નિર્ણય પુનઃપ્રાપ્તિ શું છે?
નિર્ણય પુનઃપ્રાપ્તિ એ એક AI એજન્ટ દ્વારા પહેલાના સમાન પરિસ્થિતિઓ કેવી રીતે સંભાળવામાં આવી હતી તેની શોધ કરવાની રીત છે — અને તે ફક્ત એક સ્નિપેટ નહીં, પરંતુ તર્ક પણ મેળવે છે. તે GraphRAG for decisions છે: એક નોર્મેટિવ આર્ગ્યુમેન્ટ ગ્રાફ પર પુનઃપ્રાપ્તિ જેમાં દરેક નિર્ણય તેના દ્વારા સમર્થન, વિરોધ, પુરાવા અને સંદર્ભોને જોડતા કિનારાઓ દ્વારા જોડાયેલો છે. તમને મેળવવામાં આવતા વસ્તુને બદલે, તમે એક નિર્ણય મેળવો છો જેનો તર્ક સલામત છે.
નિર્ણય પુનઃપ્રાપ્તિ = પહેલાના નિર્ણયોને ટેક્સ્ટ ટુકડાઓને બદલે સંપૂર્ણ એકમો તરીકે પુનઃપ્રાપ્ત કરવો. સબસ્ટ્રેટ એક ગ્રાફ છે: નિર્ણયો ટાઇપ કરેલા કિનારાઓ દ્વારા સમર્થન/વિરોધ, પુરાવા અને સંદર્ભોને જોડતા કિનારાઓ દ્વારા જોડાયેલા છે. પુનઃપ્રાપ્તિ હાઇબ્રિડ છે — વેક્ટર શોધ સંબંધિત નિર્ણયોને શોધે છે, ત્યારબાદ ગ્રાફ વિસ્તરણ સંપૂર્ણ સંદર્ભ મેળવે છે — અને આઉટપુટ એક નિર્ણય પેકેટ છે. તે લોગ્સ પર વેક્ટર-માત્ર RAG કરતાં વધુ સારું છે, જે વિખંડિત ટુકડાઓને પાછા કરે છે જે વિરોધાભાસ, મંજૂરીકર્તા અને સંદર્ભને ગુમાવે છે.
નિર્ણય પુનઃપ્રાપ્તિ વર્સસ વેક્ટર RAG ઓવર લોગ્સ
એજન્ટને મેમરી આપવાનો ડિફોલ્ટ રસ્તો વેક્ટર RAG છે: બધું એમ્બેડ કરો, ટોચના મેચિંગ ચંકોને પુનઃપ્રાપ્ત કરો અને તેને પ્રમ્પટમાં ચોટકો. ડોક્યુમેન્ટ્સ માટે તે કામ કરે છે. નિર્ણયો માટે તે રચનાત્મક રીતે નિષ્ફળ જાય છે, કારણ કે નિર્ણય એક પેરાગ્રાફ નથી - તે સંબંધોનો નાનો જાલ છે: પ્રસ્તાવ, તેની તરફેણ અને વિરોધ, દરેક પર આધારિત પુરાવા, કોણે કોઈ અપવાદને મંજૂરી આપી હતી, અને કયા અગાઉના કેસને તેણે અનુસર્યું હતું.
તેને ટેક્સ્ટમાં ફ્લેટ કરો અને એમ્બેડ કરો, અને પુનઃપ્રાપ્તિ સંબંધો તૂટેલા સાથેના ટુકડાઓને હાથમાં લેવામાં આવે છે - વિરોધાભાસ વિનાનો નિષ્કર્ષ, કારણ વિનાની મંજૂરી, પૂર્વગામી વિનાનો ઉલ્લેખ. પ્રેક્ટિશનરો તેને "ચંક સૂપ" કહે છે. નિર્ણય પુનઃપ્રાપ્તિ તેને ટાળે છે કારણ કે તે નિર્ણયને સંરચિત એકમ તરીકે પુનઃપ્રાપ્ત કરે છે, કારણ કે સંબંધો પ્રસ્તાવના રૂપે સંગ્રહેલા છે નહીં પરંતુ ગ્રાફના પ્રથમ-વર્ગના કિનારા તરીકે સંગ્રહેલા છે.
