¿Qué es la recuperación de decisiones?
Recuperación de decisiones es cómo un agente de IA busca cómo se manejaron situaciones similares antes — y obtiene el razonamiento, no solo un fragmento. Es GraphRAG para decisiones: recuperación sobre un gráfico de argumentos normativos donde cada decisión se conecta a los argumentos, la evidencia y los precedentes que la configuraron. En lugar de un montón de líneas de registro coincidentes, obtienes un paquete de decisión limitado y audible con su razonamiento intacto.
Recuperación de decisiones = recuperar decisiones pasadas como unidades completas, no fragmentos de texto. El sustrato es un gráfico: decisiones conectadas a argumentos a favor y en contra, evidencia y precedentes por aristas tipadas. La recuperación es híbrida — la búsqueda de vectores encuentra las decisiones relevantes, la expansión del gráfico recupera el contexto completo — y la salida es un Paquete de Decisión. Superó al vector RAG solo sobre registros, que devuelve fragmentos desconectados que descartan la contraargumentación y el precedente.
Recuperación de decisiones vs. vector RAG sobre registros
La forma predeterminada de dar memoria a un agente es vector RAG: incrustar todo, recuperar los fragmentos coincidentes principales y pegarlos en la solicitud. Para documentos esto funciona. Para decisiones falla estructuralmente, porque una decisión no es un párrafo — es una pequeña red de relaciones: una propuesta, los argumentos a favor y en contra, la evidencia en la que cada uno se basó, quién aprobó cualquier excepción y qué caso anterior lo siguió.
Aplanar eso en texto e incrustarlo, y la recuperación devuelve fragmentos con las relaciones cortadas — la conclusión sin la contraargumentación, la aprobación sin la razonamiento, una mención de un precedente sin el precedente en sí. Los practicantes llaman a esto "sopa de fragmentos." Recuperación de decisiones lo evita al recuperar la decisión como una unidad estructurada, porque las relaciones se almacenan como bordes de primera clase en lugar de dejarlos implícitos en la prosa.
El gráfico: bordes normativos, no descriptivos
Los gráficos de conocimiento genéricos almacenan borde descriptivos — "menciones", "relacionados con" — que dicen que dos cosas están conectadas pero no por qué importaba. Un gráfico de decisión almacena borde normativos: soporta, se opone, refuta, califica. Debido a que el tipo de borde es el razonamiento, el gráfico ya codifica lo que era fundamental en una decisión.
Es por eso que un gráfico de decisión es un sustrato de GraphRAG inusualmente bueno donde los gráficos empresariales generales luchan. Los gráficos genéricos son enormes, sus bordes son de baja señal, no hay un nodo raíz natural y el recorrido no tiene un punto de parada obvio. Un gráfico de decisión tiene las propiedades opuestas: cada decisión es un nodo raíz natural, los bordes llevan un razonamiento real y el subgráfico de una sola decisión es pequeño y naturalmente limitado — expandir a sus argumentos, evidencia y precedentes citados, luego detenerse.
Cómo funciona la recuperación híbrida de vector y gráfico
Los vectores y los gráficos no son rivales aquí — la recuperación de decisiones utiliza vectores para encontrar los puntos de entrada y estructura de gráfico para recuperar el contexto completo. En la práctica es una tubería: (1) la búsqueda de vectores sobre las incrustaciones de decisión y argumento encuentra un puñado de decisiones pasadas relevantes; (2) los filtros estructurados reducen por categoría, tipo de entidad y madurez de precedente para que recuperes casos validados, no borradores; (3) la expansión del gráfico recorre los bordes normativos para incorporar los argumentos y la evidencia de cada decisión; (4) el rango con ponderación de resultado hace que los precedentes cuyos resultados resultaron bien floten sobre los superficialmente similares que no lo hicieron; (5) los resultados se empaquetan en Paquetes de decisión limitados.
Límites duros en profundidad, recuento de nodos y tiempo mantienen la expansión para que no se desboque. La salida nunca es una pared de tokens — es un conjunto pequeño de decisiones completas y comparables.
