GraphRAG para decisiones de IA
GraphRAG (recuperación aumentada por generación mejorada por gráficos) recupera contexto al recorrer un gráfico de conocimiento en lugar de solo clasificar fragmentos de texto por similitud vectorial. Para decisiones de agentes de IA, el gráfico es un gráfico de argumentos normativo: decisiones conectadas a los argumentos a favor y en contra que las apoyaron u opusieron, la evidencia citada y los precedentes referenciados, a través de bordes tipados (apoya, se opone, refuta). La recuperación de decisiones es un pipeline híbrido: la búsqueda vectorial encuentra las decisiones relevantes, luego la expansión gráfica obtiene el contexto completo y limitado, y su salida es un Paquete de Decisión: un registro autónomo de la proposición, árbol de argumentos, evidencia, políticas, aprobaciones, resultado y precedentes. Esto supera el RAG solo vectorial sobre registros, que devuelve fragmentos desconectados que omiten contraargumentos, aprobaciones y precedentes. Un gráfico de decisiones es un sustrato inusualmente bueno para GraphRAG porque cada decisión es un nodo raíz natural, los bordes son de alta señal (llevan razonamiento) y el subgráfico de cada decisión es pequeño y limitado. AIAgentree implementa toda la pila: modelo de datos de seguimiento de decisiones, búsqueda híbrida de precedentes, citación de precedentes, ensamblaje de Paquetes de Decisión, recuperación sobre MCP y A2A, retroalimentación automática de resultados, puntuación de calidad de resultados que mejora las clasificaciones de precedentes, seguimiento de efectividad de argumentos y precedentes auto-sugeridos en el sello: el completo volante de memoria institucional está enviado y en vivo.
La pregunta no es "¿deberíamos almacenar decisiones de IA?" — es "¿en qué las almacenamos?" Almacenarlas como texto y obtienes la sopa de fragmentos del RAG vectorial. Almacenarlas como un gráfico de argumentos normativo y la recuperación devuelve un Paquete de Decisión limitado y auditable.
- •Vector RAG sobre registros devuelve fragmentos desconectados — se pierde el contraargumento, el aprobador, el precedente
- •Decision GraphRAG recupera la decisión con su razonamiento intacto, a través de bordes tipados
- •Un gráfico de decisión es un raro sustrato GraphRAG-perfecto: nodos raíz naturales, bordes de alta señal, subgráficas acotadas.
- •Enviado: búsqueda de precedentes híbridos, Paquetes de Decisión, recuperación MCP/A2A, retroalimentación de resultados, clasificación ponderada por resultados, efectividad de argumentos, precedentes sugeridos automáticamente — el ciclo completo
Tu agente necesita saber cómo decidiste la última vez.
Lo apuntas a un almacén vectorial de registros. Recibe seis fragmentos. Ninguno de ellos contiene la razón.
El problema de recuperación que nadie nombra
Cada sistema de agentes serio eventualmente necesita memoria: la capacidad de consultar cómo se manejó una situación similar antes y actuar de manera consistente. La respuesta predeterminada en 2026 es vector RAG — incrustar todo, recuperar los k fragmentos más similares, y meterlos en la ventana de contexto.
Para documentos, eso funciona. Para decisiones, falla silenciosamente. Y el fallo es estructural, no un problema de ajuste.
Una decisión no es un párrafo. Es una pequeña red de relaciones: una proposición, los argumentos a favor y en contra, la evidencia en la que se basó cada argumento, quién aprobó la excepción y qué caso anterior siguió. Aplana eso en fragmentos de texto e incrústalos, y la recuperación devuelve fragmentos con las relaciones cortadas. Obtienes la conclusión sin el contraargumento. Obtienes la aprobación sin el razonamiento. Obtienes una oración que menciona un precedente sin el precedente en sí.
Esto es lo que los practicantes llaman "sopa de fragmentos." Es por eso que la recuperación solo con vectores sobre los registros de decisiones se siente confiada y es sutilmente poco confiable.
