의사 결정 검색이란 무엇인가?
의사 결정 검색은 AI 에이전트가 이전에 어떻게 유사한 상황을 처리했는지 조회하고, 단편만 아니라 이유를 얻는 방법입니다. 이는 GraphRAG for 의사 결정입니다. 각 의사 결정이 형성된 논증, 증거 및 전례에 연결된 규범적 논증 그래프에 대한 검색입니다. 일치하는 로그 줄의堆積 대신, 제한적이고 감査 가능한 의사 결정을 이유와 함께 얻습니다.
의사 결정 검색 = 완전한 단위로 과거의 의사 결정을 검색하는 것, 텍스트 조각이 아닙니다. 서브스트레이트는 그래프입니다. 의사 결정을 프로/컨 논증, 증거 및 전례에 연결하는 유형화된 에지로 연결합니다. 검색은 하이브리드입니다. 벡터 검색은 관련된 의사 결정을 찾고, 그래프 확장은 완전한 컨텍스트를 가져옵니다. 출력은 의사 결정 패킷입니다. 벡터 전용 RAG보다 우수합니다. 로그에서 벡터 전용 RAG는 연결되지 않은 조각을 반환합니다. 반대 논증과 전례를 삭제합니다.
로그에 대한 결정 검색 대 벡터 RAG
에이전트에게 메모리를 주는 기본 방법은 벡터 RAG입니다. 모든 것을 임베딩하고, 상위 일치하는 청크를 검색하여 프롬프트에 붙여 넣습니다. 문서의 경우 이것은 작동합니다. 그러나 결정의 경우 구조적으로 실패합니다. 결정은 단락이 아니라 관계의 작은 웹입니다. 즉, 제안, 찬성과 반대의 논증, 각 증거가 의존하는 것, 예외를 승인한 사람, 이전 사례를 따랐는지 등입니다.
이를 텍스트로 평면화하고 임베딩하면 검색이 관계가 단절된 조각을 반환합니다. 즉, 반대 논증 없이 결론, 이유 없이 승인, 본인 없이 이전 사례에 대한 언급 등입니다. 전문가들은 이것을 "청크 수프"라고 부릅니다. 결정 검색은 관계가 프로즈에서 암시적으로 남아 있지 않고 첫 번째 클래스 엣지로 저장되기 때문에 구조화된 단위로 결정 검색을 통해 이를 피합니다.
그래프: 규범적 엣지, 설명적 엣지가 아님
일반적인 지식 그래프는 설명적 엣지를 저장합니다. 즉, "언급", "관련"과 같은 엣지로 두 가지가 연결되어 있지만 왜 중요한지 설명하지는 않습니다. 결정 그래프는 규범적 엣지를 저장합니다. 즉, 지지, 반대, 반박, 자격과 같은 엣지입니다. 엣지 유형이 이유이기 때문에 그래프는 이미 결정에서 중요한 것을 인코딩합니다.
그것이 결정 그래프가 일반적인 엔터프라이즈 그래프가 어려워하는 곳에서 이상적으로 GraphRAG 기반이 되는 이유입니다. 일반적인 그래프는巨대하고, 엣지는 낮은 신호를 가지고 있으며, 자연스러운 루트 노드가 없으며, 탐색에는 명확한 중지 지점이 없습니다. 결정 그래프는 반대의 속성을 가지고 있습니다. 즉, 각 결정은 자연스러운 루트이며, 엣지는 실제 이유를 가지고 있으며, 단일 결정의 하위 그래프는 작고 자연스럽게 제한됩니다. 즉, 논증, 증거, 인용된 이전 사례로 확장한 다음 중지합니다.
