AI തീരുമാനങ്ങൾക്കായുള്ള GraphRAG
GraphRAG (ഗ്രാഫ്-വളർത്തിയ തിരികെ-വളർത്തിയ സൃഷ്ടി) ഒരു അറിവ് ഗ്രാഫ് വഴി സഞ്ചരിച്ച് പശ്ചാത്തലം തിരികെ നൽകുന്നു, വെക്ടർ സമാനതയാൽ ടെക്സ്റ്റ് ചങ്കുകൾ മാത്രം റാങ്ക് ചെയ്യുന്നതിന് പകരം. AI ഏജന്റ് തീരുമാനങ്ങൾക്കായി, ഗ്രാഫ് ഒരു നോർമേറ്റീവ് വാദ ഗ്രാഫ് ആണ്: പ്രോ, കോൺ വാദങ്ങൾ, ഉദ്ധരിച്ച തെളിവുകൾ, ഉദ്ധരിച്ച മുൻകൂർ എന്നിവയുമായി ബന്ധിപ്പിച്ച തീരുമാനങ്ങൾ, ടൈപ്പ് ചെയ്ത എഡ്ജുകൾ (സഹായിക്കുന്നു, എതിര്ക്കുന്നു, തള്ളുന്നു) വഴി. തീരുമാന തിരികെ നൽകൽ ഒരു ഹൈബ്രിഡ് പൈപ്പ്ലൈൻ ആണ് — വെക്ടർ തിരയൽ ബന്ധപ്പെട്ട തീരുമാനങ്ങൾ കണ്ടെത്തുന്നു, തുടർന്ന് ഗ്രാഫ് വിപുലീകരണം മുഴുവൻ, ബൗണ്ടഡ് പശ്ചാത്തലം തിരികെ നൽകുന്നു — അതിന്റെ ഔട്ട്പുട്ട് ഒരു തീരുമാന പാക്കറ്റ് ആണ്: പ്രൊപ്പോസിഷൻ, വാദ മരങ്ങൾ, തെളിവുകൾ, നയങ്ങൾ, അംഗീകാരം, ഫലങ്ങൾ, മുൻകൂർ എന്നിവയുടെ സ്വയം അടങ്ങിയ രേഖ. ഇത് വെക്ടർ-മാത്രം RAG ലോഗുകൾക്കിടയിൽ മികച്ചതാണ്, ഇത് ബന്ധമില്ലാത്ത ചങ്കുകൾ തിരികെ നൽകുന്നു, എതിര്ക്കുന്ന വാദങ്ങൾ, അംഗീകാരം, മുൻകൂർ എന്നിവ നഷ്ടപ്പെടുന്നു. ഒരു തീരുമാന ഗ്രാഫ് അസാധാരണമായ നല്ല GraphRAG അടിത്തറയാണ്, കാരണം ഓരോ തീരുമാനവും ഒരു സ്വാഭാവിക റൂട്ട് നോട് ആണ്, എഡ്ജുകൾ ഉയർന്ന-സിഗ്നൽ ആണ് (അവ ചിന്തനയെ കൈക്കൊള്ളുന്നു), ഓരോ തീരുമാനത്തിന്റെ ഉപഗ്രാഫും ചെറിയതും ബൗണ്ടഡ് ആണ്. AIAgentree മുഴുവൻ സ്റ്റാക്ക് നടപ്പിലാക്കുന്നു: തീരുമാന-ട്രേസ് ഡാറ്റ മോഡൽ, ഹൈബ്രിഡ് മുൻകൂർ തിരയൽ, മുൻകൂർ ഉദ്ധരണം, തീരുമാന പാക്കറ്റ് അസംബ്ലി, MCP, A2A വഴി തിരികെ നൽകൽ, സ്വയം-ഫലമായ ഫീഡ്ബാക്ക്, ഫല-ഗുണമേന്മാ സ്കോറിംഗ്, വാദ-പ്രഭാവം ട്രാക്കിംഗ്, സീൽ സമയത്ത് സ്വയം-സൂചിപ്പിച്ച മുൻകൂർ — മുഴുവൻ സ്ഥാപന-മെമ്മറി ഫ്ലൈവീൽ ഷിപ്പ് ചെയ്തിരിക്കുന്നു.
ചോദ്യം "AI തീരുമാനങ്ങൾ സംഭരിക്കേണ്ടതുണ്ടോ?" അല്ല — അത് "ഞങ്ങൾ അവയെ എന്തിൽ സംഭരിക്കണം?" ആണ്. അവയെ ടെക്സ്റ്റ് ആയി സംഭരിക്കുകയാണെങ്കിൽ, നിങ്ങൾക്ക് വെക്ടർ RAG ന്റെ ചങ്ക് സൂപ്പ് ലഭിക്കും. അവയെ നോർമേറ്റീവ് വാദ ഗ്രാഫ് ആയി സംഭരിക്കുകയാണെങ്കിൽ, തിരികെ നൽകൽ ഒരു ബൗണ്ടഡ്, ഓഡിറ്റബിൾ തീരുമാന പാക്കറ്റ് നൽകുന്നു.
