GraphRAG لقرارات الذكاء الاصطناعي: لماذا تتفوق الرسوم البيانية على البحث المتجه لذاكرة الوكيل

TL;DR

السؤال ليس "هل يجب علينا تخزين قرارات الذكاء الاصطناعي؟" — إنه "ماذا نخزنها فيه؟" قم بتخزينها كنص وستحصل على حساء قطع من RAG المتجه. قم بتخزينها كرسم بياني حجاجي معياري وستعيد الاسترجاع حزمة قرارات محدودة وقابلة للتدقيق.

•Vector RAG على السجلات يعيد مقاطع غير متصلة — إنه يفوت الحجة المضادة، والموافق، والسابقة
•Decision GraphRAG يسترجع القرار مع الحفاظ على مبرراته، من خلال حواف محددة
•رسم القرار هو ركيزة نادرة GraphRAG-perfect: عقد جذر طبيعية، حواف عالية الإشارة، تحت رسوم بيانية محدودة
•تم الشحن: البحث عن السوابق الهجينة، حزم القرارات، استرجاع MCP/A2A، تغذية راجعة عن النتائج، تصنيف معتمد على النتائج، فعالية الحجج، السوابق المقترحة تلقائيًا — العجلة الكاملة

يحتاج وكيلك إلى معرفة كيف قررت في المرة الأخيرة.

توجهه إلى مخزن متجهات السجلات. يعود بستة مقتطفات. لا تحتوي أي منها على السبب.

مشكلة الاسترجاع التي لا يسميها أحد

تحتاج كل نظام وكيل جاد في النهاية إلى الذاكرة: القدرة على البحث عن كيفية التعامل مع موقف مشابه من قبل والتصرف بشكل متسق. الإجابة الافتراضية في عام 2026 هي vector RAG — تضمين كل شيء، استرجاع أفضل k قطع مشابهة، وإدخالها في نافذة السياق.

بالنسبة للمستندات، هذا يعمل. بالنسبة لـ القرارات، فإنه يفشل بهدوء. والفشل هيكلية، وليس مشكلة ضبط.

القرار ليس فقرة. إنه شبكة صغيرة من العلاقات: اقتراح، الحجج المؤيدة والمعارضة له، الأدلة التي اعتمدت عليها كل حجة، من وافق على الاستثناء، وأي قضية سابقة تم اتباعها. إذا قمت بتسطيح ذلك إلى قطع نصية ودمجها، فإن الاسترجاع يعيد أجزاء مع العلاقات مفصولة. تحصل على الاستنتاج دون الحجة المضادة. تحصل على الموافقة دون التفكير. تحصل على جملة تذكر سابقة دون السابقة نفسها.

هذا ما يسميه الممارسون "حساء القطع." إنه السبب في أن الاسترجاع القائم على المتجهات فقط من سجلات القرارات يبدو واثقًا ولكنه غير موثوق به بشكل خفي.

شوربة الشظايا مقابل حزمة القرار

إرجاع RAG المتجه	رسم القرار GraphRAG يعود
…"تمت الموافقة على استرداد المبلغ للعميل المميز" (0.83) …"الحد الأدنى للموافقة التلقائية هو 200 دولار" (0.79) …"تصعيد حوادث SEV-1 إلى المستوى 2" (0.74)	الاقتراح: الموافقة على استرداد #4521 (240 دولار) الإيجابيات: عميل مميز، عيب صالح السلبيات: يتجاوز حد الموافقة التلقائية البالغ 200 دولار تجاوز: تمت الموافقة من قبل المحلل الأول (السياسة P-12) سابقة: تشير إلى الحالة #1234 (موافقة، 0 استرداد) النتيجة (6 أشهر): محتفظ به، لا نزاع
ثلاثة أجزاء معقولة. لا روابط بينها. هل كانت هذه الاسترداد فوق العتبة؟ من الذي تجاوز ذلك؟ ماذا حدث بعد ذلك؟ لا يمكن للأجزاء أن تقول.	حزمة واحدة محدودة. التفكير، الاستثناء، السابقة، والنتيجة — مرتبطة.

