Was ist Entscheidungsabruf?
Entscheidungsabruf ist die Art und Weise, wie ein KI-Agent herausfindet, wie ähnliche Situationen in der Vergangenheit gehandhabt wurden – und erhält die Begründung, nicht nur einen Ausschnitt. Es ist GraphRAG für Entscheidungen: Abruf über einen normativen Argumentationsgraph, in dem jede Entscheidung mit den Argumenten, der Beweisführung und den Präzedenzfällen, die sie geprägt haben, verbunden ist. Anstelle eines Haufens von übereinstimmenden Log-Zeilen erhält man ein begrenztes, überprüfbares Entscheidungspaket mit der Begründung.
Entscheidungsabruf = Abruf von vergangenen Entscheidungen als vollständige Einheiten, nicht als Text-Chunks. Das Substrat ist ein Graph: Entscheidungen, die mit Pro- und Contra-Argumenten, Beweisführung und Präzedenzfällen über typisierte Kanten verbunden sind. Der Abruf ist hybrid – Vektorsuche findet die relevanten Entscheidungen, Graph-Erweiterung fetcht den vollständigen Kontext – und die Ausgabe ist ein Entscheidungspaket. Es übertrifft Vektor-RAG über Logs, das nicht verbundene Fragmente zurückgibt, die die Gegenargumente und die Präzedenzfälle auslassen.
Entscheidungsrückgewinnung vs. Vektor-RAG über Protokolle
Die Standardmethode, um einem Agenten ein Gedächtnis zu geben, ist Vektor-RAG: alles einbetten, die oberen übereinstimmenden Teile abrufen und sie in die Aufforderung einfügen. Für Dokumente funktioniert dies. Für Entscheidungen funktioniert es strukturell nicht, da eine Entscheidung kein Absatz ist - es ist ein kleines Netz von Beziehungen: eine Proposition, die Argumente für und gegen sie, die Beweise, auf die jedes sich stützt, wer eine Ausnahme genehmigt hat und welcher vorherigen Fall sie befolgt.
Flachen Sie dies in Text und betten Sie es ein, und die Rückgewinnung gibt Fragmente mit abgetrennten Beziehungen zurück - die Schlussfolgerung ohne die Gegenargumente, die Genehmigung ohne die Begründung, eine Erwähnung einer Vorgabe ohne die Vorgabe selbst. Praktiker nennen dies "Chunk-Suppe." Entscheidungsrückgewinnung vermeidet dies, indem sie die Entscheidung als strukturierte Einheit abruft, da die Beziehungen als erste-Klasse-Kanten gespeichert werden und nicht implizit in der Prosa belassen werden.
Der Graph: normative Kanten, nicht beschreibende
Generische Wissensgraphen speichern beschreibende Kanten - "erwähnt", "zusammenhängend" - die sagen, dass zwei Dinge verbunden sind, aber nicht, warum es wichtig war. Ein Entscheidungsgraph speichert normative Kanten: unterstützt, widerspricht, widerlegt, qualifiziert. Da die Kantenart die Begründung ist, codiert der Graph bereits, was in einer Entscheidung tragfähig war.
Deshalb ist ein Entscheidungsgraph auch ein ungewöhnlich guter GraphRAG-Substrat, wo allgemeine Unternehmensgraphen Schwierigkeiten haben. Generische Graphen sind enorm, ihre Kanten sind niedrigsignalig, es gibt keinen natürlichen Wurzelknoten und die Durchquerung hat keinen offensichtlichen Stoppunkt. Ein Entscheidungsgraph hat die entgegengesetzten Eigenschaften: jede Entscheidung ist ein natürlicher Wurzelknoten, Kanten tragen reale Begründungen und ein einzelner Entscheidungs-Subgraph ist klein und natürlicherweise begrenzt - erweitern Sie ihn zu seinen Argumenten, Beweisen und zitierten Vorgaben, dann stoppen Sie.
Wie hybride Vektor-Plus-Graph-Rückgewinnung funktioniert
Vektoren und Graphen sind hier keine Rivalen - Entscheidungsrückgewinnung verwendet Vektoren, um die Einstiegspunkte zu finden und Graph-Struktur, um den vollständigen Kontext abzurufen. In der Praxis ist es eine Pipeline: (1) Vektor-Suche über Entscheidungs- und Argument-Embeddings findet eine Handvoll relevanter vorheriger Entscheidungen; (2) strukturierte Filter verengen die Auswahl nach Kategorie, Entitätstyp und Vorgaben-Reife, sodass Sie validierte Fälle abrufen, nicht Entwürfe; (3) Graph-Erweiterung geht die normativen Kanten entlang, um jedes Entscheidungs-Arguments und Beweise abzurufen; (4) Ergebnis-gewichtete Rangliste hebt Vorgaben hervor, deren Ergebnisse gut ausfielen, über oberflächlich ähnliche, die nicht funktionierten; (5) die Ergebnisse werden in begrenzte Entscheidungspakete verpackt.