Recuperación para agentes: MCP y A2A
La memoria solo es útil si un agente puede acceder a ella mientras razona. La recuperación de decisiones se expone a los agentes de dos maneras. A través del Protocolo de contexto de modelo (MCP), herramientas como search_precedents y get_packet permiten que un agente consulte decisiones pasadas relevantes y reciba Paquetes de decisión en línea, a mitad de razonamiento — y la ruta de escritura funciona sobre MCP también: un agente puede crear un rastro, registrar su razonamiento, sellar la decisión y recuperar inmediatamente el Paquete de decisión resultante, de principio a fin, sin SDK. En la delegación de agente a agente (A2A), el Paquete de decisión es la carga útil que se pasa entre agentes — un agente receptor hereda el contexto completo y autocontenido de una decisión sin acceso a la base de datos del remitente. El paquete es portable por diseño, lo que lo hace seguro para entregar a través de un límite de confianza.
Cómo AI Agentree entrega la recuperación de decisiones
AI Agentree almacena decisiones como un gráfico normativo y las recupera como paquetes limitados. El sustrato de recuperación se envía y se utiliza:
Búsqueda de precedentes híbrida
Un pipeline de cinco pasos — búsqueda vectorial, filtros estructurados, expansión de contexto de grafo, clasificación ponderada por resultado, empaquetado — recupera decisiones pasadas con su razonamiento adjunto, no como sopa de trozos.
Paquetes de decisiones
La recuperación devuelve un registro acotado y autocontenido de una decisión — proposición, argumentos a favor y en contra, evidencia, políticas, aprobaciones, resultado y precedentes citados.
Citación de precedentes
Un precedente recuperado se puede citar como un argumento de primera clase en una nueva decisión, por lo que la coherencia se compone en lugar de depender de la memoria.
Acceso nativo de agente (MCP + A2A)
Los agentes registran y recuperan decisiones a través de herramientas MCP — el ciclo de vida completo de crear, sellar y obtener paquete sin SDK — y los Paquetes de decisiones viajan como carga útil en la delegación de agente a agente.
Vea el sustrato que se recupera en seguimiento de decisiones, o el tratamiento técnico más profundo en GraphRAG para decisiones de IA.
Preguntas frecuentes
¿Qué es la recuperación de decisiones?
La recuperación de decisiones es recuperar decisiones pasadas de IA como unidades completas y estructuradas, en lugar de fragmentos de texto desconectados. Es una forma de GraphRAG: el sustrato es un grafo de argumentos normativos que conecta cada decisión con los argumentos, la evidencia y los precedentes que la configuraron, y la salida es un Paquete de Decisión acotado — la razonamiento, no solo un fragmento.
¿Cómo es diferente la recuperación de decisiones del vector RAG?
El vector RAG incorpora texto y devuelve los fragmentos coincidentes superiores — fragmentos desconectados que pueden citar la conclusión de una decisión, pero perder el contraargumento, el aprobador y el precedente en el que se basó. La recuperación de decisiones devuelve la decisión con su razonamiento intacto, porque las relaciones se almacenan como aristas tipadas de primera clase en lugar de quedar implícitas en la prosa. La búsqueda vectorial es un componente de la recuperación de decisiones, no un competidor de ella.
¿Qué es GraphRAG?
GraphRAG (generación mejorada de recuperación-aumentada de grafo) recupera contexto al atravesar un grafo de conocimiento en lugar de solo clasificar fragmentos de texto por similitud. Aplicado a decisiones, el grafo es un grafo de argumentos normativos, y la recuperación es híbrida: la búsqueda vectorial encuentra las decisiones relevantes, luego la expansión del grafo recupera el contexto completo y acotado.
¿Qué es un Paquete de Decisión?
Un Paquete de Decisión es la salida acotada de la recuperación de decisiones: un registro autocontenido de una decisión que contiene la proposición, el árbol de argumentos pro/con, la evidencia y su procedencia, las políticas evaluadas, las aprobaciones, el resultado sellado y cualquier precedente citado. Es lo que un agente o auditor recupera en lugar de un montón de líneas de registro.