하이브리드 벡터 및 그래프 검색의 작동 방식
벡터와 그래프는 여기서 라이벌이 아닙니다. 결정 검색은 벡터를 사용하여 진입점을 찾고 그래프 구조를 사용하여 전체 컨텍스트를 가져옵니다. 실제로는 파이프라인입니다. (1) 결정 및 논증 임베딩에 대한 벡터 검색을 통해 관련된 이전 결정의 작은 집합을 찾습니다. (2) 구조화된 필터를 사용하여 카테고리, 엔티티 유형 및 이전 사례 성숙도에 따라 좁혀서 검증된 사례를 검색하고, 초안은 검색하지 않습니다. (3) 그래프 확장을 통해 각 결정의 논증과 증거를 가져옵니다. (4) 결과 가중 순위는 결과가 좋지 않은 것보다 잘된 이전 사례를 부유시킵니다. (5) 결과는 결정 패킷으로 패키지화됩니다.
깊이, 노드 수, 시간에 대한 하드 제한이 확장을 방지합니다. 출력은 토큰의 벽이 아닙니다. 완전하고 비교 가능한 결정의 작은 집합입니다.
에이전트를 위한 검색: MCP 및 A2A
메모리는 에이전트가 이유를 찾을 때만 유용합니다. 결정 검색은 에이전트에게 두 가지 방법으로 노출됩니다. 모델 컨텍스트 프로토콜 (MCP)를 통해 search_precedents 및 get_packet와 같은 도구를 사용하여 에이전트가 관련된 이전 결정에 대한 쿼리를 수행하고 결정 패킷을 인라인으로 받을 수 있습니다. 즉, 이유 중간에 MCP 경로도 작동합니다. 에이전트는 추적을 생성하고, 이유를 기록하고, 결정에 서명하고, 즉시 결과 결정 패킷을 검색할 수 있습니다. 즉, SDK가 필요하지 않습니다. 에이전트 간 (A2A) 위임에서 결정 패킷은 에이전트 간에 전달되는 페이로드입니다. 수신 에이전트는 데이터베이스에 액세스하지 않고 결정의 전체 자체 포함 컨텍스트를 상속받습니다. 패킷은 이동할 수 있도록 설계되었으며, 이는 신뢰 경계를 넘어 전달하는 것이 안전하다는 것을 의미합니다.
AI 에이전트리에서 의사 결정 검색을 제공하는 방법
AI 에이전트리는 의사 결정을 규범적 그래프로 저장하고, 제한된 패킷으로 검색합니다. 검색 서브스트레이트는 출하되고 사용 중입니다:
하이브리드 선례 검색
다섯 단계 파이프라인 — 벡터 검색, 구조화된 필터, 그래프-컨텍스트 확장, 결과 가중 순위, 패키징 — 이유가 첨부된 과거 결정들을 조각 모음이 아닌 것으로 검색합니다.
결정 패킷
검색은 제한된, 자체 포함된 결정 기록 — 제안, 찬반 논증, 증거, 정책, 승인, 결과, 인용된 선례 — 를 반환합니다.
선례 인용
검색된 선례는 새로운 결정에서 1차급 논증으로 인용될 수 있으므로 일관성이 기억에 의존하는 대신 축적됩니다.
에이전트 네이티브 액세스(MCP + A2A)
에이전트는 MCP 도구를 통해 결정들을 기록하고 검색하며 — SDK가 없는 전체 생성, 봉인, 패킷 가져오기 수명주기 — 결정 패킷은 에이전트 간 위임의 페이로드로 이동합니다.
검색하는 서브스트레이트는 의사 결정 추적에서 확인하거나, AI 의사 결정에 대한 GraphRAG에서 더 깊은 기술적 처리를 확인할 수 있습니다.
자주 묻는 질문
의사 결정 검색이 무엇인가?
의사 결정 검색은 과거 AI 의사 결정을 완전하고 구조화된 단위로 검색하는 것을 의미하며, 단편적인 텍스트 조각이 아닌 연결된 의사 결정과 그에 따른 논리, 증거, 선례를 검색하는 것입니다. 이는 GraphRAG의 한 형태로, 기초가 되는 그래프는 각 의사 결정을 형성한 논리, 증거, 선례와 연결된 규범적 논증 그래프이며, 출력은 제한된 Decision Packet — 즉, 단순한 코드 조각이 아닌 전체적인 논리를 포함합니다.
의사 결정 검색은 벡터 RAG와 어떻게 다른가?
