GraphRAG pour les décisions IA
GraphRAG (récupération augmentée par graphe) récupère le contexte en parcourant un graphe de connaissances plutôt qu'en classant uniquement des morceaux de texte par similarité vectorielle. Pour les décisions des agents IA, le graphe est un graphe d'arguments normatif : des décisions connectées aux arguments pour et contre qui les ont soutenues ou opposées, les preuves citées et les précédents référencés, via des arêtes typées (soutient, s'oppose, réfute). La récupération de décisions est un pipeline hybride — la recherche vectorielle trouve les décisions pertinentes, puis l'expansion du graphe récupère le contexte complet et limité — et sa sortie est un paquet de décision : un enregistrement autonome de la proposition, de l'arbre d'arguments, des preuves, des politiques, des approbations, du résultat et des précédents. Cela surpasse le RAG uniquement vectoriel sur les journaux, qui renvoie des morceaux déconnectés qui manquent de contre-arguments, d'approbations et de précédents. Un graphe de décision est un substrat GraphRAG exceptionnellement bon car chaque décision est un nœud racine naturel, les arêtes sont à fort signal (elles portent le raisonnement), et le sous-graphe de chaque décision est petit et limité. AIAgentree implémente l'ensemble de la pile : modèle de données de traçage des décisions, recherche hybride de précédents, citation de précédents, assemblage de paquets de décision, récupération sur MCP et A2A, retour d'information sur les résultats, scoring de qualité des résultats qui améliore le classement des précédents, suivi de l'efficacité des arguments, et précédents auto-suggérés sur le sceau — le flywheel de mémoire institutionnelle complet est expédié et en direct.
La question n'est pas "devons-nous stocker les décisions IA ?" — c'est "dans quoi les stockons-nous ?" Les stocker sous forme de texte et vous obtenez la soupe de morceaux du RAG vectoriel. Les stocker sous forme de graphe d'arguments normatif et la récupération renvoie un paquet de décision limité et auditable.
- •Vector RAG sur les journaux renvoie des extraits déconnectés — il manque le contre-argument, l'approbateur, le précédent
- •Decision GraphRAG récupère la décision avec son raisonnement intact, via des arêtes typées
- •Un graphe de décision est un substrat GraphRAG-parfait rare : nœuds racines naturels, arêtes à fort signal, sous-graphes bornés.
- •Expédié : recherche de précédents hybrides, paquets de décision, récupération MCP/A2A, retour d'information sur les résultats, classement pondéré par les résultats, efficacité des arguments, précédents suggérés automatiquement — le flywheel complet
Votre agent a besoin de savoir comment vous avez décidé la dernière fois.
Vous le pointez vers un magasin de vecteurs de journaux. Il reçoit six extraits. Aucun d'eux ne contient la raison.
Le problème de récupération que personne ne nomme
Chaque système d'agent sérieux a finalement besoin de mémoire : la capacité de consulter comment une situation similaire a été gérée auparavant et d'agir de manière cohérente. La réponse par défaut en 2026 est vector RAG — intégrer tout, récupérer les k morceaux les plus similaires, les insérer dans la fenêtre de contexte.
Pour les documents, cela fonctionne. Pour les décisions, cela échoue discrètement. Et l'échec est structurel, pas un problème de réglage.
Une décision n'est pas un paragraphe. C'est un petit réseau de relations : une proposition, les arguments pour et contre, les preuves sur lesquelles chaque argument s'appuyait, qui a approuvé l'exception, et quel cas précédent elle a suivi. Aplatir cela en morceaux de texte et les intégrer, et la récupération renvoie des fragments avec les relations coupées. Vous obtenez la conclusion sans le contre-argument. Vous obtenez l'approbation sans le raisonnement. Vous obtenez une phrase qui mentionne un précédent sans le précédent lui-même.
C'est ce que les praticiens appellent "soupe de morceaux." C'est pourquoi la récupération uniquement vectorielle à partir des journaux de décision semble confiante et est subtilement peu fiable.