إرجاع RAG المتجه

رسم القرار GraphRAG يعود

…"تمت الموافقة على استرداد المبلغ للعميل المميز" (0.83)
…"الحد الأدنى للموافقة التلقائية هو 200 دولار" (0.79)
…"تصعيد حوادث SEV-1 إلى المستوى 2" (0.74)

الاقتراح: الموافقة على استرداد #4521 (240 دولار)
الإيجابيات: عميل مميز، عيب صالح
السلبيات: يتجاوز حد الموافقة التلقائية البالغ 200 دولار
تجاوز: تمت الموافقة من قبل المحلل الأول (السياسة P-12)
سابقة: تشير إلى الحالة #1234 (موافقة، 0 استرداد)
النتيجة (6 أشهر): محتفظ به، لا نزاع

ثلاثة أجزاء معقولة. لا روابط بينها. هل كانت هذه الاسترداد فوق العتبة؟ من الذي تجاوز ذلك؟ ماذا حدث بعد ذلك؟ لا يمكن للأجزاء أن تقول.

حزمة واحدة محدودة. التفكير، الاستثناء، السابقة، والنتيجة — مرتبطة.

الفرق ليس في نموذج التضمين أو حجم القطعة. إنه الركيزة. أحدهما يخزن نصوصًا حول القرارات؛ والآخر يخزن القرارات كهيكل.

لماذا تغير الحواف المعيارية كل شيء

تخزن الرسوم البيانية المعرفية العامة حواف وصفية: "إشارات"، "مرتبط بـ"، "مملوك بواسطة". إنها تخبرك أن شيئين مرتبطين ولكنها لا توضح لماذا كان ذلك مهمًا.

يخزن رسم القرار الحواف المعيارية — العلاقات تحمل المنطق:

•يدعم / يعارض — هذا الجدل دفع القرار نحو أو بعيدًا عن النتيجة
•يدحض — هذه الأدلة تتعارض مباشرة مع هذا الادعاء
•يؤهل / يعتمد_on — هذا ينطبق فقط تحت شرط

لأن نوع الحافة هو الاستدلال، فإن الرسم البياني يعرف بالفعل ما هو حمال. لا يتعين على الاسترجاع التخمين أي من الحقائق العشر المذكورة هي التي دفعت المكالمة بالفعل - فالحواف supports ذات الوزن العالي تقول ذلك. الرسوم البيانية الوصفية تمكّن البحث. الرسوم البيانية المعيارية تمكّن الحكم.

لماذا يُعتبر رسم القرار "مثاليًا لـ GraphRAG"

تتخلى معظم الفرق التي تجرب GraphRAG على رسم بياني عام للمؤسسات. الأسباب متسقة، ورسم القرار يتجنب كل واحد منها:

لماذا تعاني GraphRAG العامة	لماذا لا يوجد رسم بياني للقرار
الرسم البياني ضخم (ملايين العقد)	كل رسم بياني فرعي للقرار صغير ومكتفي ذاتياً
الحواف ذات إشارة منخفضة ("related_to")	الحواف معيارية وتحمل المنطق
لا يوجد عقدة جذر طبيعية للبدء منها	القرار هو العقدة الجذرية
التنقل ليس له نقطة توقف طبيعية	حدود القرار جوهرية — توسع إلى حججه، أدلته، والسوابق المذكورة، ثم توقف

الرسم البياني يحتوي على "ما كان مهمًا" مدمجًا في هيكله. هذه هي الخاصية التي يحتاجها GraphRAG ونادرًا ما يحصل عليها.

