、驳斥）。决策检索是一个混合管道——向量搜索找到相关决策，然后图形扩展获取完整的、有界的上下文——其输出是一个决策包：一个包含命题、论证树、证据、政策、批准、结果和先例的自包含记录。这优于仅基于向量的RAG，它返回的是缺乏反对论点、批准和先例的断开片段。决策图是一个异常良好的GraphRAG基础，因为每个决策都是一个自然的根节点，边缘是高信号的（它们承载推理），每个决策的子图都是小而有界的。AIAgentree实现了完整的堆栈：决策追踪数据模型、混合先例搜索、先例引用、决策包组装、通过MCP和A2A的检索、自动结果反馈、结果质量评分提升先例排名、论证有效性跟踪，以及在密封时自动建议的先例——完整的机构记忆飞轮已发布并在线。
问题不是“我们应该存储AI决策吗？”——而是“我们应该存储在什么中？”将它们存储为文本，你会得到向量RAG的碎片化信息。将它们存储为规范性论证图，检索返回的是有界的、可审计的决策包。
- •基于日志的向量RAG返回的是断开的片段——它缺少反对论点、批准和先例
- •决策图GraphRAG以其推理完整的方式检索决策，通过类型化边缘
- •决策图是一个罕见的GraphRAG完美基础：自然根节点、高信号边缘、有界子图
- •已发布：混合先例搜索、决策包、MCP/A2A检索、结果反馈、结果加权排名、论证有效性、自动建议的先例——完整的飞轮
您的代理需要知道您上次是如何做出决定的。
您将其指向一个日志的向量存储。它返回六个片段。没有一个包含原因。
无人命名的检索问题
每个严肃的代理系统最终都需要记忆：查找类似情况如何处理并一致行动的能力。2026年的默认答案是向量RAG——嵌入所有内容，检索最相似的前k个块，将它们放入上下文窗口。
对于文档来说，这有效。对于决策来说，它悄然失败。而且失败是结构性的，而不是调优问题。
决策不是一个段落。它是一个小的关系网络：一个命题、支持和反对它的论点、每个论点所依赖的证据、谁批准了例外，以及它遵循的过去案例。将其压缩为文本块并嵌入，检索返回的片段关系被切断。您得到结论而没有反对论点。您得到批准而没有推理。您得到提到先例的句子而没有先例本身。
这就是从业者所称的“碎片化信息。”这就是为什么仅基于向量的决策日志检索感觉自信却又微妙地不可信。
碎片化信息与决策包
| 向量RAG返回 | 决策图GraphRAG返回 |
|---|---|
| …“退款已批准给优质客户”（0.83） …“自动批准的阈值为200美元”（0.79） …“将SEV-1事件升级到二级”（0.74） | 命题：批准退款#4521（240美元） 支持：优质客户，有效缺陷 反对：超过200美元的自动批准阈值 覆盖：由高级分析师批准（政策P-12） 先例：引用案例#1234（已批准，0次退款） 结果（6个月）：保留，无争议 |
| 三个合理的片段。它们之间没有链接。这个退款是否超过了阈值？谁覆盖了它？接下来发生了什么？这些片段无法说明。 | 一个有界的包。推理、例外、先例和结果——相互连接。 |
区别不在于嵌入模型或块大小。它在于基础。一个存储关于决策的文本；另一个将决策存储为结构。
为什么规范性边缘改变一切
通用知识图存储描述性边缘：“提到”、“相关于”、“拥有”。它们告诉您两个事物是相连的，但不告诉您为什么重要。
决策图存储规范性边缘——这些关系承载推理：
- •支持 / 反对——这个论点推动了决策朝向或远离结果
- •驳斥——这个证据直接反驳了该主张
- •限定 / 依赖于——这仅在某种条件下成立
因为边缘类型就是推理，图形已经知道什么是承重的。检索不必猜测十个提到的事实中哪个实际上推动了决策——支持边缘的高权重说明了这一点。描述性图形使搜索成为可能。规范性图形使判断成为可能。
为什么决策图是“GraphRAG完美”的
大多数尝试在通用企业图上使用GraphRAG的团队最终放弃。原因是一致的，而决策图避免了所有这些问题：
| 为什么通用GraphRAG会遇到困难 | 为什么决策图不会 |
|---|---|
| 图形庞大（数百万个节点） | 每个决策的子图小且自包含 |
| 边缘信号低（“相关于”） | 边缘是规范性的并承载推理 |
| 没有自然的根节点可以开始 | 决策就是根节点 |
| 遍历没有自然的停止点 | 决策的边界是内在的——扩展到其论点、证据和引用的先例，然后停止 |
图形的结构中内置了“重要的内容”。这是GraphRAG所需的属性，而它很少获得。
混合检索管道
向量和图形在这里不是对手。决策检索使用向量找到入口点和图形结构获取完整上下文。在AIAgentree中，这是一个五步管道（在先例搜索服务中发布）：
基于决策和论证嵌入的向量搜索——找到少数相关的过去决策
结构化过滤器——租户、类别、实体类型、先例成熟度（以便您检索经过验证的案例，而不是草稿）
图形上下文扩展——沿着规范性边缘行走，以提取每个决策的论点和证据
结果加权排名——结果良好的先例排名高于表面上相似但结果不佳的先例
打包——将结果组装成有界的决策包，准备交给代理或审阅者
硬限制（最大深度、最大节点、超时）防止扩展失控。输出从来不是一堆令牌——而是少量完整、可比较的决策。
代理的检索：MCP和A2A
记忆只有在代理推理时能够访问时才有用。AIAgentree以两种方式暴露决策检索：
通过MCP