ગ્રાફ: નોર્મેટિવ કિનારા, વર્ણનાત્મક નહીં
સામાન્ય જ્ઞાન ગ્રાફ વર્ણનાત્મક કિનારા સંગ્રહે છે - "ઉલ્લેખો", "સંબંધિત" - જે બતાવે છે કે બંને વસ્તુઓ જોડાયેલી છે પરંતુ તે શા માટે મહત્વપૂર્ણ હતું તે નથી. નિર્ણય ગ્રાફ નોર્મેટિવ કિનારા સંગ્રહે છે: ટેકો, વિરોધ, ખંડન, યોગ્યતા. કારણ કે કિનારાના પ્રકાર તર્ક છે, ગ્રાફ પહેલેથી જ એન્કોડ કરે છે કે નિર્ણયમાં શું મહત્વપૂર્ણ હતું.
તે પણ એવું કારણ છે કે નિર્ણય ગ્રાફ એક અસામાન્ય સારો GraphRAG સબસ્ટ્રેટ છે જ્યાં સામાન્ય એન્ટરપ્રાઈઝ ગ્રાફ સંઘર્ષ કરે છે. સામાન્ય ગ્રાફ વિશાળ છે, તેના કિનારા ઓછા સિગ્નલ ધરાવતા છે, તેમાં કોઈ નેચરલ રૂટ નોડ નથી, અને પ્રવાસ માટે કોઈ સ્પષ્ટ સ્ટોપિંગ પોઈન્ટ નથી. નિર્ણય ગ્રાફમાં વિરોધાભાસી ગુણધર્મો છે: દરેક નિર્ણય એક નેચરલ રૂટ છે, કિનારા વાસ્તવિક તર્ક માટે પહોંચી વળે છે, અને એક નિર્ણયનો સબગ્રાફ નાનો અને કુદરતી રીતે મર્યાદિત છે - તેના દલીલો, પુરાવા અને ઉલ્લેખિત પૂર્વગામીઓ સુધી વિસ્તરો, પછી રોકો.
હાઇબ્રિડ વેક્ટર-પ્લસ-ગ્રાફ પુનઃપ્રાપ્તિ કેવી રીતે કામ કરે છે
વેક્ટર્સ અને ગ્રાફ અહીં પ્રતિસ્પર્ધી નથી - નિર્ણય પુનઃપ્રાપ્તિ વેક્ટર્સનો ઉપયોગ પ્રવેશ બિંદુઓ શોધવા માટે કરે છે અને ગ્રાફ રચના પૂર્ણ સંદર્ભ પ્રાપ્ત કરવા માટે કરે છે. પ્રેક્ટિસમાં તે એક પાઈપલાઈન છે: (1) નિર્ણય અને દલીલ એમ્બેડિંગ્સ પર વેક્ટર શોધ થોડા સંબંધિત અગાઉના નિર્ણયો શોધે છે; (2) સંરચિત ફિલ્ટર્સ કેટેગરી, એન્ટિટી પ્રકાર, અને પૂર્વગામી પક્વતા દ્વારા સંકુચિત કરે છે તેથી તમે માન્ય કેસ પ્રાપ્ત કરો, ડ્રાફ્ટ નહીં; (3) ગ્રાફ વિસ્તરણ દરેક નિર્ણયના દલીલો અને પુરાવાને ખેંચવા માટે નોર્મેટિવ કિનારા પર ચાલે છે; (4) પરિણામ-વજનવાળી ક્રમાંકન પૂર્વગામીઓને તરફેણ આપે છે જેના પરિણામો સારા રીતે બન્યા છે તે દરેક સુપરફિશિયલ સમાન છે પરંતુ થયેલા નથી; (5) પરિણામો નિર્ણય પેકેટ માં પેકેજ કરવામાં આવે છે.