خط أنابيب الاسترجاع الهجين

المتجهات والرسوم البيانية ليست متنافسة هنا. يستخدم استرجاع القرار المتجهات للعثور على نقاط الدخول وهيكل الرسم البياني لاسترجاع السياق الكامل. في AIAgentree، هذه عملية من خمس خطوات (مضمنة في خدمة البحث السابق):

البحث المتجه عبر تمثيلات القرار والحجة — ابحث عن عدد قليل من القرارات السابقة ذات الصلة

مرشحات منظمة — المستأجر، الفئة، نوع الكيان، نضج السابقة (لذا يمكنك استرجاع الحالات المعتمدة، وليس المسودات)

توسيع سياق الرسم البياني — السير على الحواف المعيارية لجمع حجج وأدلة كل قرار

تصنيف مرجح بالنتائج — سابقة كانت نتيجتها جيدة تصنف أعلى من سابقة مشابهة ظاهريًا لم تكن نتيجتها جيدة

التغليف — تجميع النتيجة في حزم قرار محددة جاهزة لتسليمها لوكيل أو مراجع

تساعد الحدود الصارمة (العمق الأقصى، عدد العقد الأقصى، مهلة الوقت) في منع التوسع من الخروج عن السيطرة. الناتج ليس أبداً جداراً من الرموز — بل هو عدد صغير من القرارات الكاملة والقابلة للمقارنة.

استرجاع للوكلاء: MCP و A2A

الذاكرة مفيدة فقط إذا كان الوكيل قادرًا على الوصول إليها أثناء التفكير. يكشف AIAgentree عن استرجاع القرار بطريقتين:

عبر MCP

يقدم خادم بروتوكول سياق النموذج أدوات مثل search_precedents و get_packet. يقوم الوكيل بالاستعلام عن القرارات السابقة ذات الصلة ويتلقى حزم القرارات في الوقت الفعلي — أثناء التفكير، وليس كوظيفة دفعة.

عبر A2A

في تفويض الوكيل إلى الوكيل، تكون حزمة القرار هي الحمولة. يرث الوكيل المتلقي السياق الكامل والمستقل للقرار دون أي وصول إلى قاعدة بيانات المرسل.

الحزمة مصممة لتكون محمولة - فهي تحمل كل ما يلزم لفهم وتطبيق القرار، وهو ما يجعلها آمنة تمامًا للعبور عبر حدود الثقة.

كيف يبدو ذلك في الشيفرة

استرجاع سابقة للقرار الذي على الوكيل اتخاذه:

# 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)

لا يوجد حشو للبيانات الخام. يقوم الوكيل بالتفكير في القرارات السابقة، مع إرفاق تفكيره. تستخدم الشيفرة عميل بايثون من أجل الوضوح — لكن نفس الاسترجاع (get_packet, search_precedents) متاح عبر MCP بدون SDK، لذا فإن الوكيل الأصلي لـ MCP يستهلك القرارات كأدوات.

تم شحن الحزمة الكاملة

نفضل أن نكون دقيقين بدلاً من أن نكون مثيرين للإعجاب. إليك ما هو مباشر اليوم:

التقاط القرار واسترجاعه

✓نموذج بيانات تتبع القرار المعياري (حواف الحجج المميزة)
✓البحث عن السوابق الهجينة (خط الأنابيب المكون من خمس خطوات أعلاه)
✓استشهاد بالسوابق — استشهد بقرار سابق كحجة من الدرجة الأولى
✓تجميع حزمة القرار
✓استرجاع عبر MCP + A2A
✓سجلات القرار التي لا يمكن التلاعب بها، والتي تُضاف فقط

ذاكرة المؤسسة الدوارة

✓تغذية راجعة تلقائية لنتائج — كتابة النتائج مرة أخرى على القرارات باستخدام webhook + استهلاك الاستطلاع
✓تقييم جودة النتائج — القرارات ذات النتائج الجيدة تحتل مرتبة أعلى في بحث السوابق
✓فعالية الحجج — تتبع الحجج التي أدت إلى نتائج إيجابية
✓السوابق المقترحة تلقائيًا — قرارات سابقة ذات صلة ظهرت في وقت الختم

الدائرة المغلقة الكاملة للعجلة الدوارة نشطة: تتدفق ملاحظات النتائج مرة أخرى إلى تصنيفات السوابق، وتظهر فعالية الحجج ما نجح، ويحصل الوكلاء على سوابق ذات صلة مقترحة تلقائيًا عندما يتخذون قرارًا. تجعل قاعدة البيانات الرسومية ذلك ممكنًا - والآن تعمل طبقة التحسين الذاتي فوقها.

