GraphRAG per le decisioni AI
GraphRAG (recupero aumentato da grafo) recupera contesto attraversando un grafo della conoscenza piuttosto che classificando solo i chunk di testo per somiglianza vettoriale. Per le decisioni degli agenti AI, il grafo è un grafo argomentativo normativo: decisioni collegate agli argomenti pro e contro che le hanno supportate o opposte, le prove citate e i precedenti menzionati, tramite bordi tipizzati (supporta, oppone, confuta). Il recupero decisionale è un pipeline ibrido — la ricerca vettoriale trova le decisioni rilevanti, poi l'espansione del grafo recupera il contesto completo e limitato — e il suo output è un pacchetto decisionale: un record autonomo della proposizione, dell'albero argomentativo, delle prove, delle politiche, delle approvazioni, del risultato e dei precedenti. Questo supera il RAG solo vettoriale sui log, che restituisce chunk disconnessi che mancano di controargomenti, approvazioni e precedenti. Un grafo decisionale è un substrato GraphRAG insolitamente buono perché ogni decisione è un nodo radice naturale, i bordi sono ad alto segnale (portano ragionamento) e il sottografo di ogni decisione è piccolo e limitato. AIAgentree implementa l'intero stack: modello di dati per il tracciamento delle decisioni, ricerca ibrida dei precedenti, citazione dei precedenti, assemblaggio dei pacchetti decisionali, recupero su MCP e A2A, feedback automatico sui risultati, punteggio della qualità dei risultati che migliora le classifiche dei precedenti, tracciamento dell'efficacia degli argomenti e precedenti suggeriti automaticamente al momento della sigillatura — il volano completo della memoria istituzionale è stato spedito e è attivo.
La domanda non è "dobbiamo memorizzare le decisioni AI?" — è "in cosa le memorizziamo?" Memorizzale come testo e ottieni la zuppa di chunk del RAG vettoriale. Memorizzale come un grafo argomentativo normativo e il recupero restituisce un pacchetto decisionale limitato e auditabile.
- •Vector RAG sui log restituisce frammenti disconnessi — manca il controargomento, l'approvatore, il precedente
- •Decision GraphRAG recupera la decisione con il suo ragionamento intatto, tramite archi tipizzati
- •Un grafo decisionale è un raro substrato GraphRAG-perfect: nodi radice naturali, archi ad alto segnale, sottografi limitati.
- •Spedito: ricerca di precedenti ibridi, pacchetti decisionali, recupero MCP/A2A, feedback sui risultati, ranking ponderato per risultati, efficacia degli argomenti, precedenti suggeriti automaticamente — il volano completo
Il tuo agente ha bisogno di sapere come hai deciso l'ultima volta.
Lo punti a un archivio vettoriale di registri. Riceve sei frammenti. Nessuno di essi contiene il motivo.
Il Problema di Recupero che Nessuno Nomina
Ogni sistema agente serio ha eventualmente bisogno di memoria: la capacità di consultare come una situazione simile è stata gestita in precedenza e agire in modo coerente. La risposta predefinita nel 2026 è vector RAG — incorporare tutto, recuperare i top-k chunk più simili, inserirli nella finestra di contesto.
Per i documenti, funziona. Per le decisioni, fallisce silenziosamente. E il fallimento è strutturale, non un problema di messa a punto.
Una decisione non è un paragrafo. È una piccola rete di relazioni: una proposizione, gli argomenti a favore e contro, le prove su cui si basava ciascun argomento, chi ha approvato l'eccezione e quale caso passato ha seguito. Appiattisci tutto ciò in frammenti di testo e incorporali, e il recupero restituisce frammenti con le relazioni interrotte. Ottieni la conclusione senza il controargomento. Ottieni l'approvazione senza il ragionamento. Ottieni una frase che menziona un precedente senza il precedente stesso.
Questo è ciò che i praticanti chiamano "zuppa di chunk." È il motivo per cui il recupero solo vettoriale sui log decisionali sembra sicuro ed è sottilmente inaffidabile.