ઊંડાઈ, નોડ ગણો અને સમયના કડક મર્યાદાઓ વિસ્તરણને દૂર થવાથી અટકાવે છે. આઉટપુટ કદી ટોકન્સની દિવાલ નથી - તે થોડા, સરખામણી કરી શકાય તેવા નિર્ણયોનો સમૂહ છે.
એજન્ટ્સ માટે પુનઃપ્રાપ્તિ: MCP અને A2A
મેમરી ફક્ત ત્યારે જ ઉપયોગી છે જ્યારે એજન્ટ તેને તર્ક કરતી વખતે પહોંચી શકે. નિર્ણય પુનઃપ્રાપ્તિ એજન્ટ્સને બાબતની બે રીતે આપવામાં આવે છે. મોડેલ કોન્ટેક્સ્ટ પ્રોટોકોલ (MCP) પર, સાધનો જેવા કે search_precedents અને get_packet એજન્ટને સંબંધિત અગાઉના નિર્ણયો માટે પૂછવાની અને નિર્ણય પેકેટ્સ ઇનલાઈન, મધ્ય-તર્ક પ્રાપ્ત કરવાની મંજૂરી આપે છે - અને લખવાનો માર્ગ પણ MCP પર કામ કરે છે: એજન્ટ ટ્રેસ બનાવી શકે છે, તેનો તર્ક રેકોર્ડ કરી શકે છે, નિર્ણયને સીલ કરી શકે છે અને તરત જ પરિણામી નિર્ણય પેકેટ પ્રાપ્ત કરી શકે છે, અંતથી અંત, કોઈ SDK વિના. એજન્ટ-ટુ-એજન્ટ (A2A) ડેલેગેશનમાં, નિર્ણય પેકેટ એજન્ટો વચ્ચે પસાર થતો પેલોડ છે - પ્રાપ્ત કરનાર એજન્ટ નિર્ણયનો સંપૂર્ણ, સ્વ-નિહિત સંદર્ભ વારસાગત કરે છે પરંતુ મોકલનારના ડેટાબેઝમાં કોઈ પ્રકારની પહોંચ નથી. પેકેટ પોર્ટેબલ તરીકે ડિઝાઈન કરવામાં આવ્યું છે, જે તેને વિશ્વાસની સીમાઓ વચ્ચે પસાર કરવાનું સુરક્ષિત બનાવે છે.
AI એજન્ટ્રી કેવી રીતે નિર્ણય પુનઃપ્રાપ્તિ આપે છે
AI એજન્ટ્રી નિર્ણયોને નોર્મેટિવ ગ્રાફ તરીકે સંગ્રહીત કરે છે અને તેને બાઉન્ડ પેકેટ્સ તરીકે પુનઃપ્રાપ્ત કરે છે. પુનઃપ્રાપ્તિ સબસ્ટ્રેટ શિપ કરવામાં આવી છે અને ઉપયોગમાં છે:
હાઇબ્રિડ પૂર્વગામી શોધ
પાંચ-પગલું પાઈપલાઈન - વેક્ટર શોધ, સંરચિત ફિલ્ટર્સ, ગ્રાફ-સંદર્ભ વિસ્તરણ, પરિણામ-વજનવાળી ક્રમાંકન, પેકેજિંગ - અગાઉના નિર્ણયો પુનઃપ્રાપ્ત કરે છે જેમાં તેમનો તર્ક જોડાયેલો છે, ચંક સૂપ તરીકે નહીં.
