Cosa è il recupero delle decisioni?
Il recupero delle decisioni è il modo in cui un agente AI cerca come sono state gestite le situazioni simili in precedenza — e ottiene il ragionamento, non solo uno snippet. È GraphRAG per decisioni: recupero su un grafico di argomentazione normativa in cui ogni decisione collega gli argomenti, le prove e i precedenti che l'hanno plasmata. Invece di un mucchio di righe di log corrispondenti, si ottiene un decisione limitata e verificabile con il ragionamento integro.
Il recupero delle decisioni = recuperare le decisioni passate come unità complete, non frammenti di testo. Il substrato è un grafico: decisioni collegate a pro/contro argomenti, prove e precedenti tramite bordi tipati. Il recupero è ibrido — la ricerca vettoriale trova le decisioni rilevanti, l'espansione del grafico recupera il contesto completo — e l'output è un Pacchetto di decisione. Ciò supera il vettore RAG solo sui log, che restituisce frammenti non connessi che omettono la controargomentazione e il precedente.
Recupero delle decisioni vs. vector RAG sui log
Il modo predefinito per dare una memoria a un agente è vector RAG: incorporare tutto, recuperare i chunk di corrispondenza più alta e incollarli nel prompt. Per i documenti funziona. Per le decisioni fallisce strutturalmente, perché una decisione non è un paragrafo — è una piccola rete di relazioni: una proposta, gli argomenti a favore e contro, le prove su cui si basa ciascuno, chi ha approvato eventuali eccezioni e quale caso precedente ha seguito.
Appiattire tutto ciò in testo e incorporarlo, e il recupero restituisce frammenti con le relazioni recise — la conclusione senza la controargomentazione, l'approvazione senza la motivazione, un riferimento a un precedente senza il precedente stesso. Gli operatori lo chiamano "zuppa di chunk." Recupero delle decisioni lo evita recuperando la decisione come unità strutturata, perché le relazioni sono memorizzate come bordi di prima classe e non impliciti nella prosa.
Il grafo: bordi normativi, non descrittivi
I grafi della conoscenza generica memorizzano bordi descrittivi — "menzioni", "relativo a" — che dicono che due cose sono collegate ma non perché fosse importante. Un grafo di decisioni memorizza bordi normativi: sostiene, si oppone, confuta, qualifica. Poiché il tipo di bordo è il ragionamento, il grafo codifica già ciò che era essenziale in una decisione.
È anche il motivo per cui un grafo di decisioni è un substrato di GraphRAG insolitamente buono, dove i grafi aziendali generici faticano. I grafi generici sono enormi, i loro bordi hanno un segnale basso, non c'è un nodo radice naturale e il percorso non ha un punto di arresto ovvio. Un grafo di decisioni ha proprietà opposte: ogni decisione è un nodo radice naturale, i bordi trasportano un ragionamento reale e il sottografo di una singola decisione è piccolo e naturalmente limitato — espanditi ai suoi argomenti, prove e precedenti citati, poi fermati.
Come funziona il recupero ibrido vettore-mais-grafo
I vettori e i grafi non sono rivali qui — il recupero delle decisioni utilizza vettori per trovare i punti di ingresso e la struttura del grafo per recuperare il contesto completo. Nella pratica è una pipeline: (1) la ricerca vettoriale sui decisioni e argomenti incorporati trova una manciata di decisioni precedenti rilevanti; (2) i filtri strutturati restringono per categoria, tipo di entità e maturità del precedente in modo da recuperare casi validati, non bozzze; (3) l'espansione del grafo percorre i bordi normativi per recuperare gli argomenti e le prove di ogni decisione; (4) la classificazione ponderata per esito fa galleggiare i precedenti il cui esito si è rivelato buono al di sopra di quelli superficialmente simili che non lo sono; (5) i risultati sono impacchettati in Pacchetti di decisione limitati.
I limiti rigidi di profondità, numero di nodi e tempo impediscono che l'espansione si sfugga di mano. L'output non è mai un muro di token — è un insieme piccolo di decisioni complete e confrontabili.