Chunk Soup vs. el Paquete de Decisiones
| Vector RAG devuelve | El gráfico de decisiones GraphRAG devuelve |
|---|---|
| …"el reembolso fue aprobado para el cliente premium" (0.83) …"el umbral para la aprobación automática es de $200" (0.79) …"escalar incidentes SEV-1 al nivel 2" (0.74) | Proposición: Aprobar reembolso #4521 ($240) PRO: Cliente premium, defecto válido CON: Excede el umbral de auto-aprobación de $200 Anulación: Aprobado por el Sr. Analista (política P-12) Precedente: cita el caso #1234 (aprobado, 0 contracargos) Resultado (6 meses): retenido, sin disputa |
| Tres fragmentos plausibles. Sin vínculos entre ellos. ¿Fue este reembolso superior al umbral? ¿Quién lo anuló? ¿Qué pasó después? Los fragmentos no pueden decirlo. | Un paquete limitado. El razonamiento, la excepción, el precedente y el resultado — conectados. |
La diferencia no es el modelo de incrustación ni el tamaño del fragmento. Es el sustrato. Uno almacena texto sobre decisiones; el otro almacena decisiones como estructura.
Por qué los bordes normativos cambian todo
Los grafos de conocimiento genéricos almacenan bordes descriptivos: "menciones", "relacionado con", "propiedad de". Te dicen que dos cosas están conectadas pero no por qué es importante.
Un gráfico de decisiones almacena bordes normativos — las relaciones llevan razonamiento:
- •apoya / se opone — este argumento empujó la decisión hacia o lejos del resultado
- •refuta — esta evidencia contradice directamente esa afirmación
- •califica / depende_de — esto se sostiene solo bajo una condición
Porque el tipo de borde es el razonamiento, el gráfico ya sabe qué es estructural. La recuperación no tiene que adivinar cuál de los diez hechos mencionados realmente impulsó la llamada: los bordes supports con alto peso lo indican. Los gráficos descriptivos permiten la búsqueda. Los gráficos normativos permiten juicio.
Por qué un Grafo de Decisión es "Perfecto para GraphRAG"
La mayoría de los equipos que prueban GraphRAG en un grafo empresarial general se rinden. Las razones son consistentes, y un grafo de decisión evita cada una de ellas:
| Por qué GraphRAG genérico tiene dificultades | Por qué un gráfico de decisiones no lo hace |
|---|---|
| El gráfico es enorme (millones de nodos) | El subgrafo de cada decisión es pequeño y autónomo. |
| Los bordes son de baja señal ("related_to") | Los bordes son normativos y llevan el razonamiento. |
| No hay un nodo raíz natural desde el cual comenzar. | La decisión es el nodo raíz |
| El recorrido no tiene un punto de parada natural. | El límite de una decisión es intrínseco: expande a sus argumentos, evidencia y precedentes citados, luego detente. |
El gráfico tiene "lo que importaba" incorporado en su estructura. Esa es la propiedad que GraphRAG necesita y rara vez obtiene.
El Pipeline de Recuperación Híbrido
Los vectores y los gráficos no son rivales aquí. La recuperación de decisiones utiliza vectores para encontrar los puntos de entrada y la estructura del gráfico para obtener el contexto completo. En AIAgentree, este es un proceso de cinco pasos (incluido en el servicio de búsqueda previa):
Búsqueda vectorial sobre embeddings de decisiones y argumentos — encuentra un puñado de decisiones pasadas relevantes
Filtros estructurados — inquilino, categoría, tipo de entidad, madurez del precedente (para que recuperes casos validados, no borradores)
Expansión del contexto gráfico — recorre los bordes normativos para incorporar los argumentos y evidencias de cada decisión
Clasificación ponderada por resultados — un precedente cuyo resultado fue positivo se clasifica por encima de uno superficialmente similar que no lo fue.
Embalaje — ensamble el resultado en Paquetes de Decisión limitados listos para entregar a un agente o a un revisor
Los límites duros (profundidad máxima, nodos máximos, tiempo de espera) evitan que la expansión se descontrole. La salida nunca es una pared de tokens; es un pequeño número de decisiones completas y comparables.
Recuperación para Agentes: MCP y A2A
La memoria solo es útil si el agente puede acceder a ella mientras razona. AIAgentree expone la recuperación de decisiones de dos maneras:
Sobre MCP
El servidor del Protocolo de Contexto del Modelo expone herramientas como search_precedents y get_packet. Un agente consulta decisiones previas relevantes y recibe Paquetes de Decisión en línea — en medio del razonamiento, no como un trabajo por lotes.
Sobre A2A
En la delegación de agente a agente, el Paquete de Decisión es la carga útil. Un agente receptor hereda el contexto completo y autónomo de una decisión sin tener acceso a la base de datos del remitente.