નિર્ણય પેકેટ્સ
પુનઃપ્રાપ્તિ એક મર્યાદિત, સ્વ-નિહિત નિર્ણયના રેકોર્ડને પાછું કરે છે - પ્રસ્તાવ, પક્ષ-વિપક્ષ દલીલો, પુરાવા, નીતિઓ, મંજૂરીઓ, પરિણામ, અને ઉલ્લેખિત પૂર્વગામીઓ.
પૂર્વગામી ઉદ્ધરણ
પુનઃપ્રાપ્ત પૂર્વગામીને નવા નિર્ણયમાં પ્રથમ-વર્ગની દલીલ તરીકે ઉદ્ધરવામાં આવી શકે છે, તેથી સંગતતા સંયોજન કરે છે પરંતુ સ્મૃતિ પર આધાર રાખતું નથી.
એજન્ટ-નેટિવ પહોંચ (MCP + A2A)
એજન્ટ્સ MCP સાધનો પર નિર્ણયો રેકોર્ડ કરે છે અને પુનઃપ્રાપ્ત કરે છે - સંપૂર્ણ બનાવવો, સીલ કરવો અને પેકેટ મેળવવો, કોઈ SDK વિના; અને નિર્ણય પેકેટ્સ A2A ડેલેગેશનમાં પેલોડ તરીકે મુસાફરી કરે છે.
તે સબસ્ટ્રેટ જુઓ જેથી પુનઃપ્રાપ્તિ થાય છે નિર્ણય ટ્રેસિંગ પર, અથવા વધુ તકનીકી વિગતો GraphRAG for AI નિર્ણયો પર.
સામાન્ય પ્રશ્નો
નિર્ણય પુનઃપ્રાપ્તિ શું છે?
નિર્ણય પુનઃપ્રાપ્તિ એ અગાઉના AI નિર્ણયોને છૂટા ટેક્સ્ટ ટુકડાઓને બદલે સંપૂર્ણ, સંરચિત એકમો તરીકે પુનઃપ્રાપ્ત કરવાની પ્રક્રિયા છે. તે GraphRAG નો એક પ્રકાર છે: સબસ્ટ્રેટ એક નોર્મેટિવ તર્ક ગ્રાફ છે જે દરેક નિર્ણયને તેના દલીલો, પુરાવા અને પૂર્વગામીઓ સાથે જોડે છે, અને આઉટપુટ એક મર્યાદિત નિર્ણય પેકેટ છે - ફક્ત સ્નિપેટ નહીં, પરંતુ તર્ક.
નિર્ણય પુનઃપ્રાપ્તિ વેક્ટર RAG કરતા કેવી અલગ છે?
વેક્ટર RAG ટેક્સ્ટને એમ્બેડ કરે છે અને ટોચના મેચિંગ ચંકોને પાછું કરે છે - છૂટા ટુકડાઓ જે નિર્ણયના નિષ્કર્ષને ઉદ્ધરી શકે છે પરંતુ વિરોધાભાસ, મંજૂરીકર્તા અને પૂર્વગામીને ચૂકી જાય છે. નિર્ણય પુનઃપ્રાપ્તિ નિર્ણયને તેના તર્ક સાથે પાછું કરે છે, કારણ કે સંબંધો પ્રસ્તાવના રૂપે સંગ્રહેલા છે નહીં પરંતુ ગ્રાફના પ્રથમ-વર્ગના કિનારા તરીકે સંગ્રહેલા છે. વેક્ટર શોધ નિર્ણય પુનઃપ્રાપ્તિનો એક ઘટક છે, તેનો સ્પર્ધક નહીં.
GraphRAG શું છે?