Recupero per agenti: MCP e A2A
La memoria è utile solo se un agente può raggiungerla mentre ragiona. Il recupero delle decisioni è esposto agli agenti in due modi. Sopra il Protocollo di contesto del modello (MCP), strumenti come search_precedents e get_packet consentono a un agente di richiedere decisioni precedenti rilevanti e ricevere Pacchetti di decisione in linea, a metà ragionamento — e il percorso di scrittura funziona anche su MCP: un agente può creare una traccia, registrare il proprio ragionamento, sigillare la decisione e recuperare immediatamente il Pacchetto di decisione risultante, dall'inizio alla fine, senza SDK. Nella delega agente-agente (A2A), il Pacchetto di decisione è il payload passato tra gli agenti — un agente ricevente eredita il contesto completo e autocontenuto di una decisione senza alcun accesso al database del mittente. Il pacchetto è progettato per essere portatile, ed è ciò che lo rende sicuro da passare attraverso un confine di fiducia.
Come AI Agentree consegna il recupero delle decisioni
AI Agentree archivia le decisioni come un grafico normativo e le recupera come pacchetti limitati. Il substrato di recupero è spedito e in uso:
Ricerca di precedenti ibrida
Un pipeline a cinque passaggi — ricerca vettoriale, filtri strutturati, espansione del contesto del grafo, classificazione ponderata per esito, confezionamento — recupera le decisioni precedenti con la relativa motivazione allegata, non come zuppa di chunk.
Pacchetti di decisioni
Il recupero restituisce un record limitato e autocontenuto di una decisione — proposta, argomenti pro e contro, prove, politiche, approvazioni, esito e precedenti citati.
Citazione di precedenti
Un precedente recuperato può essere citato come un argomento di prima classe in una nuova decisione, in modo che la coerenza si accumuli invece di affidarsi alla memoria.
Accesso nativo dell'agente (MCP + A2A)
Gli agenti registrano e recuperano le decisioni tramite gli strumenti MCP — l'intero ciclo di vita di creazione, sigillo e recupero del pacchetto senza SDK — e i Pacchetti di decisioni viaggiano come payload nella delega agente-agente.
Vedi il substrato che questo recupera da tracciamento delle decisioni, o il trattamento tecnico più approfondito in GraphRAG per decisioni AI.
Domande frequenti
Cos'è il recupero delle decisioni?
Il recupero delle decisioni consiste nel recuperare le decisioni passate dell'AI come unità complete e strutturate, anziché come frammenti di testo disconnessi. Si tratta di una forma di GraphRAG: il substrato è un grafo di argomenti normativi che collega ogni decisione agli argomenti, alle prove e ai precedenti che l'hanno plasmata, e l'output è un pacchetto di decisione limitato — la motivazione, non solo un frammento.
In che modo il recupero delle decisioni differisce dal vector RAG?
Il vector RAG incorpora il testo e restituisce i chunk di corrispondenza migliori — frammenti disconnessi che possono citare la conclusione di una decisione, ma perdere il controargomento, l'approvatore e il precedente su cui si basa. Il recupero delle decisioni restituisce la decisione con la motivazione integra, perché le relazioni sono archiviate come archi di tipo primo anziché lasciate implicite nella prosa. La ricerca vettoriale è un componente del recupero delle decisioni, non un concorrente.
Cos'è GraphRAG?
GraphRAG (generazione aumentata di recupero migliorato con grafo) recupera il contesto attraversando un grafo di conoscenza anziché classificare solo i chunk di testo per similarità. Applicato alle decisioni, il grafo è un grafo di argomenti normativi, e il recupero è ibrido: la ricerca vettoriale trova le decisioni rilevanti, poi l'espansione del grafo recupera il contesto completo e limitato.
Cos'è un Pacchetto di Decisione?
Un Pacchetto di Decisione è l'output limitato del recupero delle decisioni: un record autocontenuto di una decisione che contiene la proposizione, l'albero di argomenti pro e contro, le prove e la loro provenienza, le politiche valutate, le approvazioni, l'esito sigillato e qualsiasi precedente citato. È ciò che un agente o un revisore recupera al posto di un mucchio di righe di log.