¿Es un Paquete de Decisión mejor que almacenar la salida de la cadena de pensamiento?
Resuelven problemas diferentes — el paquete es una mejor teneduría de registros, no una mejor razonamiento. La cadena de pensamiento almacenada es prosa: consultarla significa volver a analizar cada traza con un LLM en el momento de lectura, no tiene un campo de resultado para unir, y un blob de texto editable no ofrece un punto de compromiso que un revisor pueda confiar. Un Paquete de Decisión estructura la misma razonamiento una vez, al sellar: los argumentos pro/con tipados se convierten en consultas de grafo deterministas, las decisiones se vinculan a resultados registrados para que la recuperación sea ponderada por resultado, los precedentes se convierten en nodos de argumentos citables en nuevas decisiones, y el registro sellado, enlazado por hash y firmable funciona como evidencia — incluyendo a través de límites de confianza en la delegación de agente a agente. Ninguno de los formatos hace que el razonamiento del modelo sea más fiel; el paquete hace que el razonamiento declarado sea duradero, comparable y defendible. Si solo necesita depurar un agente más adelante, la cadena de pensamiento almacenada es suficiente — los paquetes ganan su estructura cuando las decisiones deben compararse, reutilizarse o defenderse.
¿Reemplaza la recuperación de decisiones mi base de datos vectorial o mi RAG de documento?
No. La búsqueda vectorial es el primer paso de la tubería de recuperación, y el RAG de documento es un trabajo separado. La recuperación de decisiones se sitúa sobre la pila existente y captura el único artefacto que esos sistemas no almacenaron: la decisión estructurada en sí, recuperable con su razonamiento intacto.
¿Cómo implementa AI Agentree la recuperación de decisiones?
A través de una tubería de búsqueda de precedentes de cinco pasos enviada (búsqueda vectorial, filtros estructurados, expansión de contexto de grafo, clasificación ponderada por resultado, empaquetado), ensamblaje de Paquete de Decisión, citación de precedentes y recuperación expuesta a agentes sobre MCP y A2A. La retroalimentación automática de resultados y la síntesis de patrones entre decisiones — la capa completamente auto-mejorada sobre la recuperación — están en la hoja de ruta.
Temas de gobernanza de la IA relacionados
Gobernanza de la IA
La disciplina paraguas: cómo las organizaciones mantienen a los agentes de la IA responsables, observables y cumplidores — comienza aquí.
Observabilidad de la IA
Ver lo que hacen tus sistemas de la IA en producción — métricas, trazas y registros.
Observabilidad de LLM
Monitorear las solicitudes, tokens, latencia y calidad de las llamadas al modelo de lenguaje grande.
Rastreabilidad de la IA
Reconstruir la línea de descendencia completa de una salida de la IA — entradas, pasos y decisiones.
Rastreabilidad de LLM
Trazas de extremo a extremo de cadenas de LLM y solicitudes de varios pasos.
Observabilidad de agente de la IA
Observabilidad para agentes autónomos de varios pasos — llamadas a herramientas, planes y decisiones.
Gobernanza de la IA agente
Gobernar a los agentes autónomos: política, supervisión y autonomía responsable.
Registro de auditoría de la IA
Registros solo de agregar, resistentes a la manipulación, de lo que decidió un sistema de la IA y por qué.
Monitoreo de agente de la IA
Monitoreo en tiempo real del comportamiento del agente, deriva y calidad de la decisión.
IA Explicable (XAI)
Hacer que las decisiones de la IA sean comprensibles para las personas responsables de ellas.
AI TRiSM
Marco de Gartner para la gestión de la confianza, el riesgo y la seguridad de la IA.
Rastreo de decisiones
Capturar el razonamiento estructurado detrás de cada decisión de la IA — categoría de AI Agentree.
Sistemas de precedentes de la IA
Permitir que los agentes aprendan de decisiones pasadas como precedentes buscables.
Dale a sus agentes una memoria que valga la pena recuperar
Almacene decisiones como un gráfico, no como un registro — y recupérelas como Paquetes de Decisión limitados que sus agentes puedan razonar.
Comience gratis