GraphRAG (ગ્રાફ-વધારાયેલ પુનઃપ્રાપ્તિ-વધારાયેલ જનરેશન) એક જ્ઞાન ગ્રાફને અનુસરીને સંદર્ભને પુનઃપ્રાપ્ત કરે છે, ટેક્સ્ટ ચંકોને સામ્યતા દ્વારા ક્રમાંકિત કરવાને બદલે. નિર્ણયોને લાગુ કરવામાં આવે છે, તો ગ્રાફ એક નોર્મેટિવ તર્ક ગ્રાફ છે, અને પુનઃપ્રાપ્તિ હાઇબ્રિડ છે: વેક્ટર શોધ સંબંધિત નિર્ણયો શોધે છે, પછી ગ્રાફ વિસ્તરણ પૂર્ણ, મર્યાદિત સંદર્ભ પ્રાપ્ત કરે છે.
નિર્ણય પેકેટ શું છે?
નિર્ણય પેકેટ નિર્ણય પુનઃપ્રાપ્તિનું આઉટપુટ છે: એક નિર્ણયનો સ્વ-નિહિત રેકોર્ડ જેમાં પ્રસ્તાવ, પક્ષ-વિપક્ષ દલીલ વૃક્ષ, પુરાવા અને તેનો મૂળ, મૂલ્યાંકન કરેલી નીતિઓ, મંજૂરીઓ, સીલ કરેલા પરિણામ, અને ઉલ્લેખિત પૂર્વગામીઓનો સમાવેશ થાય છે. તે એવું છે જે એજન્ટ અથવા ઓડિટર લોગ લાઈનોના ઢગલાને બદલે પ્રાપ્ત કરે છે.
નિર્ણય પેકેટ ચેઇન-ઓફ-થોટ આઉટપુટ સંગ્રહ કરતા વધુ સારો છે?
તેઓ અલગ સમસ્યાઓનું નિરાકરણ કરે છે - પેકેટ વધુ સારું રેકોર્ડ-કીપિંગ છે, વધુ સારો તર્ક નહીં. સંગ્રહેલ ચેઇન-ઓફ-થોટ એ ગદ્ય છે: તેને પૂછવાનો અર્થ એ છે કે દરેક ટ્રેસને ફરીથી પાર્સ કરવું એક LLM સાથે વાંચવાની વખતે, તેમાં કોઈ પરિણામ ફીલ્ડ નથી જેના પર જોડવું, અને એડિટેબલ ટેક્સ્ટ બ્લોબ કોઈ સમીક્ષકને વિશ્વાસપાત્ર સમય આપતો નથી. નિર્ણય પેકેટ તેનો તર્ક સીલ કર્યા પછી એકવાર સંરચિત કરે છે: સ્થિતિ-પ્રકારની પક્ષ-વિપક્ષ દલીલો નક્કી થયેલા ગ્રાફ ક્વેરીમાં પરિણમે છે, નિર્ણયો રેકોર્ડ કરેલા પરિણામોને જોડે છે તેથી પુનઃપ્રાપ્તિ પરિણામ-વજનવાળી છે, પૂર્વગામીઓ નવા નિર્ણયોમાં ઉદ્ધરવામાં આવેલા દલીલ નોડ્સ બને છે, અને હેશ-ચેઇન્ડ, સીલ કરેલ, હસ્તાક્ષર કરેલ રેકોર્ડ પૂરવાર થાય છે - એજન્ટ-ટુ-એજન્ટ ડેલેગેશનમાં વિશ્વાસની સીમાઓ વચ્ચે. બંને ફોર્મેટ મોડેલના તર્કને વધુ વિશ્વસનીય બનાવતા નથી; પેકેટ જાહેર કરેલા તર્કને ટકાઉ, સરખામણી કરી શકાય તેવો અને બચાવી શકાય તેવો બનાવે છે. જો તમને માત્ર પાછળથી એજન્ટને ડીબગ કરવાની જરૂર હોય, તો સંગ્રહેલ ચેઇન-ઓફ-થોટ પૂરતું છે - પેકેટ્સ તેમની રચના મેળવે છે જ્યારે નિર્ણયોની સરખામણી, પુનરાવર્તન અથવા બચાવ કરવાની જરૂર હોય છે.