Un Pacchetto di Decisione è meglio dell'archiviazione dell'output della catena di pensieri?
Risolvono problemi diversi — il pacchetto è una migliore gestione dei record, non una migliore motivazione. L'output della catena di pensieri archiviato è prosa: interrogarlo significa riparare ogni traccia con un LLM al momento della lettura, non ha un campo di esito per unirsi, e un blocco di testo modificabile non offre un punto di impegno che un revisore possa fidarsi. Un Pacchetto di Decisione struttura la stessa motivazione una volta, al sigillo: gli argomenti pro e contro di tipo di posizione diventano query di grafo deterministici, le decisioni si collegano agli esiti registrati in modo che il recupero sia ponderato per esito, i precedenti diventano nodi di argomento citabili in nuove decisioni, e il record sigillato, hash-chained e firmabile funziona come prova — compresa tra i confini di fiducia nella delega agente-agente. Nessun formato rende la motivazione del modello più fedele; il pacchetto rende la motivazione dichiarata duratura, confrontabile e difendibile. Se hai solo bisogno di debuggere un agente in seguito, l'output della catena di pensieri archiviato è sufficiente — i pacchetti guadagnano la loro struttura quando le decisioni devono essere confrontate, riutilizzate o difese.
Il recupero delle decisioni sostituisce il mio database vettoriale o il documento RAG?
No. La ricerca vettoriale è il primo passo della pipeline di recupero, e il documento RAG è un lavoro separato. Il recupero delle decisioni si trova sopra il tuo stack esistente e cattura l'unico artefatto che quei sistemi non hanno archiviato: la decisione strutturata stessa, recuperabile con la motivazione integra.
Come implementa AI Agentree il recupero delle decisioni?
Attraverso una pipeline di ricerca di precedenti a cinque passaggi (ricerca vettoriale, filtri strutturati, espansione del contesto del grafo, classificazione ponderata per esito, confezionamento), assemblaggio del Pacchetto di Decisione, citazione dei precedenti e recupero esposto agli agenti su MCP e A2A. Il feedback automatico degli esiti e la sintesi dei modelli di decisione incrociati — il livello di auto-miglioramento completo sopra il recupero — sono sulla roadmap.
Argomenti di governance dell'AI correlati
Governance dell'AI
La disciplina ombrello: come le organizzazioni tengono gli agenti AI responsabili, osservabili e conformi — inizia da qui.
Osservabilità dell'AI
Vedere cosa fanno i sistemi AI in produzione — metriche, tracce e log.
Osservabilità del modello linguistico LLM
Monitorare i prompt, i token, la latenza e la qualità delle chiamate al modello linguistico LLM.
Rintracciabilità dell'AI
Ricostruire la linea di discendenza completa di un output AI — input, passaggi e decisioni.
Rintracciabilità del modello linguistico LLM
Tracce end-to-end di catene di prompt e LLM multi-step.
Osservabilità dell'agente AI
Osservabilità per agenti autonomi multi-step — chiamate di strumenti, piani e decisioni.
Governance dell'AI agente
Governare gli agenti autonomi: politica, supervisione e autonomia responsabile.
Registro di audit dell'AI
Registri append-only, tamper-evident di ciò che un sistema AI ha deciso e perché.
Monitoraggio dell'agente AI
Monitoraggio in tempo reale del comportamento dell'agente, deriva e qualità delle decisioni.
AI spiegabile (XAI)
Rendere le decisioni AI comprensibili alle persone responsabili di esse.
AI TRiSM
Il framework di Gartner per la gestione della fiducia, del rischio e della sicurezza dell'AI.
Rintracciamento delle decisioni
Catturare il ragionamento strutturato dietro ogni decisione AI — categoria di AI Agentree.
Sistemi di precedente dell'AI
Consentire agli agenti di imparare dalle decisioni passate come precedente ricercabile.
Dai ai tuoi agenti una memoria che vale la pena recuperare
Archivia le decisioni come un grafico, non come un log — e recuperale come Pacchetti di decisione limitati che i tuoi agenti possono ragionare su.
Inizia gratuitamente