Chunk Soup contro il Pacchetto Decisionale
| Il vettore RAG restituisce | Decision GraphRAG restituisce |
|---|---|
| …"il rimborso è stato approvato per il cliente premium" (0.83) …"la soglia per l'approvazione automatica è di $200" (0.79) …"escalare gli incidenti SEV-1 al livello 2" (0.74) | Proposta: Approva rimborso #4521 ($240) PRO: Cliente premium, difetto valido CON: Supera la soglia di auto-approvazione di $200 Override: Approvato da Sr. Analyst (politica P-12) Precedente: cita il caso #1234 (approvato, 0 chargeback) Risultato (6 mesi): mantenuto, nessuna contestazione |
| Tre frammenti plausibili. Nessun collegamento tra di loro. Questo rimborso era sopra la soglia? Chi lo ha annullato? Cosa è successo dopo? I frammenti non possono dirlo. | Un pacchetto limitato. Il ragionamento, l'eccezione, il precedente e il risultato — connessi. |
La differenza non è nel modello di embedding o nella dimensione dei chunk. È il sostrato. Uno memorizza testo sulle decisioni; l'altro memorizza le decisioni come struttura.
Perché i confini normativi cambiano tutto
I grafi di conoscenza generici memorizzano edge descrittivi: "menzioni", "relazionato a", "di proprietà di". Ti dicono che due cose sono collegate ma non perché fosse importante.
Un grafo decisionale memorizza normative archi — le relazioni portano ragionamento:
- •sostiene / si oppone — questo argomento ha spinto la decisione verso o lontano dal risultato
- •confuta — questa prova contraddice direttamente quella affermazione
- •qualifica / dipende_da — questo vale solo sotto una condizione
Poiché il tipo di bordo è il ragionamento, il grafo sa già quali sono portanti. Il recupero non deve indovinare quale dei dieci fatti menzionati ha effettivamente guidato la chiamata: i bordi supports con alto peso lo dicono. I grafi descrittivi abilitano la ricerca. I grafi normativi abilitano il giudizio.
Perché un Grafo di Decisione è "GraphRAG-Perfect"
La maggior parte dei team che provano GraphRAG su un grafo aziendale generale si arrende. Le ragioni sono coerenti e un grafo decisionale evita ognuna di esse:
| Perché il GraphRAG generico ha difficoltà | Perché un grafo decisionale non lo fa |
|---|---|
| Il grafo è enorme (milioni di nodi) | Ogni sottografo delle decisioni è piccolo e autonomo. |
| I bordi sono a basso segnale ("related_to") | I bordi sono normativi e portano il ragionamento |
| Nessun nodo radice naturale da cui partire | La decisione è il nodo radice |
| La traversata non ha un punto di arresto naturale. | Il confine di una decisione è intrinseco: espandi ai suoi argomenti, prove e precedenti citati, poi fermati. |
Il grafico ha "ciò che contava" incorporato nella sua struttura. Questa è la proprietà di cui GraphRAG ha bisogno e che raramente ottiene.
Il Pipeline di Recupero Ibrido
I vettori e i grafi non sono rivali qui. Il recupero delle decisioni utilizza vettori per trovare i punti di ingresso e struttura del grafo per recuperare il contesto completo. In AIAgentree questo è un pipeline a cinque fasi (inclusa nel servizio di ricerca precedente):
Ricerca vettoriale su decisioni e embedding di argomenti — trova il ristretto numero di decisioni passate rilevanti
Filtri strutturati — inquilino, categoria, tipo di entità, scadenza del precedente (in modo da recuperare casi validati, non bozze)
Espansione del contesto grafico — percorrere i confini normativi per raccogliere gli argomenti e le prove di ciascuna decisione
Classifica ponderata per risultati — un precedente il cui esito è andato bene si colloca sopra uno superficialmente simile che non ha avuto successo
Imballaggio — assemblare il risultato in Pacchetti Decisionali vincolati pronti da consegnare a un agente o a un revisore
I limiti rigidi (profondità massima, nodi massimi, timeout) impediscono all'espansione di sfuggire di mano. L'output non è mai un muro di token — è un numero ridotto di decisioni complete e comparabili.
Recupero per Agenti: MCP e A2A
La memoria è utile solo se l'agente può accedervi mentre ragiona. AIAgentree espone il recupero delle decisioni in due modi:
Oltre MCP
Il server del Protocollo di Contesto del Modello espone strumenti come search_precedents e get_packet. Un agente interroga per decisioni precedenti rilevanti e riceve i Pacchetti di Decisione in linea — durante il ragionamento, non come un lavoro in batch.
Oltre A2A
Nella delega da agente ad agente, il Pacchetto di Decisione è il payload. Un agente ricevente eredita il contesto completo e autonomo di una decisione senza alcun accesso al database del mittente.