El paquete es portátil por diseño: lleva todo lo necesario para entender y aplicar la decisión, que es exactamente lo que lo hace seguro para pasar a través de un límite de confianza.
Cómo se ve en código
Recuperando precedentes para la decisión que un agente está a punto de tomar:
# 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)No hay relleno de mensajes en registros sin procesar. El agente razona sobre decisiones anteriores decisiones, con su razonamiento adjunto. El fragmento utiliza el cliente de Python para mayor claridad, pero la misma recuperación (get_packet, search_precedents) está disponible a través de MCP sin SDK, por lo que un agente nativo de MCP consume decisiones como herramientas.
El stack completo está enviado
Preferimos ser precisos que impresionantes. Esto es lo que está en vivo hoy:
Captura y Recuperación de Decisiones
- ✓Modelo de datos de trazas de decisiones normativas (bordes de argumentos tipados)
- ✓Búsqueda de precedentes híbrida (el pipeline de cinco pasos anterior)
- ✓Citación de precedentes — citar una decisión pasada como un argumento de primera clase
- ✓Ensamblaje del paquete de decisión
- ✓Recuperación sobre MCP + A2A
- ✓Registros de decisiones a prueba de manipulaciones y solo de adición
Rueda de Memoria Institucional
- ✓Retroalimentación automática de resultados — la ingesta de webhook + polling escribe los resultados de nuevo en las decisiones
- ✓Puntuación de calidad de resultados — las decisiones con buenos resultados tienen una clasificación más alta en la búsqueda de precedentes
- ✓Efectividad de los argumentos — rastrear qué argumentos llevaron a resultados positivos
- ✓Precedentes auto-sugeridos — decisiones previas relevantes surgidas en el momento del sello
El volante de inercia de circuito cerrado completo está activo: la retroalimentación de resultados fluye de vuelta a los rankings precedentes, la efectividad de los argumentos resalta lo que funcionó, y los agentes reciben precedentes relevantes sugeridos automáticamente cuando toman una decisión. El sustrato gráfico lo hace posible — y ahora la capa de auto-mejora funciona sobre él.
Lo que esto no reemplaza
- •Tu base de datos vectorial — es un componente del pipeline, paso 1
- •Su documento RAG — recuperar políticas y manuales es un trabajo diferente
- •Herramientas de observabilidad — los spans, la latencia y las métricas de tokens aún pertenecen a LangSmith/Langfuse y otros.
El Decision GraphRAG se sitúa por encima de todos ellos y captura el artefacto que ninguno de ellos almacenó: la decisión estructurada, recuperable con su razonamiento intacto.
Preguntas Frecuentes
¿Qué es GraphRAG para decisiones de IA?
GraphRAG (generación aumentada por recuperación mejorada con gráficos) recupera contexto al recorrer un gráfico de conocimiento en lugar de solo clasificar fragmentos de texto por similitud vectorial. Para las decisiones de IA, el gráfico es un gráfico de argumentos normativos: decisiones, los argumentos a favor/en contra que las apoyaron u opusieron, la evidencia citada y los precedentes referenciados, conectados por bordes tipados (apoya, se opone, refuta). La recuperación comienza con la búsqueda vectorial para encontrar decisiones relevantes, luego se expande a lo largo de esos bordes para devolver un Paquete de Decisión completo y acotado en lugar de fragmentos desconectados.
¿Cómo se diferencia la decisión GraphRAG de vector RAG sobre registros?
Vector RAG incrusta fragmentos de texto (registros, transcripciones, documentos) y devuelve los k fragmentos más similares. Esos fragmentos están desconectados: un fragmento recuperado puede citar la conclusión de una decisión pero omitir el contraargumento que casi la revierte, la persona que aprobó la excepción o el precedente en el que se basó. Decision GraphRAG recupera la decisión como una unidad estructurada con su razonamiento intacto, porque las relaciones se almacenan como bordes tipados de primera clase, no se dejan implícitas en prosa.
¿Qué es un Paquete de Decisión?
Un Paquete de Decisión es la salida limitada de la recuperación de decisiones gráficas: una representación estructurada y autónoma de una decisión que contiene la proposición, el árbol de argumentos a favor/en contra, la evidencia y su procedencia, las políticas evaluadas, las personas que la aprobaron, el resultado sellado y cualquier precedente citado. Es lo que un agente (o un auditor) recupera en lugar de un montón de líneas de registro. AIAgentree ensambla Paquetes de Decisión a partir de la traza de decisiones almacenada.