નિર્ણય પુનઃપ્રાપ્તિ મારા વેક્ટર ડેટાબેઝ અથવા ડોક્યુમેન્ટ RAGને બદલી શકે છે?
ના. વેક્ટર શોધ પુનઃપ્રાપ્તિ પાઈપલાઈનનો પ્રથમ પગલો છે, અને ડોક્યુમેન્ટ RAG એક અલગ કામ છે. નિર્ણય પુનઃપ્રાપ્તિ તમારા માળખાકીય સ્ટેકની ટોચ પર બેસે છે અને એક એવું કાર્ય કાઢે છે જે તમારા અસ્તિત્વમાં રહેલા સિસ્ટમોએ સંગ્રહેલું નથી: સંરચિત એકમ તરીકે નિર્ણય જેનો તર્ક સંગ્રહેલો છે.
AI એજન્ટરી નિર્ણય પુનઃપ્રાપ્તિ કેવી રીતે અમલમાં મૂકે છે?
એક જાહેર કરેલ પાંચ-પગલાની પૂર્વગામી-શોધ પાઈપલાઈન દ્વારા, નિર્ણય પેકેટ સંયોજન, પૂર્વગામી ઉદ્ધરણ, અને MCP અને A2A પર એજન્ટ્સને પુનઃપ્રાપ્તિ માટે ખુલ્લું મૂકવામાં આવે છે. સ્વયં-સુધારાતી સ્તરની સંપૂર્ણપણે સ્વ-સુધારાતી પરત પૂરવાની ટિપ્પણી અને નિર્ણય-અક્રમણક્ષમ નમૂના સંશ્લેષણ - પુનઃપ્રાપ્તિ પર - રોડમેપ પર છે.
Related AI governance topics
AI Governance
The umbrella discipline: how organizations keep AI agents accountable, observable, and compliant — start here.
AI Observability
Seeing what your AI systems do in production — metrics, traces, and logs.
LLM Observability
Monitoring prompts, tokens, latency, and quality of large language model calls.
AI Traceability
Reconstructing the full lineage of an AI output — inputs, steps, and decisions.
LLM Traceability
End-to-end traces of multi-step LLM and prompt chains.
AI Agent Observability
Observability for autonomous, multi-step agents — tool calls, plans, and decisions.
Agentic AI Governance
Governing autonomous agents: policy, oversight, and accountable autonomy.
AI Audit Trail
Append-only, tamper-evident records of what an AI system decided and why.
AI Agent Monitoring
Real-time monitoring of agent behavior, drift, and decision quality.
Explainable AI (XAI)
Making AI decisions understandable to the people accountable for them.
AI TRiSM
Gartner's framework for AI trust, risk, and security management.
Decision Record
The durable document of one AI decision — reasoning, evidence, policy and approval in a single file.
AI Compliance Evidence
What auditors actually ask for, and why policy documents are not evidence.
AI Conformity Assessment
How an AI system is checked against the rules, and what that check consumes.
Decision Tracing
Capturing the structured reasoning behind every AI decision — AI Agentree's category.
AI Precedent Systems
Letting agents learn from past decisions as searchable precedent.
Decision Audit Trails
How human teams record why a decision was made — the deliberation counterpart to an AI audit trail.
Transparent AI
Making model reasoning inspectable, and what changes when several models are compared against each other.
Multi-Agent Simulation
Running many AI personas against one scenario to surface risks before a decision is taken.
તમારા એજન્ટ્સને યોગ્ય પુનઃપ્રાપ્તિ માટે સ્મૃતિ આપો
નિર્ણયોને લોગ તરીકે નહીં, ગ્રાફ તરીકે સંગ્રહીત કરો - અને તેમને મર્યાદિત નિર્ણય પેકેટ્સ તરીકે પુનઃપ્રાપ્ત કરો જે પર તમારા એજન્ટ્સ તર્ક કરી શકે છે.
મફતમાં શરૂ કરો