Il pacchetto è progettato per essere portatile: contiene tutto il necessario per comprendere e applicare la decisione, il che è esattamente ciò che lo rende sicuro da trasmettere oltre un confine di fiducia.
Come appare nel codice
Recuperare il precedente per la decisione che un agente sta per prendere:
# 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)Nessun riempimento di prompt con log grezzi. L'agente ragiona su decisioni precedenti, con il loro ragionamento allegato. Il frammento utilizza il client Python per chiarezza — ma lo stesso recupero (get_packet, search_precedents) è disponibile su MCP senza SDK, quindi un agente nativo MCP consuma decisioni come strumenti.
Il Full Stack è stato spedito
Preferiamo essere precisi piuttosto che impressionanti. Ecco cosa è attivo oggi:
Cattura e Recupero delle Decisioni
- ✓Modello di dati di tracciamento delle decisioni normative (archi di argomento tipizzati)
- ✓Ricerca di precedenti ibrida (il pipeline a cinque fasi sopra)
- ✓Citazione di precedenti — cita una decisione passata come argomento di prima classe
- ✓Assemblaggio del pacchetto decisionale
- ✓Recupero su MCP + A2A
- ✓Registri decisionali a prova di manomissione, solo in appendice
Memoria Istituzionale Flywheel
- ✓Feedback automatico sugli esiti — l'ingestione tramite webhook + polling scrive i risultati sulle decisioni
- ✓Punteggio della qualità dei risultati — le decisioni con buoni risultati hanno un rango più alto nella ricerca di precedenti
- ✓Efficienza degli argomenti — traccia quali argomenti hanno portato a risultati positivi
- ✓Precedenti auto-suggeriti — decisioni precedenti rilevanti emerse al momento della sigillatura
Il volano a circuito chiuso completo è attivo: il feedback sui risultati ritorna nelle classifiche precedenti, l'efficacia degli argomenti evidenzia ciò che ha funzionato e gli agenti ricevono precedenti pertinenti suggeriti automaticamente quando prendono una decisione. Il substrato grafico rende tutto ciò possibile — e ora il livello di auto-miglioramento funziona sopra di esso.
Cosa non sostituisce questo
- •Il tuo database vettoriale — è un componente della pipeline, passo 1
- •Il tuo documento RAG — recuperare politiche e manuali è un lavoro diverso
- •Strumenti di osservabilità — le metriche di span, latenza e token appartengono ancora a LangSmith/Langfuse e altri.
Il Decision GraphRAG si trova sopra tutti loro e cattura l'artefatto che nessuno di loro ha memorizzato: la decisione strutturata, recuperabile con il suo ragionamento intatto.
Domande Frequenti
Cos'è GraphRAG per le decisioni AI?
GraphRAG (generazione aumentata da recupero migliorato tramite grafi) recupera il contesto attraversando un grafo della conoscenza invece di limitarsi a classificare i frammenti di testo in base alla similarità vettoriale. Per le decisioni dell'IA, il grafo è un grafo argomentativo normativo — decisioni, gli argomenti pro/contro che le sostenevano o le opponevano, le prove citate e i precedenti menzionati, connessi da archi tipizzati (sostiene, oppone, confuta). Il recupero inizia dalla ricerca vettoriale per trovare decisioni rilevanti, quindi si espande lungo quegli archi per restituire un Pacchetto Decisionale completo e delimitato piuttosto che frammenti disconnessi.
In che modo il decision GraphRAG è diverso dal vector RAG sui log?
Vector RAG incorpora frammenti di testo (log, trascrizioni, documenti) e restituisce i frammenti più simili tra loro. Questi frammenti sono disconnessi: un estratto recuperato può citare la conclusione di una decisione ma perdere il controargomento che quasi l'ha ribaltata, la persona che ha approvato l'eccezione o il precedente su cui si basava. Decision GraphRAG recupera la decisione come un'unità strutturata con il suo ragionamento intatto, perché le relazioni sono memorizzate come archi tipizzati di prima classe, non lasciate implicite nella prosa.
Che cos'è un Pacchetto Decisionale?
Un Pacchetto Decisionale è l'output delimitato del recupero delle decisioni grafiche: una rappresentazione autonoma e strutturata di una decisione che contiene la proposizione, l'albero degli argomenti pro/contro, le prove e la loro provenienza, le politiche valutate, le persone che l'hanno approvata, l'esito sigillato e eventuali precedenti citati. È ciò che un agente (o un revisore) recupera invece di un mucchio di righe di log. AIAgentree assembla Pacchetti Decisionali dalla traccia decisionale memorizzata.