Chunk Soup contre le Packet de Décision
| Vector RAG renvoie | GraphRAG de décision retourne |
|---|---|
| …"le remboursement a été approuvé pour le client premium" (0.83) …"le seuil pour l'approbation automatique est de 200 $" (0.79) …"escalader les incidents SEV-1 au niveau 2" (0.74) | Proposition : Approuver le remboursement #4521 (240 $) POUR : Client premium, défaut valide CONTRE : Dépasse le seuil d'auto-approbation de 200 $ Dérogation : Approuvé par l'analyste senior (politique P-12) Précédent : cite le cas #1234 (approuvé, 0 rétrofacturations) Résultat (6 mois) : conservé, pas de litige |
| Trois fragments plausibles. Aucun lien entre eux. Ce remboursement était-il au-dessus du seuil ? Qui l'a annulé ? Que s'est-il passé ensuite ? Les morceaux ne peuvent pas le dire. | Un paquet limité. Le raisonnement, l'exception, le précédent et le résultat — connectés. |
La différence n'est pas le modèle d'intégration ou la taille des morceaux. C'est le substrat. L'un stocke du texte sur des décisions ; l'autre stocke des décisions sous forme de structure.
Pourquoi les bords normatifs changent tout
Les graphes de connaissances génériques stockent des arêtes descriptives : "mentions", "lié à", "appartient à". Ils vous indiquent que deux choses sont connectées mais pas pourquoi cela importait.
Un graphe de décision stocke des arêtes normatives — les relations portent un raisonnement :
- •soutient / s'oppose — cet argument a poussé la décision vers ou loin du résultat
- •conteste — cette preuve contredit directement cette affirmation
- •qualifie / dépend_de — cela ne tient que sous une condition
Parce que le type de bord est le raisonnement, le graphe sait déjà ce qui est porteur. La récupération n'a pas à deviner lequel des dix faits mentionnés a réellement motivé l'appel — les bords supports avec un poids élevé le disent. Les graphes descriptifs permettent la recherche. Les graphes normatifs permettent le jugement.
Pourquoi un graphique de décision est "GraphRAG-parfait"
La plupart des équipes qui essaient GraphRAG sur un graphe d'entreprise général abandonnent. Les raisons sont cohérentes, et un graphe de décision évite chacune d'elles :
| Pourquoi le GraphRAG générique rencontre des difficultés | Pourquoi un graphique de décision ne le fait-il pas |
|---|---|
| Le graphe est énorme (des millions de nœuds) | Chaque sous-graphe de décision est petit et autonome. |
| Les bords sont à faible signal ("related_to") | Les bords sont normatifs et portent le raisonnement. |
| Aucun nœud racine naturel à partir duquel commencer | La décision est le nœud racine |
| La traversée n'a pas de point d'arrêt naturel. | La frontière d'une décision est intrinsèque — élargissez-la à ses arguments, preuves et précédents cités, puis arrêtez-vous. |
Le graphique a "ce qui importait" intégré dans sa structure. C'est la propriété dont GraphRAG a besoin et qu'il obtient rarement.
Le pipeline de récupération hybride
Les vecteurs et les graphes ne sont pas en concurrence ici. La récupération de décisions utilise des vecteurs pour trouver les points d'entrée et la structure de graphe pour obtenir le contexte complet. Dans AIAgentree, il s'agit d'un pipeline en cinq étapes (livré dans le service de recherche préalable) :
Recherche vectorielle sur les embeddings de décision et d'argument — trouvez la poignée de décisions passées pertinentes
Filtres structurés — locataire, catégorie, type d'entité, maturité des précédents (pour que vous récupériez des cas validés, pas des brouillons)
Expansion du contexte graphique — parcourir les bords normatifs pour rassembler les arguments et les preuves de chaque décision
Classement pondéré par les résultats — un précédent dont le résultat s'est bien déroulé se classe au-dessus d'un autre superficiellement similaire qui ne l'a pas été.
Emballage — assembler le résultat en Paquets de Décision délimités prêts à être remis à un agent ou à un examinateur
Les limites strictes (profondeur maximale, nombre maximal de nœuds, délai d'attente) empêchent l'expansion de s'emballer. La sortie n'est jamais un mur de jetons — c'est un petit nombre de décisions complètes et comparables.
Récupération pour les agents : MCP et A2A
La mémoire n'est utile que si l'agent peut y accéder pendant qu'il raisonne. AIAgentree expose la récupération de décisions de deux manières :
Sur MCP
Le serveur du Protocole de Contexte de Modèle expose des outils comme search_precedents et get_packet. Un agent interroge pour des décisions antérieures pertinentes et reçoit des Paquets de Décision en ligne — en cours de raisonnement, et non sous forme de lot.
Sur A2A
Dans la délégation agent à agent, le paquet de décision est la charge utile. Un agent récepteur hérite du contexte complet et autonome d'une décision sans avoir accès à la base de données de l'expéditeur.