模型上下文协议服务器暴露了像search_precedents和get_packet这样的工具。代理查询相关的先前决策，并在线接收决策包——在推理过程中，而不是作为批处理作业。
通过A2A
在代理到代理的委托中，决策包是有效载荷。接收代理继承决策的完整自包含上下文，而无需访问发送者的数据库。
该包是按设计可移植的——它携带理解和应用决策所需的一切，这正是使其安全地跨越信任边界的原因。
在代码中的样子
检索代理即将做出的决策的先例：
# 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)没有原始日志的提示填充。代理在先前决策上进行推理，附带其推理。该片段使用Python客户端以便于理解——但相同的检索（get_packet，search_precedents）在MCP上可用，无需SDK，因此MCP本地代理将决策作为工具使用。
完整堆栈已发布
我们宁愿精确而不是令人印象深刻。以下是今天上线的内容：
决策捕获与检索
- ✓规范性决策追踪数据模型（类型化论证边缘）
- ✓混合先例搜索（上述五步管道）
- ✓先例引用——将过去的决策作为一流论证引用
- ✓决策包组装
- ✓通过MCP + A2A的检索
- ✓防篡改、仅追加的决策记录
机构记忆飞轮
- ✓自动结果反馈——Webhook + 轮询摄取将结果写回决策
- ✓结果质量评分——结果良好的决策在先例搜索中排名更高
- ✓论证有效性——跟踪哪些论证导致了积极结果
- ✓自动建议的先例——在密封时显示相关的先前决策
完整的闭环飞轮已上线：结果反馈流回先例排名，论证有效性显示有效的内容，代理在密封决策时获得相关的自动建议先例。图形基础使这一切成为可能——现在自我改进的层在其上运行。
这并不替代什么
- •您的向量数据库——这是管道的一个组成部分，第一步
- •您的文档RAG——检索政策和手册是不同的工作
- •可观察性工具——跨度、延迟和令牌指标仍然属于LangSmith/Langfuse等。
决策GraphRAG位于所有这些之上，并捕获了它们都未存储的工件：可检索的结构化决策，附带其推理。
常见问题
什么是用于AI决策的GraphRAG？
GraphRAG（图形增强检索增强生成）通过遍历知识图来检索上下文，而不是仅仅通过向量相似性对文本块进行排名。对于AI决策，图形是一个规范性论证图——决策、支持或反对它们的正反论点、引用的证据和参考的先例，通过类型化边缘（支持、反对、驳斥）相连。检索从向量搜索开始，以找到相关决策，然后沿着这些边缘扩展，以返回一个完整的、有界的决策包，而不是断开的片段。
决策GraphRAG与基于日志的向量RAG有什么不同？
向量RAG嵌入文本块（日志、记录、文档）并返回最相似的前k个片段。这些片段是断开的——检索到的片段可能引用决策的结论，但缺少几乎推翻它的反对论点、批准例外的人或它所依赖的先例。决策GraphRAG以结构化单元的形式检索决策，推理完整，因为关系作为一流的类型化边缘存储，而不是隐含在散文中。
什么是决策包？
决策包是图形决策检索的有界输出：一个自包含的、结构化的单个决策表示，包含命题、正反论证树、证据及其来源、评估的政策、批准它的人、密封的结果以及引用的任何先例。它是代理（或审计员）检索的内容，而不是一堆日志行。AIAgentree从存储的决策追踪中组装决策包。
为什么决策图是GraphRAG的良好基础，而通用企业图则不是？
通用企业知识图难以遍历：它们庞大，边缘信号低（“相关于”没有传达推理），没有自然的根节点，扩展没有明显的停止点。决策图避免了这四个问题：每个决策都是自然的根，边缘是规范性的且高信号（支持/反对/驳斥承载实际推理），单个决策的子图小且自然有界。图形已经编码了“重要的内容”，因此检索知道要包括什么。
这会替代我的向量数据库或RAG堆栈吗？
不会。向量搜索是决策GraphRAG的一个组成部分，而不是与之竞争——嵌入找到正确的入口点，然后图形结构获取完整的上下文。AIAgentree位于您的操作系统和现有文档RAG之上。它捕获并检索这些系统历史上未存储的唯一工件：结构化的决策本身。
什么是已发布的内容？
本文中描述的所有内容均已发布并在线：规范性决策追踪数据模型、混合先例搜索（五步管道：向量搜索→结构化过滤器→图形上下文扩展→结果加权排名→打包）、先例引用（将过去的决策作为一流论证引用）、决策包组装、通过MCP和A2A暴露给代理的检索、自动结果反馈（Webhook + 轮询摄取）、结果质量评分提升先例排名、论证有效性跟踪（哪些论证导致了良好结果），以及在密封时自动建议的先例。完整的“机构记忆飞轮”已上线并闭环。
代理在推理时如何检索决策？
通过模型上下文协议（MCP）和代理到代理（A2A）委托。AIAgentree在MCP服务器上暴露了像search_precedents和get_packet这样的工具，因此代理可以查询相关的先前决策，并在推理时在线接收决策包。在A2A委托中，决策包是代理之间传递的自包含有效载荷，因此接收代理在没有访问发送者数据库的情况下继承决策的完整上下文。
相关主题
相关文章
AIAgentree团队
决策基础设施
AIAgentree团队正在为AI代理构建决策追踪和检索基础设施。我们的使命是使AI推理可见、可审计、可检索和可改进。