- •ലോഗുകൾക്കു മേൽ വെക്ടർ RAG ബന്ധമില്ലാത്ത ഭാഗങ്ങൾ തിരികെ നൽകുന്നു — ഇത് പ്രതിവാദം, അംഗീകൃതവ്യക്തി, മുൻഗാമി എന്നിവയെ നഷ്ടപ്പെടുത്തുന്നു
- •Decision GraphRAG തീരുമാനത്തെ തന്റെ കാരണം intact നിലനിര്ത്തി, ടൈപ്പ് ചെയ്ത എഡ്ജുകള് വഴി തിരിച്ചു കൊണ്ടുവരുന്നു.
- •ഒരു തീരുമാന ഗ്രാഫ് ഒരു അപൂർവ GraphRAG-perfect അടിസ്ഥാനം ആണ്: സ്വാഭാവിക മൂലകങ്ങൾ, ഉയർന്ന സിഗ്നൽ എഡ്ജുകൾ, പരിധിയുള്ള ഉപഗ്രാഫുകൾ
- •കയറ്റി അയച്ചത്: ഹൈബ്രിഡ് പ്രിസിഡന്റ് സെർച്ച്, തീരുമാന പാക്കറ്റുകൾ, MCP/A2A റിട്രീവൽ, ഫല ഫീഡ്ബാക്ക്, ഫല-ഭാരം വഹിക്കുന്ന റാങ്കിംഗ്, വാദത്തിന്റെ കാര്യക്ഷമത, സ്വയം നിർദ്ദേശിച്ച പ്രിസിഡന്റുകൾ — മുഴുവൻ ഫ്ലൈവീൽ
നിങ്ങളുടെ ഏജന്റ് നിങ്ങൾ അവസാനമായി എങ്ങനെ തീരുമാനിച്ചുവെന്ന് അറിയേണ്ടതാണ്.
നിങ്ങൾ അത് ഒരു ലോഗുകളുടെ വെക്ടർ സ്റ്റോറിലേക്ക് സൂചിപ്പിക്കുന്നു. ഇത് ആറു ഭാഗങ്ങൾ തിരികെ നൽകുന്നു. അവയിൽ ഒന്നും കാരണം അടങ്ങിയിട്ടില്ല.
ആവശ്യമുള്ള പ്രശ്നം ആരും പേരിടുന്നില്ല
എല്ലാ ഗൗരവമായ ഏജന്റ് സിസ്റ്റങ്ങൾ അവസാനം മെമ്മറി ആവശ്യമാണ്: സമാനമായ സാഹചര്യങ്ങൾ മുമ്പ് എങ്ങനെ കൈകാര്യം ചെയ്തുവെന്ന് പരിശോധിക്കാൻ കഴിയുന്ന ശേഷി, കൂടാതെ സ്ഥിരതയോടെ പ്രവർത്തിക്കാൻ. 2026-ൽ ഡിഫോൾട്ട് ഉത്തരം വെക്ടർ RAG ആണ് — എല്ലാം എമ്പഡ് ചെയ്യുക, ഏറ്റവും സമാനമായ ടോപ്പ്-k ചങ്കുകൾ തിരികെ എടുക്കുക, അവയെ കോൺടെക്സ്റ്റ് വിൻഡോയിലേക്ക് ഇടുക.
രേഖകൾക്കായി, അത് പ്രവർത്തിക്കുന്നു. നിർണ്ണയങ്ങൾക്കായി, ഇത് മൗനമായി പരാജയപ്പെടുന്നു. പരാജയം ഘടനാപരമാണ്, ക്രമീകരണ പ്രശ്നമല്ല.
ഒരു തീരുമാനമാണ് ഒരു പാരഗ്രാഫ് അല്ല. ഇത് ഒരു ചെറിയ ബന്ധങ്ങളുടെ ജാലകം ആണ്: ഒരു നിർദ്ദേശം, അതിന് എതിരായും അനുകൂലമായും ഉള്ള വാദങ്ങൾ, ഓരോ വാദവും ആശ്രയിച്ച തെളിവുകൾ, ആരാണ് വ്യത്യാസം അംഗീകരിച്ചത്, ഏത് പഴയ കേസിനെ പിന്തുടരുന്നു. അത് ടെക്സ്റ്റ് ചങ്കുകളായി സമതലമാക്കി അവയെ ഉൾപ്പെടുത്തുക, പിന്നെ തിരച്ചിൽ ബന്ധങ്ങൾ വ്യത്യസ്തമാക്കുന്നു എന്നതോടെ കഷണങ്ങൾ തിരികെ നൽകുന്നു. നിങ്ങൾക്ക് എതിര്വാദം ഇല്ലാതെ നിഗമനം ലഭിക്കുന്നു. നിങ്ങൾക്ക് കാരണം ഇല്ലാതെ അംഗീകാരം ലഭിക്കുന്നു. നിങ്ങൾക്ക് ഒരു മുൻകൂർ പരാമർശിക്കുന്ന വാക്യം ലഭിക്കുന്നു, എന്നാൽ മുൻകൂർ തന്നെ ഇല്ല.