ما الذي لا يحل محله

•قاعدة بيانات المتجهات الخاصة بك — إنها مكون من خط الأنابيب، الخطوة 1
•وثيقتك RAG — استرجاع السياسات والدلائل هو عمل مختلف
•أدوات المراقبة — لا تزال مقاييس النطاق، والكمون، والتوكن تنتمي إلى LangSmith/Langfuse وغيرها.

يستند Decision GraphRAG على جميعها ويحتفظ بالعنصر الذي لم يخزنه أي منها: القرار المنظم، القابل للاسترجاع مع الحفاظ على مبرراته سليمة.

أسئلة متكررة

ما هو GraphRAG لقرارات الذكاء الاصطناعي؟

GraphRAG (التوليد المعزز بالاسترجاع المعزز بالرسم البياني) يسترجع السياق من خلال التنقل في رسم بياني للمعرفة بدلاً من تصنيف قطع النص فقط بناءً على تشابه المتجهات. بالنسبة لقرارات الذكاء الاصطناعي، فإن الرسم البياني هو رسم بياني للحجج المعيارية - القرارات، الحجج المؤيدة/المعارضة التي دعمتها أو عارضتها، الأدلة المذكورة، والسوابق المشار إليها، متصلة بواسطة حواف مصنفة (تدعم، تعارض، تدحض). يبدأ الاسترجاع من البحث عن المتجهات للعثور على القرارات ذات الصلة، ثم يتوسع على طول تلك الحواف لإرجاع حزمة قرارات كاملة ومحدودة بدلاً من مقاطع غير متصلة.

كيف يختلف قرار GraphRAG عن RAG المتجه على السجلات؟

تقوم Vector RAG بتضمين أجزاء من النص (السجلات، النصوص، الوثائق) وتعيد أعلى k من الأجزاء الأكثر تشابهًا. هذه الأجزاء غير متصلة - قد تقتبس مقتطفات مسترجعة استنتاج قرار ولكنها تفوت الحجة المضادة التي كادت أن تعكسه، أو الشخص الذي وافق على الاستثناء، أو السابقة التي اعتمدت عليها. يقوم Decision GraphRAG باسترجاع القرار كوحدة منظمة مع الحفاظ على تسويغها، لأن العلاقات مخزنة كحواف مصنفة من الدرجة الأولى، وليس متروكة ضمن النثر.

ما هو حزمة القرار؟

حزمة القرار هي الناتج المحدد لاسترجاع قرارات الرسم البياني: تمثيل منظم ومتكامل لقرار واحد يحتوي على الاقتراح، وشجرة الحجج المؤيدة والمعارضة، والأدلة وأصلها، والسياسات التي تم تقييمها، والأشخاص الذين وافقوا عليها، والنتيجة المختومة، وأي سوابق تم الاستشهاد بها. إنها ما يسترجعه وكيل (أو مدقق) بدلاً من كومة من خطوط السجل. يقوم AIAgentree بتجميع حزم القرار من أثر القرار المخزن.