벡터 RAG는 텍스트를 임베딩하고 상위 일치하는 조각을 반환합니다 — 의사 결정을 인용할 수 있지만 반대 논증, 승인자, 의사 결정을 뒷받침하는 선례를 놓칠 수 있는 단절된 조각입니다. 의사 결정 검색은 의사 결정을 그 논리와 함께 반환합니다. 이는 관계가 프로즈에서 암시적으로 남겨진 것이 아니라 첫 번째 클래스 유형의 에지로 저장되기 때문입니다. 벡터 검색은 의사 결정 검색의 구성 요소이며, 그에 대한 경쟁자가 아닙니다.
GraphRAG란 무엇인가?
GraphRAG(그래프 강화 검색 보강 생성)는 텍스트 조각의 유사성에 따라 순위를 매기는 대신 지식 그래프를 통하여 컨텍스트를 검색하는 것을 의미합니다. 의사 결정을 적용하면 그래프는 규범적 논증 그래프이며 검색은 하이브리드입니다. 벡터 검색은 관련된 의사 결정을 찾고, 그래프 확장은 완전하고 제한된 컨텍스트를 가져옵니다.
의사 결정 패킷이란 무엇인가?
의사 결정 패킷은 의사 결정 검색의 출력으로, 하나의 의사 결정을 포함하는 자체 포함된 기록입니다. 이는 제안, 찬반 논증 트리, 증거와 그 출처, 평가된 정책, 승인, 봉인된 결과, 인용된 선례를 포함합니다. 이는 에이전트나 감사가 로그 라인의 堆積 대신 검색하는 것입니다.
의사 결정 패킷은 사고 연쇄 출력을 저장하는 것보다 나은가?
그들은 다른 문제를 해결합니다 — 패킷은 더 나은 기록 보관이지만, 더 나은 추론은 아닙니다. 저장된 사고 연쇄는 프로즈입니다. 이를 쿼리하는 것은 읽기 시간에 LLM으로 모든 추적을 다시 파싱하는 것을 의미하며, 조인할 결과 필드가 없으며, 편집 가능한 텍스트 블롭은 검토자가 신뢰할 수 있는 커밋 지점을 제공하지 않습니다. 의사 결정 패킷은 같은 추론을 구조화합니다. 입장 유형의 찬반 논증은 결정론적 그래프 쿼리가 되며, 의사 결정을 기록된 결과에 연결하여 검색이 결과 가중치가 되며, 선례는 새로운 의사 결정을 위한 인용 가능한 논증 노드가 됩니다. 해시 체인, 봉인, 서명된 기록은 증거로 작용합니다 — 에이전트 대리에서 신뢰 경계를 넘어도 마찬가지입니다. 둘 다 모델의 추론을 더 신뢰할 수 있게 하지 않습니다. 패킷은 명시된 추론을 내구성 있게, 비교 가능하게, 방어 가능하게 만듭니다. 에이전트를 나중에 디버깅하는 데만 필요하다면 저장된 사고 연쇄가 충분합니다 — 패킷은 의사 결정을 비교, 재사용, 방어해야 할 때 구조를 얻습니다.
의사 결정 검색은 벡터 데이터베이스나 문서 RAG를 대체하는가?
아니오. 벡터 검색은 검색 파이프라인의 첫 번째 단계이며, 문서 RAG는 별도의 작업입니다. 의사 결정 검색은 기존 스택 위에 위치하며, 구조화된 의사 결정을 검색할 수 있는 유일한 아티팩트를 캡처합니다.
AI 에이전트리에서 의사 결정 검색을 어떻게 구현하는가?
선례 검색 파이프라인(벡터 검색, 구조화된 필터, 그래프 컨텍스트 확장, 결과 가중치 순위 지정, 패키징), 의사 결정 패킷 조립, 선례 인용, 에이전트를 통해 MCP 및 A2A로 노출된 검색을 통해 구현합니다. 자동 결과 피드백 및 교차 의사 결정 패턴 합성 — 검색 위에 있는 완전히 자가 개선되는 계층 — 로드맵에 있습니다.
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 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.