Harde Grenzen für Tiefe, Knotenzahl und Zeit halten die Erweiterung davon ab, durchzulaufen. Die Ausgabe ist nie eine Wand von Token - es ist eine kleine Menge vollständiger, vergleichbarer Entscheidungen.
Rückgewinnung für Agenten: MCP und A2A
Gedächtnis ist nur nützlich, wenn ein Agent darauf zugreifen kann, während er argumentiert. Entscheidungsrückgewinnung wird Agenten auf zwei Arten zugänglich gemacht. Über das Modell-Kontext-Protokoll (MCP) ermöglichen Tools wie search_precedents und get_packet es einem Agenten, relevante vorherige Entscheidungen abzufragen und Entscheidungspakete inline, während des Argumentierens, zu erhalten - und der Schreibpfad funktioniert auch über MCP: ein Agent kann eine Spur erstellen, seine Begründung aufzeichnen, die Entscheidung versiegeln und sofort das resultierende Entscheidungspaket abrufen, von Anfang bis Ende, ohne SDK. Bei Agent-zu-Agent (A2A)-Delegation ist das Entscheidungspaket die Nutzlast, die zwischen Agenten übergeben wird - ein empfangender Agent erbt den vollständigen, selbstenthaltenen Kontext einer Entscheidung, ohne Zugriff auf die Datenbank des Senders. Das Paket ist portabel per Design, was es sicher macht, es über eine Vertrauensgrenze zu übergeben.
Wie AI Agentree Entscheidungsabruf liefert
AI Agentree speichert Entscheidungen als normativen Graphen und ruft sie als begrenzte Pakete ab. Das Abruf-Substrat ist ausgeliefert und in Verwendung:
Hybride Vorgangsrecherche
Eine fünfschrittige Pipeline — Vektorsuche, strukturierte Filter, Graph-Kontext-Erweiterung, Ergebnis-gewichtete Rangliste, Verpackung — ruft vergangene Entscheidungen mit ihrer Begründung auf, nicht als Chunk-Suppe.
Entscheidungspakete
Die Rückgabe enthält einen begrenzten, selbstenthaltenen Datensatz einer Entscheidung — These, pro/con-Argumente, Beweise, Richtlinien, Genehmigungen, Ergebnis und zitierte Vorgänge.
Vorgangsverweis
Ein abgerufener Vorgang kann als erstklassiges Argument in einer neuen Entscheidung zitiert werden, sodass die Konsistenz anstelle des Gedächtnisses zunimmt.
Agenten-native Zugriff (MCP + A2A)
Agenten erfassen und rufen Entscheidungen über MCP-Tools ab — den vollständigen Erstell-, Versiegel- und Paketabruf-Lebenszyklus ohne SDK — und Entscheidungspakete reisen als Payload bei der Agent-zu-Agent-Delegation.
Sehen Sie das Substrat, von dem dies abgerufen wird, auf Entscheidungsspuren oder die tiefergehende technische Behandlung in GraphRAG für KI-Entscheidungen.
Häufig gestellte Fragen
Was ist Entscheidungsabruf?
Entscheidungsabruf ist das Abrufen vergangener KI-Entscheidungen als vollständige, strukturierte Einheiten und nicht als unzusammenhängende Textfragmente. Es handelt sich um eine Form von GraphRAG: Das Substrat ist ein normativer Argumentationsgraph, der jede Entscheidung mit den Argumenten, Beweisen und Präzedenzfällen verbindet, die sie geprägt haben, und die Ausgabe ist ein begrenztes Entscheidungspaket – die Begründung, nicht nur ein Ausschnitt.
Wie unterscheidet sich Entscheidungsabruf von Vektor-RAG?
Vektor-RAG bindet Text ein und gibt die besten übereinstimmenden Fragmente aus – unzusammenhängende Fragmente, die den Schluss einer Entscheidung zitieren können, aber den Gegenargument, den Genehmiger und den Präzedenzfall, auf den sie sich stützt, vermissen. Entscheidungsabruf gibt die Entscheidung mit ihrer Begründung wieder, weil die Beziehungen als erste-Klasse-Typ-Ränder gespeichert werden und nicht implizit in der Prosa bleiben. Vektor-Suche ist ein Bestandteil des Entscheidungsabrufs, kein Konkurrent dazu.
Was ist GraphRAG?
GraphRAG (graph-erweiterter Abruf-augmentierter Generation) ruft Kontext auf, indem es einen Wissensgraphen durchquert, anstatt nur Textfragmente nach Ähnlichkeit zu bewerten. Angewendet auf Entscheidungen ist der Graph ein normativer Argumentationsgraph, und der Abruf ist hybrid: Vektor-Suche findet die relevanten Entscheidungen, dann fetcht die Graph-Erweiterung den vollständigen, begrenzten Kontext.
Was ist ein Entscheidungspaket?
Ein Entscheidungspaket ist die begrenzte Ausgabe des Entscheidungsabrufs: ein selbstständiger Datensatz einer Entscheidung, der die Proposition, den Pro-/Contra-Argumentationsbaum, den Beweis und seine Herkunft, die bewerteten Richtlinien, die Genehmigungen, das gesiegelte Ergebnis und alle zitierten Präzedenzfälle enthält. Es ist das, was ein Agent oder Prüfer anstelle eines Haufens von Log-Zeilen abruft.
