Qu'est-ce que la récupération de décision ?
La récupération de décision est la façon dont un agent IA recherche la façon dont des situations similaires ont été traitées auparavant — et obtient le raisonnement, et non juste un extrait. Il s'agit de GraphRAG pour les décisions : récupération sur un graphique d'argumentation normatif où chaque décision est liée aux arguments, aux preuves et aux précédents qui l'ont façonnée. Au lieu d'un tas de lignes de journal correspondantes, vous obtenez un paquet de décision borné et auditable avec son raisonnement intact.
La récupération de décision = récupération des décisions passées sous forme d'unités complètes, et non de fragments de texte. Le substrat est un graphique : les décisions sont connectées aux arguments pour et contre, aux preuves et aux précédents par des arêtes typées. La récupération est hybride — la recherche vectorielle trouve les décisions pertinentes, l'expansion du graphique récupère le contexte complet — et la sortie est un Paquet de décision. Cela surpasse la récupération vectorielle RAG sur les journaux, qui renvoie des fragments déconnectés qui omettent le contre-argument et le précédent.
Récupération de décisions vs. vector RAG sur les journaux
La façon par défaut de donner une mémoire à un agent est vector RAG : intégrer tout, récupérer les fragments correspondants les plus pertinents et les coller dans l'invite. Pour les documents, cela fonctionne. Pour les décisions, cela échoue structurellement, car une décision n'est pas un paragraphe — c'est une petite toile de relations : une proposition, les arguments pour et contre, les preuves sur lesquelles chacun s'appuie, qui a approuvé toute exception et quel cas précédent il a suivi.
Aplatir cela en texte et l'intégrer, et la récupération renvoie des fragments avec les relations coupées — la conclusion sans la contre-argumentation, l'approbation sans la justification, une mention d'un précédent sans le précédent lui-même. Les praticiens appellent cela "soupe de fragments." La récupération de décisions l'évite en récupérant la décision comme une unité structurée, car les relations sont stockées comme des arêtes de premier ordre et non laissées implicites dans la prose.
Le graphique : arêtes normatives, pas descriptives
Les graphiques de connaissances génériques stockent des arêtes descriptives — "mentions", "liés à" — qui disent que deux choses sont connectées mais pas pourquoi cela comptait. Un graphique de décision stocke des arêtes normatives : soutient, s'oppose à, réfute, qualifie. Puisque le type d'arête est le raisonnement, le graphique encode déjà ce qui était essentiel dans une décision.
C'est aussi pourquoi un graphique de décision est un substrat GraphRAG inhabituellement bon, là où les graphiques d'entreprise génériques ont du mal. Les graphiques génériques sont énormes, leurs arêtes sont à faible signal, il n'y a pas de nœud racine naturel et la traversée n'a pas de point d'arrêt évident. Un graphique de décision a des propriétés opposées : chaque décision est un nœud racine naturel, les arêtes transportent un raisonnement réel et le sous-graphique d'une seule décision est petit et naturellement limité — étendez-le à ses arguments, preuves et précédents cités, puis arrêtez.
Fonctionnement de la récupération hybride vectorielle et graphique
Les vecteurs et les graphiques ne sont pas des rivaux ici — la récupération de décisions utilise des vecteurs pour trouver les points d'entrée et la structure de graphique pour récupérer le contexte complet. Dans la pratique, c'est une pipeline : (1) la recherche vectorielle sur les intégrations de décision et d'argument trouve une poignée de décisions passées pertinentes ; (2) des filtres structurés rétrécissent par catégorie, type d'entité et maturité du précédent afin de récupérer des cas validés, et non des brouillons ; (3) l'expansion du graphique parcourt les arêtes normatives pour intégrer les arguments et les preuves de chaque décision ; (4) le classement pondéré par résultat fait flotter les précédents dont les résultats se sont avérés bons au-dessus de ceux qui sont superficiellement similaires mais n'ont pas fonctionné ; (5) les résultats sont conditionnés en Paquets de décision limités.
Des limites strictes sur la profondeur, le nombre de nœuds et le temps empêchent l'expansion de s'échapper. La sortie n'est jamais un mur de jetons — c'est un petit ensemble de décisions complètes et comparables.