Le paquet est conçu pour être portable — il contient tout ce qui est nécessaire pour comprendre et appliquer la décision, ce qui est exactement ce qui le rend sûr à transmettre au-delà d'une frontière de confiance.
À quoi cela ressemble en code
Récupérer un précédent pour la décision qu'un agent s'apprête à prendre :
# 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)Pas de remplissage de prompts avec des journaux bruts. L'agent raisonne sur les décisions antérieures, avec leur raisonnement attaché. L'extrait utilise le client Python pour plus de clarté — mais la même récupération (get_packet, search_precedents) est disponible via MCP sans SDK, donc un agent natif MCP consomme des décisions comme des outils.
La pile complète est expédiée
Nous préférons être précis plutôt qu'impressionnants. Voici ce qui est en direct aujourd'hui :
Capture et Récupération de Décisions
- ✓Modèle de données de trace décisionnelle normative (arêtes d'argument typées)
- ✓Recherche de précédent hybride (le pipeline en cinq étapes ci-dessus)
- ✓Citation de précédent — citer une décision passée comme un argument de premier ordre
- ✓Assemblage du paquet de décision
- ✓Récupération sur MCP + A2A
- ✓Registres de décision à preuve de falsification et en mode ajout uniquement
Mémoire institutionnelle Flywheel
- ✓Retour d'information sur les résultats automatique — l'ingestion par webhook + polling écrit les résultats sur les décisions
- ✓Évaluation de la qualité des résultats — les décisions avec de bons résultats sont mieux classées dans la recherche de précédents
- ✓Efficacité des arguments — suivez quels arguments ont conduit à des résultats positifs
- ✓Précédents auto-suggérés — décisions antérieures pertinentes apparues au moment du sceau
Le volant d'inertie à boucle fermée complet est actif : le retour d'information sur les résultats revient dans les classements précédents, l'efficacité des arguments fait ressortir ce qui a fonctionné, et les agents reçoivent des précédents pertinents suggérés automatiquement lorsqu'ils prennent une décision. Le substrat graphique rend cela possible — et maintenant, la couche d'auto-amélioration fonctionne par-dessus.
Ce que cela ne remplace pas
- •Votre base de données vectorielle — c'est un composant du pipeline, étape 1
- •Votre document RAG — récupérer des politiques et des manuels est un travail différent
- •Outils d'observabilité — les spans, la latence et les métriques de tokens appartiennent toujours à LangSmith/Langfuse et al.
Le GraphRAG de décision se trouve au-dessus de tous et capture l'artéfact que ninguno d'eux n'a stocké : la décision structurée, récupérable avec son raisonnement intact.
Questions Fréquemment Posées
Qu'est-ce que GraphRAG pour les décisions d'IA ?
GraphRAG (génération augmentée par récupération améliorée par graphe) récupère le contexte en parcourant un graphe de connaissances au lieu de se contenter de classer des morceaux de texte par similarité vectorielle. Pour les décisions d'IA, le graphe est un graphe d'arguments normatifs — décisions, les arguments pour/contre qui les ont soutenues ou opposées, les preuves citées et les précédents référencés, connectés par des arêtes typées (soutient, s'oppose, réfute). La récupération commence par une recherche vectorielle pour trouver des décisions pertinentes, puis s'étend le long de ces arêtes pour renvoyer un paquet de décision complet et délimité plutôt que des extraits déconnectés.
En quoi la décision GraphRAG est-elle différente de vector RAG sur les journaux ?
Vector RAG intègre des morceaux de texte (journaux, transcriptions, documents) et renvoie les k fragments les plus similaires. Ces fragments sont déconnectés : un extrait récupéré peut citer la conclusion d'une décision mais omettre le contre-argument qui l'a presque inversée, la personne qui a approuvé l'exception, ou le précédent sur lequel elle s'est appuyée. Decision GraphRAG récupère la décision en tant qu'unité structurée avec son raisonnement intact, car les relations sont stockées en tant que bords typés de première classe, et non laissées implicites dans la prose.
Qu'est-ce qu'un paquet de décision ?
Un paquet de décision est la sortie délimitée de la récupération de décisions graphiques : une représentation autonome et structurée d'une décision contenant la proposition, l'arbre des arguments pour/contre, les preuves et leur provenance, les politiques évaluées, les personnes qui l'ont approuvée, le résultat scellé et tous les précédents cités. C'est ce qu'un agent (ou un auditeur) récupère au lieu d'une pile de lignes de journal. AIAgentree assemble des paquets de décision à partir de la trace de décision stockée.