Ist ein Entscheidungspaket besser als die Speicherung von Chain-of-Thought-Ausgaben?
Sie lösen unterschiedliche Probleme – das Paket ist bessere Aufzeichnung, nicht bessere Argumentation. Gespeicherte Chain-of-Thought ist Prosa: Die Abfrage bedeutet, dass jeder Pfad bei der Lesezeit mit einem LLM neu analysiert wird, es hat kein Ergebnisfeld, auf das man sich beziehen kann, und ein bearbeitbarer Textblock bietet keinen Commit-Punkt, auf den sich ein Prüfer verlassen kann. Ein Entscheidungspaket strukturiert die gleiche Argumentation einmal, bei der Siegelung: Stance-getypfte Pro-/Contra-Argumente werden deterministische Graph-Abfragen, Entscheidungen verknüpfen mit aufgezeichneten Ergebnissen, so dass der Abruf ergebnisgewichtet ist, Präzedenzfälle werden zitierbare Argumentknoten in neuen Entscheidungen, und der hash-geschützte, gesiegelte, signierbare Datensatz dient als Beweis – einschließlich über Vertrauensgrenzen in der Agent-zu-Agent-Delegation. Kein Format macht die Argumentation des Modells treuer; das Paket macht die angegebene Argumentation haltbar, vergleichbar und verteidigbar. Wenn Sie nur einen Agenten später debuggen müssen, reicht die gespeicherte Chain-of-Thought aus – Pakete verdienen ihre Struktur, wenn Entscheidungen verglichen, wiederverwendet oder verteidigt werden müssen.
Ersetzt Entscheidungsabruf meine Vektor-Datenbank oder Dokument-RAG?
Nein. Vektor-Suche ist der erste Schritt der Abruf-Pipeline, und Dokument-RAG ist ein separates Job. Entscheidungsabruf sitzt auf Ihrem bestehenden Stack und erfasst das eine Artefakt, das diese Systeme nicht gespeichert haben: die strukturierte Entscheidung selbst, abrufbar mit ihrer Begründung.
Wie implementiert AI Agentree Entscheidungsabruf?
Durch eine ausgelieferte fünfstufige Präzedenz-Suche-Pipeline (Vektor-Suche, strukturierte Filter, Graph-Kontext-Erweiterung, ergebnisgewichtete Bewertung, Verpackung), Entscheidungspaket-Montage, Präzedenz-Zitat und Abruf, der Agenten über MCP und A2A zugänglich macht. Automatische Ergebnis-Rückmeldung und cross-Entscheidung-Muster-Synthese – die vollständig selbstverbessernde Schicht auf dem Abruf – sind auf der Roadmap.
Verwandte Themen der KI-Governance
KI-Governance
Die Dachdisziplin: Wie Organisationen KI-Agenten zur Rechenschaft ziehen, beobachtbar und konform machen — starten Sie hier.
KI-Beobachtbarkeit
Sehen, was Ihre KI-Systeme in der Produktion tun — Metriken, Spuren und Protokolle.
LLM-Beobachtbarkeit
Überwachung von Prompts, Token, Latenz und Qualität von Anrufen großer Sprachmodelle.
KI-Nachvollziehbarkeit
Rekonstruktion der vollständigen Herkunft eines KI-Ausgabewerts — Eingaben, Schritte und Entscheidungen.
LLM-Nachvollziehbarkeit
End-to-End-Spuren von mehrschrittigen LLM- und Prompt-Ketten.
KI-Agenten-Beobachtbarkeit
Beobachtbarkeit für autonome, mehrschrittige Agenten — Werkzeugaufrufe, Pläne und Entscheidungen.
Agentische KI-Governance
Regierung von autonomen Agenten: Richtlinie, Aufsicht und rechenschaftspflichtige Autonomie.
KI-Prüfspur
Anhängige, manipulationsfesten Aufzeichnungen dessen, was ein KI-System entschieden und warum.
KI-Agenten-Überwachung
Echtzeit-Überwachung des Agentenverhaltens, Drift und Entscheidungsqualität.
Erklärbares KI (XAI)
Machen von KI-Entscheidungen verständlich für die Menschen, die dafür verantwortlich sind.
KI-TRiSM
Gartners Rahmenwerk für KI-Vertrauen, Risiko- und Sicherheitsmanagement.
Entscheidungsnachverfolgung
Erfassung der strukturierten Argumentation hinter jeder KI-Entscheidung — Kategorie von AI Agentree.
KI-Präzedenzsysteme
Ermöglichen es Agenten, aus vergangenen Entscheidungen zu lernen als durchsuchbare Präzedenzfälle.
Geben Sie Ihren Agenten ein Gedächtnis, das es wert ist, abzurufen
Speichern Sie Entscheidungen als Graphen, nicht als Log – und rufen Sie sie als begrenzte Entscheidungspakete ab, über die Ihre Agenten begründen können.
Kostenlos starten