Récupération pour les agents : MCP et A2A
La mémoire n'est utile que si un agent peut y accéder pendant le raisonnement. La récupération de décisions est exposée aux agents de deux manières. Sur le protocole de contexte de modèle (MCP), des outils tels que search_precedents et get_packet permettent à un agent d'interroger des décisions passées pertinentes et de recevoir des Paquets de décision en ligne, au milieu du raisonnement — et le chemin d'écriture fonctionne également sur le MCP : un agent peut créer une trace, enregistrer son raisonnement, sceller la décision et récupérer immédiatement le Paquet de décision résultant, de bout en bout, sans SDK. Dans la délégation d'agent à agent (A2A), le Paquet de décision est la charge utile transmise entre les agents — un agent récepteur hérite du contexte complet et autonome d'une décision sans accéder à la base de données de l'expéditeur. Le paquet est conçu pour être portable, ce qui le rend sécurisé pour le transmettre à travers une limite de confiance.
Comment AI Agentree livre la récupération de décision
AI Agentree stocke les décisions sous forme de graphique normatif et les récupère sous forme de paquets bornés. Le substrat de récupération est expédié et utilisé :
Recherche de précédent hybride
Un pipeline en cinq étapes — recherche vectorielle, filtres structurés, expansion du contexte graphique, classement pondéré par résultat, emballage — récupère les décisions passées avec leur raisonnement attaché, et non comme une soupe de morceaux.
Paquets de décision
La récupération renvoie un enregistrement borné et autonome d'une décision — proposition, arguments pour et contre, preuves, politiques, approbations, résultat et précédents cités.
Citation de précédent
Un précédent récupéré peut être cité comme un argument de première classe dans une nouvelle décision, de sorte que la cohérence se renforce au lieu de s'appuyer sur la mémoire.
Accès natif pour les agents (MCP + A2A)
Les agents enregistrent et récupèrent les décisions via les outils MCP — le cycle de vie complet de création, de scellement et de récupération de paquet sans SDK — et les Paquets de décision voyagent comme charge utile dans la délégation d'agent à agent.
Voir le substrat à partir duquel cela récupère sur la traçabilité de décision, ou le traitement technique plus approfondi dans GraphRAG pour les décisions d'IA.
Foires aux questions
Qu'est-ce que la récupération de décision ?
La récupération de décision consiste à récupérer des décisions passées d'IA sous forme d'unités structurées complètes, plutôt que des fragments de texte déconnectés. Il s'agit d'une forme de GraphRAG : le substrat est un graphique d'argumentation normatif qui relie chaque décision aux arguments, preuves et précédents qui l'ont façonnée, et la sortie est un paquet de décision borné — le raisonnement, et non seulement un extrait.
Comment la récupération de décision diffère-t-elle de la RAG vectorielle ?
La RAG vectorielle intègre le texte et renvoie les morceaux correspondants les plus pertinents — des fragments déconnectés qui peuvent citer la conclusion d'une décision, mais manquer le contre-argument, l'approbateur et le précédent sur lequel il s'appuie. La récupération de décision renvoie la décision avec son raisonnement intact, car les relations sont stockées sous forme de bords typés de première classe plutôt que d'être implicites dans la prose. La recherche vectorielle est un composant de la récupération de décision, et non un concurrent.
Qu'est-ce que le GraphRAG ?
Le GraphRAG (recherche-augmentée par génération améliorée par graphique) récupère le contexte en parcourant un graphique de connaissances au lieu de ne classer que les morceaux de texte par similarité. Appliqué aux décisions, le graphique est un graphique d'argumentation normatif, et la récupération est hybride : la recherche vectorielle trouve les décisions pertinentes, puis l'expansion du graphique récupère le contexte complet et borné.
Qu'est-ce qu'un paquet de décision ?
Un paquet de décision est la sortie bornée de la récupération de décision : un enregistrement autonome d'une décision contenant la proposition, l'arbre d'arguments pro/con, les preuves et leur provenance, les politiques évaluées, les approbations, le résultat scellé et tout précédent cité. C'est ce qu'un agent ou un auditeur récupère au lieu d'un tas de lignes de journal.