لماذا تُعتبر الرسوم البيانية للقرارات قاعدة جيدة لـ GraphRAG بينما الرسوم البيانية العامة للمؤسسات ليست كذلك؟

تعد الرسوم البيانية المعرفية العامة للمؤسسات صعبة التصفح: فهي ضخمة، وحوافها ذات إشارة منخفضة ('related_to' لا تنقل أي استدلال)، ولا يوجد عقدة جذر طبيعية، ولا يوجد نقطة توقف واضحة للتوسع. تتجنب رسوم القرار جميع هذه المشاكل الأربعة: كل قرار هو جذر طبيعي، والحواف معيارية وعالية الإشارة (الدعم/المعارضة/الرفض تحمل الاستدلال الفعلي)، وتكون الرسوم الفرعية لقرار واحد صغيرة ومحدودة بشكل طبيعي. الرسوم البيانية بالفعل تشفر 'ما كان مهمًا'، لذا فإن الاسترجاع يعرف ما يجب تضمينه.

هل يحل هذا محل قاعدة بيانات المتجهات الخاصة بي أو مجموعة RAG؟

لا. البحث المتجه هو مكون من GraphRAG للقرارات، وليس منافسًا له — حيث تجد التضمينات نقاط الدخول الصحيحة، ثم يقوم هيكل الرسم البياني بجلب السياق الكامل. يجلس AIAgentree في طبقة القرار فوق أنظمتك التشغيلية وRAG الحالية الخاصة بك للمستندات. إنه يلتقط ويسترجع الأثر الوحيد الذي لم تخزنه تلك الأنظمة تاريخيًا: القرار المنظم نفسه.

ما الذي تم شحنه؟

كل ما تم وصفه في هذا المنشور متاح ومباشر: نموذج بيانات تتبع القرار المعياري، البحث الهجين عن السوابق (خط أنابيب من خمس خطوات: بحث متجه → فلاتر منظمة → توسيع سياق الرسم البياني → تصنيف معتمد على النتائج → التعبئة)، استشهاد السوابق (استشهاد بقرار سابق كحجة من الدرجة الأولى)، تجميع حزمة القرار، الاسترجاع المعرض للوكلاء عبر MCP و A2A، تغذية راجعة تلقائية للنتائج (webhook + استهلاك الاستطلاع)، تسجيل جودة النتائج الذي يعزز تصنيفات السوابق، تتبع فعالية الحجج (أي الحجج أدت إلى نتائج جيدة)، والسوابق المقترحة تلقائيًا على الختم. الذاكرة المؤسسية الكاملة "عجلة الذاكرة المؤسسية" متاحة ومغلقة الحلقة.

كيف يسترجع الوكلاء القرارات في وقت الاستدلال؟

من خلال بروتوكول سياق النموذج (MCP) وتفويض الوكيل إلى الوكيل (A2A). يكشف AIAgentree عن أدوات مثل search_precedents و get_packet عبر خادم MCP، بحيث يمكن لوكيل الاستعلام عن القرارات السابقة ذات الصلة واستلام حزم القرارات بشكل متزامن أثناء التفكير. في تفويض A2A، تعتبر حزمة القرار الحمولة المستقلة التي يتم تمريرها بين الوكلاء، بحيث يرث الوكيل المتلقي السياق الكامل للقرار دون الوصول إلى قاعدة بيانات المرسل.

مواضيع ذات صلة

ما هو استرجاع القرار؟

الدليل الكامل لاسترجاع قرارات الذكاء الاصطناعي كأشياء منظمة

ما هي قابلية ملاحظة وكيل الذكاء الاصطناعي؟

مراقبة وتتبع وفهم سلوك وكيل الذكاء الاصطناعي

فريق AIAgentree

البنية التحتية للقرارات

يعمل فريق AIAgentree على بناء بنية تحتية لتتبع واسترجاع القرارات لوكلاء الذكاء الاصطناعي. مهمتنا هي جعل التفكير الذكي مرئيًا وقابلًا للتدقيق والاسترجاع والتحسين.

امنح وكلائك ذاكرة تستحق الاسترجاع.

التقط القرارات كرسوم بيانية، وليس كسجلات — واسترجعها كحزم قرارات محدودة. تتوفر طبقة مجانية، لا حاجة لبطاقة ائتمان.

ابدأ مجانًا