Perché un grafo decisionale è un buon substrato per GraphRAG quando i grafi aziendali generici non lo sono?
I grafi di conoscenza generici delle imprese sono difficili da attraversare: sono enormi, i loro archi hanno un basso segnale ('related_to' non trasmette ragionamento), non c'è un nodo radice naturale e l'espansione non ha un punto di arresto ovvio. Un grafo decisionale evita tutti e quattro i problemi: ogni decisione è una radice naturale, gli archi sono normativi e ad alto segnale (supporta/oppone/smentisce portano il ragionamento effettivo) e il sottografo di una singola decisione è piccolo e naturalmente delimitato. Il grafo codifica già 'ciò che contava', quindi il recupero sa cosa includere.
Questo sostituisce il mio database vettoriale o stack RAG?
No. La ricerca vettoriale è un componente del decision GraphRAG, non un concorrente — gli embedding trovano i punti di accesso giusti, poi la struttura del grafo recupera il contesto completo. AIAgentree si trova al livello decisionale sopra i tuoi sistemi operativi e il tuo RAG esistente per i documenti. Cattura e recupera l'unico artefatto che quei sistemi storicamente non hanno memorizzato: la decisione strutturata stessa.
Cosa viene spedito?
Tutto ciò che è descritto in questo post è spedito e attivo: il modello di dati normativo per la tracciabilità delle decisioni, la ricerca ibrida di precedenti (un pipeline in cinque fasi: ricerca vettoriale → filtri strutturati → espansione del contesto grafico → ranking ponderato per esito → imballaggio), citazione di precedenti (citare una decisione passata come argomento di prima classe), assemblaggio del Pacchetto Decisionale, recupero esposto agli agenti tramite MCP e A2A, feedback automatico sugli esiti (webhook + ingestione tramite polling), scoring della qualità degli esiti che potenzia i ranking dei precedenti, tracciamento dell'efficacia degli argomenti (quali argomenti hanno portato a buoni esiti) e precedenti suggeriti automaticamente su sigillo. L'intero 'volano della memoria istituzionale' è attivo e in circuito chiuso.
Come recuperano le decisioni gli agenti al momento dell'inferenza?
Attraverso il Protocollo di Contesto del Modello (MCP) e la delega agente-a-agente (A2A). AIAgentree espone strumenti come search_precedents e get_packet su un server MCP, in modo che un agente possa interrogare decisioni precedenti rilevanti e ricevere Pacchetti di Decisione in linea mentre ragiona. Nella delega A2A, un Pacchetto di Decisione è il payload autonomo passato tra gli agenti, quindi un agente ricevente eredita il contesto completo di una decisione senza accesso al database del mittente.
Argomenti Correlati
Articoli Correlati
Le decisioni dell'IA meritano ricevute: perché il tracciamento delle decisioni è il livello mancante nella governance dell'IA
Ogni transazione finanziaria riceve una ricevuta. Ogni contratto legale riceve una firma. Ma le decisioni dell'IA che influenzano milioni di persone? Invisibili. Il tracciamento delle decisioni cambia tutto ciò catturando il PERCHÉ dietro ogni decisione dell'IA.
Regolamento UE sull'IA Articolo 6: Cosa significa la classificazione ad alto rischio per i tuoi agenti IA
L'articolo 6 del Regolamento UE sull'IA determina se il tuo sistema di intelligenza artificiale è "ad alto rischio" — e attiva i requisiti obbligatori per la tracciabilità. Se i tuoi agenti prendono decisioni riguardo a credito, occupazione, istruzione o assistenza sanitaria, devi comprendere la classificazione dell'Allegato III prima di dicembre 2027.
Che cos'è la sintesi della ricerca sull'IA?
Dove il recupero decisionale basato su grafi incontra la ricerca: combinare i risultati di più modelli in una sintesi strutturata e attribuita.
Team AIAgentree
Infrastruttura Decisionale
Il team di AIAgentree sta costruendo un'infrastruttura per il tracciamento e il recupero delle decisioni per gli agenti AI. La nostra missione è rendere il ragionamento AI visibile, auditabile, recuperabile e migliorabile.
Dai ai tuoi agenti una memoria degna di essere recuperata.
Cattura le decisioni come un grafo, non come un log — e recuperale come pacchetti decisionali limitati. Tier gratuita disponibile, senza carta di credito richiesta.
Inizia Gratis