¿Por qué un gráfico de decisiones es un buen sustrato para GraphRAG cuando los gráficos empresariales genéricos no lo son?
Los gráficos de conocimiento genéricos de empresas son difíciles de recorrer: son enormes, sus bordes tienen baja señal ('related_to' no transmite razonamiento), no hay un nodo raíz natural y la expansión no tiene un punto de parada obvio. Un gráfico de decisiones evita los cuatro problemas: cada decisión es una raíz natural, los bordes son normativos y de alta señal (apoya/se opone/refuta llevan el razonamiento real), y el subgrafo de una sola decisión es pequeño y naturalmente limitado. El gráfico ya codifica 'lo que importaba', por lo que la recuperación sabe qué incluir.
¿Esto reemplaza mi base de datos vectorial o mi pila RAG?
No. La búsqueda vectorial es un componente de GraphRAG de decisión, no un competidor de este; las incrustaciones encuentran los puntos de entrada correctos, luego la estructura del grafo recupera el contexto completo. AIAgentree se sitúa en la capa de decisión sobre tus sistemas operativos y tu RAG existente para documentos. Captura y recupera el único artefacto que esos sistemas históricamente no almacenaron: la decisión estructurada en sí.
¿Qué se envía?
Todo lo descrito en esta publicación está en funcionamiento y en vivo: el modelo de datos de trazas de decisiones normativas, búsqueda de precedentes híbrida (un proceso de cinco pasos: búsqueda vectorial → filtros estructurados → expansión de contexto gráfico → clasificación ponderada por resultados → empaquetado), citación de precedentes (citar una decisión pasada como un argumento de primera clase), ensamblaje de Paquetes de Decisión, recuperación expuesta a agentes a través de MCP y A2A, retroalimentación automática de resultados (webhook + ingestión por sondeo), puntuación de calidad de resultados que mejora las clasificaciones de precedentes, seguimiento de efectividad de argumentos (qué argumentos llevaron a buenos resultados) y precedentes sugeridos automáticamente en el sello. Todo el 'volante de memoria institucional' está en vivo y en un ciclo cerrado.
¿Cómo recuperan los agentes decisiones en el momento de la inferencia?
A través del Protocolo de Contexto del Modelo (MCP) y la delegación agente a agente (A2A). AIAgentree expone herramientas como search_precedents y get_packet a través de un servidor MCP, de modo que un agente puede consultar decisiones previas relevantes y recibir Paquetes de Decisión en línea mientras razona. En la delegación A2A, un Paquete de Decisión es la carga útil autónoma que se pasa entre agentes, por lo que un agente receptor hereda el contexto completo de una decisión sin acceso a la base de datos del remitente.
Temas Relacionados
Artículos Relacionados
Las decisiones de IA merecen recibos: por qué el seguimiento de decisiones es la capa que falta en la gobernanza de la IA.
Cada transacción financiera recibe un recibo. Cada contrato legal recibe una firma. ¿Pero las decisiones de IA que afectan a millones de personas? Invisibles. El seguimiento de decisiones cambia eso al capturar el PORQUÉ detrás de cada decisión de IA.
Artículo 6 de la Ley de IA de la UE: Lo que significa la clasificación de alto riesgo para sus agentes de IA
El artículo 6 de la Ley de IA de la UE determina si su sistema de IA es "de alto riesgo" — y activa los requisitos obligatorios de auditoría. Si sus agentes toman decisiones sobre crédito, empleo, educación o atención médica, necesita entender la clasificación del Anexo III antes de diciembre de 2027.
¿Qué es la síntesis de investigación en IA?
Donde la recuperación de decisiones basada en gráficos se encuentra con la investigación: combinando los hallazgos de múltiples modelos en una síntesis estructurada y atribuida.
Equipo de AIAgentree
Infraestructura de Decisiones
El equipo de AIAgentree está construyendo infraestructura de seguimiento y recuperación de decisiones para agentes de IA. Nuestra misión es hacer que el razonamiento de IA sea visible, auditable, recuperable y mejorable.
Dale a tus agentes una memoria que valga la pena recuperar.
Captura decisiones como un gráfico, no como un registro — y recupéralas como Paquetes de Decisión limitados. Nivel gratuito disponible, no se requiere tarjeta de crédito.
Comenzar Gratis