Pourquoi un graphe de décision est-il un bon substrat pour GraphRAG alors que les graphes d'entreprise génériques ne le sont pas ?
Les graphes de connaissances d'entreprise génériques sont difficiles à parcourir : ils sont énormes, leurs arêtes ont un faible signal ('related_to' ne transmet aucun raisonnement), il n'y a pas de nœud racine naturel, et l'expansion n'a pas de point d'arrêt évident. Un graphe de décision évite les quatre problèmes : chaque décision est une racine naturelle, les arêtes sont normatives et à fort signal (soutient/s'oppose/réfute portent le raisonnement réel), et le sous-graphe d'une seule décision est petit et naturellement délimité. Le graphe encode déjà 'ce qui importait', donc la récupération sait quoi inclure.
Cela remplace-t-il ma base de données vectorielle ou ma pile RAG ?
Non. La recherche vectorielle est un composant de GraphRAG, pas un concurrent — les embeddings trouvent les bons points d'entrée, puis la structure du graphe récupère le contexte complet. AIAgentree se situe au niveau de décision au-dessus de vos systèmes opérationnels et de votre RAG existant pour les documents. Il capture et récupère le seul artefact que ces systèmes n'ont historiquement pas stocké : la décision structurée elle-même.
Qu'est-ce qui est expédié ?
Tout ce qui est décrit dans ce post est expédié et en direct : le modèle de données de trace décisionnelle normative, la recherche de précédents hybride (un pipeline en cinq étapes : recherche vectorielle → filtres structurés → expansion du contexte graphique → classement pondéré par les résultats → emballage), citation de précédents (citer une décision passée comme un argument de premier ordre), assemblage de paquets de décision, récupération exposée aux agents via MCP et A2A, retour d'information automatique sur les résultats (webhook + ingestion par sondage), scoring de la qualité des résultats qui améliore les classements des précédents, suivi de l'efficacité des arguments (quels arguments ont conduit à de bons résultats), et précédents suggérés automatiquement sur le sceau. L'ensemble du 'flywheel de mémoire institutionnelle' est en direct et en boucle fermée.
Comment les agents récupèrent-ils des décisions au moment de l'inférence ?
Grâce au Protocole de Contexte de Modèle (MCP) et à la délégation agent à agent (A2A). AIAgentree expose des outils tels que search_precedents et get_packet sur un serveur MCP, permettant à un agent de consulter des décisions antérieures pertinentes et de recevoir des Paquets de Décision en ligne pendant qu'il raisonne. Dans la délégation A2A, un Paquet de Décision est la charge utile autonome transmise entre les agents, de sorte qu'un agent récepteur hérite du contexte complet d'une décision sans accès à la base de données de l'expéditeur.
Sujets Connexes
Articles Connexes
Les décisions de l'IA méritent des justificatifs : pourquoi le suivi des décisions est la couche manquante dans la gouvernance de l'IA.
Chaque transaction financière reçoit un reçu. Chaque contrat légal obtient une signature. Mais les décisions de l'IA qui affectent des millions de personnes ? Invisibles. Le suivi des décisions change cela en capturant le POURQUOI derrière chaque décision de l'IA.
Article 6 de la loi sur l'IA de l'UE : Ce que signifie la classification à haut risque pour vos agents IA
L'article 6 de la loi européenne sur l'IA détermine si votre système d'IA est "à haut risque" — et déclenche des exigences obligatoires en matière de traçabilité. Si vos agents prennent des décisions concernant le crédit, l'emploi, l'éducation ou la santé, vous devez comprendre la classification de l'annexe III avant décembre 2027.
Qu'est-ce que la synthèse de recherche en IA ?
Là où la récupération de décisions basée sur des graphes rencontre la recherche : combiner les résultats de plusieurs modèles en une synthèse structurée et attribuée.
Équipe AIAgentree
Infrastructure de décision
L'équipe AIAgentree construit une infrastructure de traçage et de récupération des décisions pour les agents IA. Notre mission est de rendre le raisonnement IA visible, auditable, récupérable et améliorable.
Donnez à vos agents une mémoire qui vaut la peine d'être récupérée.
Capturez les décisions sous forme de graphe, pas de journal — et récupérez-les sous forme de paquets de décision limités. Niveau gratuit disponible, aucune carte de crédit requise.
Commencer Gratuit