什么是决策检索？
决策检索是AI代理查找类似情况如何处理的方法——并返回推理，而不仅仅是一个片段。它是GraphRAG用于决策：在规范性论证图上进行检索，每个决策都链接到形成它的论点、证据和先例。与其返回一堆匹配的日志行，您将获得一个有界、可审计的决策，其推理保持完整。
决策检索 = 检索过去的决策作为完整的单位，而不是文本块。底层是一个图：决策连接到支持/反对的论点、证据和先例，通过类型化的边。检索是混合的——向量搜索找到相关的决策，图扩展获取完整的上下文——输出是一个决策包。它优于向量RAG在日志上的应用，因为后者返回断开的片段，丢失了反驳和先例。
决策检索与向量RAG在日志上的比较
默认情况下，给代理提供记忆的方法是向量RAG：嵌入所有内容，检索最匹配的块，并将它们粘贴到提示中。对于文档，这种方法有效。对于决策，它在结构上失败，因为决策不是一个段落——它是一个小的关系网：一个命题、支持和反对它的论点、每个论点依赖的证据、谁批准了任何例外以及哪个过去的案例它遵循。
将其平铺为文本并嵌入，然后检索返回片段，关系被切断——结论没有反驳，批准没有推理，提到先例没有先例本身。从业者称之为"块汤"。 决策检索通过检索决策作为结构化的单位来避免这种情况，因为关系被存储为第一类边，而不是在散文中隐含。
图：规范边缘，而不是描述边缘
通用知识图存储描述边缘——"提到"、"相关"——它们表明两个事物是连接的，但没有说明为什么它很重要。决策图存储规范边缘：支持、反对、驳斥、限定。因为边缘类型是推理，图已经编码了决策中什么是重要的。
这也是为什么决策图是异常好的GraphRAG底层，而通用企业图则难以应对。通用图是巨大的，它的边缘是低信号的，没有自然的根节点，遍历没有明显的停止点。决策图具有相反的属性：每个决策都是一个自然的根，边缘携带真正的推理，单个决策的子图是小的和自然有界的——扩展到其论点、证据和引用的先例，然后停止。
混合向量加图检索的工作原理
向量和图在这里不是对手——决策检索使用向量找到入口点和图结构获取完整的上下文。在实践中，它是一个管道：（1）向量搜索在决策和论点嵌入上找到一小部分相关的过去决策；（2）结构化过滤器通过类别、实体类型和先例成熟度缩小范围，以便检索验证的案例，而不是草稿；（3）图扩展沿着规范边缘行走以拉入每个决策的论点和证据；（4）结果加权排名将先例的结果浮到表面，优先于那些没有结果的先例；（5）结果被打包成有界的决策包。
对深度、节点计数和时间的硬性限制防止扩展失控。输出永远不是一个令牌墙——它是一个小的完整、可比的决策集合。
代理的检索：MCP和A2A
记忆只有在代理推理时可以访问时才有用。决策检索以两种方式暴露给代理。通过模型上下文协议（MCP），工具如search_precedents和get_packet让代理查询相关的先前决策并接收决策包内联，中间推理——写路径也在MCP上工作：代理可以创建跟踪、记录推理、封装决策并立即检索结果决策包，从头到尾，无需SDK。在代理到代理（A2A）委托中，决策包是传递给代理的有效载荷：接收代理继承决策的完整、自包含的上下文，而无需访问发送者的数据库。包是可移植的，这使得它可以安全地跨越信任边界传递。
AI Agentree如何实现决策检索
AI Agentree将决策存储为规范图并检索它们作为有界包。检索底层已被运送并使用：
混合先例搜索
一个五步管道——向量搜索、结构化过滤器、图上下文扩展、结果加权排名、打包——检索过去的决策及其推理，而不是块汤。
决策包
检索返回一个有界、自包含的决策记录——命题、支持/反对论点、证据、策略、批准、结果和引用的先例。
先例引用
检索的先例可以作为新决策中的第一类论点被引用，因此一致性会增加，而不是依赖于记忆。
代理本地访问（MCP + A2A）
代理记录和检索决策通过MCP工具——完整的创建、封装和获取包生命周期，无需SDK——决策包作为有效载荷在代理到代理委托中传递。
查看检索的底层在决策跟踪，或更深入的技术处理在GraphRAG用于AI决策。
常见问题
什么是决策检索？
决策检索是检索过去的AI决策作为完整、结构化的单位，而不是断开的文本片段。它是GraphRAG的一种形式：底层是规范性论证图，连接每个决策到形成它的论点、证据和先例，输出是一个有界的决策包——推理，而不是仅仅一个片段。
决策检索与向量RAG有什么不同？
向量RAG嵌入文本并返回最匹配的块——断开的片段，可以引用决策的结论，但缺少反驳、批准和先例。决策检索返回决策及其推理保持完整，因为关系被存储为第一类边，而不是在散文中隐含。向量搜索是决策检索的一个组成部分，而不是竞争对手。
什么是GraphRAG？
GraphRAG（图增强检索增强生成）通过遍历知识图检索上下文，而不是仅仅对文本块进行排名。应用于决策，图是一个规范性论证图，检索是混合的：向量搜索找到相关的决策，然后图扩展获取完整的上下文。
什么是决策包？
决策包是决策检索的有界输出：一个自包含的决策记录，包含命题、支持/反对论点树、证据和其来源、策略、批准、封装结果和引用的先例。它是代理或审计员检索的内容，而不是一堆日志行。
决策包是否比存储思维链输出更好？
它们解决不同的问题——包是更好的记录保存，而不是更好的推理。存储的思维链是散文：查询它意味着在读取时重新解析每个跟踪，使用LLM，它没有结果字段可以连接，编辑的文本块没有提交点可以信任。决策包结构化相同的推理一次，在封装时：立场类型的支持/反对论点成为确定性的图查询，决策链接到记录的结果，因此检索是结果加权的，先例成为新决策中的可引用论点节点，哈希链、封装、签名的记录作为证据工作，包括跨越信任边界的代理到代理委托。两个格式都不会使模型的推理更忠实；包使得声明的推理更强壮、可比和可防御。如果您只需要调试代理，存储的思维链足够了——包在决策必须比较、重用或辩护时赚取其结构。
决策检索是否替换我的向量数据库或文档RAG？
不。向量搜索是检索管道的第一步，文档RAG是一个单独的工作。决策检索位于现有堆栈之上，并捕获一个系统没有存储的工件：结构化的决策本身，可以检索其推理保持完整。
AI Agentree如何实现决策检索？
通过一个已运送的五步先例搜索管道（向量搜索、结构化过滤器、图上下文扩展、结果加权排名、打包）、决策包装、先例引用和检索暴露给代理通过MCP和A2A。自动结果反馈和跨决策模式合成——检索上面的完全自我改进层——在路线图上。
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.