Un paquet de décision est-il meilleur que le stockage de la sortie de la chaîne de pensée ?
Ils résolvent des problèmes différents — le paquet est une meilleure tenue de compte, et non un meilleur raisonnement. La chaîne de pensée stockée est de la prose : la requêter signifie reparser chaque trace avec un LLM au moment de la lecture, elle n'a pas de champ de résultat pour joindre, et un blob de texte modifiable n'offre pas de point de commit que un réviseur peut faire confiance. Un paquet de décision structure le même raisonnement une seule fois, au scellement : les arguments pro/con typés de position deviennent des requêtes de graphique déterministes, les décisions relient les résultats enregistrés de sorte que la récupération soit pondérée par le résultat, les précédents deviennent des nœuds d'argumentation citables dans de nouvelles décisions, et l'enregistrement haché, scellé et signable fonctionne comme preuve — y compris à travers les limites de confiance dans la délégation d'agent à agent. Aucun format ne rend le raisonnement du modèle plus fidèle ; le paquet rend le raisonnement déclaré durable, comparable et défendable. Si vous n'avez besoin que de déboguer un agent plus tard, la chaîne de pensée stockée suffit — les paquets gagnent leur structure lorsque les décisions doivent être comparées, réutilisées ou défendues.
La récupération de décision remplace-t-elle ma base de données vectorielle ou mon document RAG ?
Non. La recherche vectorielle est la première étape du pipeline de récupération, et le document RAG est un travail séparé. La récupération de décision s'appuie sur votre pile existante et capture l'artefact que ces systèmes n'ont pas stocké : la décision structurée elle-même, récupérable avec son raisonnement intact.
Comment l'agent AI Agentree met-il en œuvre la récupération de décision ?
Grâce à un pipeline de recherche de précédent à cinq étapes expédié (recherche vectorielle, filtres structurés, expansion du contexte du graphique, classement pondéré par le résultat, conditionnement), l'assemblage du paquet de décision, la citation de précédent et la récupération exposée aux agents via MCP et A2A. La rétroaction automatique de résultat et la synthèse de modèles de décision transversale — la couche entièrement auto-améliorante au-dessus de la récupération — sont sur la feuille de route.
Sujets de gouvernance de l'IA liés
Gouvernance de l'IA
La discipline parapluie : comment les organisations rendent les agents d'IA responsables, observables et conformes — commencez ici.
Observabilité de l'IA
Voir ce que vos systèmes d'IA font en production — métriques, traces et journaux.
Observabilité de LLM
Surveillance des invites, des jetons, de la latence et de la qualité des appels de modèle de langage large.
Traçabilité de l'IA
Reconstituer la lignée complète d'une sortie d'IA — entrées, étapes et décisions.
Traçabilité de LLM
Traces de bout en bout des chaînes de LLM et d'invites multi-étapes.
Observabilité de l'agent d'IA
Observabilité pour les agents autonomes multi-étapes — appels d'outils, plans et décisions.
Gouvernance de l'IA agentic
Gouverner les agents autonomes : politique, surveillance et autonomie responsable.
Traçage d'audit de l'IA
Enregistrements append-only, tamper-évidents de ce qu'un système d'IA a décidé et pourquoi.
Surveillance de l'agent d'IA
Surveillance en temps réel du comportement de l'agent, de la dérive et de la qualité de la décision.
IA explicative (XAI)
Rendre les décisions d'IA compréhensibles pour les personnes responsables de celles-ci.
AI TRiSM
Cadre de Gartner pour la gestion de la confiance, des risques et de la sécurité de l'IA.
Traçage de décision
Capturer le raisonnement structuré derrière chaque décision d'IA — catégorie d'AI Agentree.
Systèmes de précédent d'IA
Permettre aux agents d'apprendre des décisions passées comme précédent recherchable.
Donnez à vos agents une mémoire qui vaille la peine d'être récupérée
Stockez les décisions sous forme de graphique, et non de journal — et récupérez-les sous forme de Paquets de décision bornés que vos agents peuvent raisonner.
Commencer gratuitement