ഇത് പ്രാക്ടീഷണർമാർ "ചങ്ക് സൂപ്പ്." എന്ന് വിളിക്കുന്നതാണ്. ഇത് കാരണം, തീരുമാന ലോഗുകൾക്കിടയിൽ വെക്ടർ മാത്രം തിരച്ചിൽ ആത്മവിശ്വാസത്തോടെ അനുഭവപ്പെടുന്നു, എന്നാൽ സൂക്ഷ്മമായി വിശ്വസനീയമല്ല.
ചങ്ക് സൂപ്പ് vs. തീരുമാന പാക്കറ്റ്
| വെക്ടർ RAG തിരിച്ചുവിടുന്നു | നിർണ്ണയ ഗ്രാഫ്RAG തിരികെ നൽകുന്നു |
|---|---|
| …"പ്രീമിയം ഉപഭോക്താവിന് തിരിച്ചടവ് അംഗീകരിച്ചു" (0.83) …"ഓട്ടോ-അംഗീകരണത്തിന് തരം $200" (0.79) …"SEV-1 സംഭവങ്ങൾ ടിയർ 2 ലേക്ക് ഉയർത്തുക" (0.74) | പ്രസ്താവന: റിഫണ്ട് #4521 ($240) അംഗീകരിക്കുക പ്രോ: പ്രീമിയം ഉപഭോക്താവ്, സാധുവായ ദോഷം കൺ: $200 ഓട്ടോ-അംഗീകരണ ത്രെഷോൾഡ് കടക്കുന്നു ഓവർറൈഡ്: സീനിയർ അനലിസ്റ്റ് (നയം P-12) അംഗീകരിച്ചു പ്രസംഗം: കേസ് #1234 (അംഗീകരിച്ചു, 0 ചാർജ്ബാക്കുകൾ) ഉദ്ധരിക്കുന്നു ഫലനം (6മോ): നിലനിൽക്കുന്നു, യാതൊരു തർക്കവും ഇല്ല |
| മൂന്ന് സാധ്യതയുള്ള ഭാഗങ്ങൾ. അവയ്ക്ക് തമ്മിൽ ബന്ധമില്ല. ഈ തിരിച്ചടവ് പരിധി മുകളിൽ ആയിരുന്നോ? ആരാണ് അതിനെ മറികടന്നത്? പിന്നീട് എന്താണ് സംഭവിച്ചത്? ഈ ഭാഗങ്ങൾ പറയാൻ കഴിയുന്നില്ല. | ഒരു ബൗണ്ടഡ് പാക്കറ്റ്. കാരണം, വ്യത്യാസം, ഉദാഹരണം, ഫലങ്ങൾ — ബന്ധിപ്പിച്ചിരിക്കുന്നു. |
വ്യത്യാസം എമ്പഡിംഗ് മോഡലിലോ അല്ലെങ്കിൽ ചങ്ക് വലുപ്പത്തിലോ അല്ല. അത് സബ്സ്ട്രേറ്റ് ആണ്. ഒരുത് തീരുമാനങ്ങളെക്കുറിച്ചുള്ള എഴുത്ത് സൂക്ഷിക്കുന്നു; മറ്റൊന്ന് ഘടനയായി തീരുമാനങ്ങളെ സൂക്ഷിക്കുന്നു.
എന്തുകൊണ്ട് നോർമറ്റീവ് എഡ്ജുകൾ എല്ലാം മാറ്റുന്നു
ജനറിക് അറിവ് ഗ്രാഫുകൾ വിവരണാത്മക എഡ്ജുകൾ സംഭരിക്കുന്നു: "ഉള്ളടക്കങ്ങൾ," "ബന്ധിതമാണ്," "ഉടമസ്ഥതയിലുള്ളത്." അവ നിങ്ങൾക്ക് രണ്ട് കാര്യങ്ങൾ ബന്ധിപ്പിച്ചിരിക്കുന്നു എന്ന് പറയുന്നു, എന്നാൽ എന്തുകൊണ്ട് അത് പ്രധാനമാണ് എന്ന് പറയുന്നില്ല.
ഒരു തീരുമാന ഗ്രാഫ് നോർമേറ്റീവ് എഡ്ജുകൾ സംഭരിക്കുന്നു — ബന്ധങ്ങൾ തർക്കം കൊണ്ടുവന്നിരിക്കുന്നു:
- •സഹായിക്കുന്നു / വിരുദ്ധമാണ് — ഈ വാദം തീരുമാനത്തെ ഫലത്തിലേക്ക് അല്ലെങ്കിൽ അകത്തേക്ക് നയിച്ചു
- •തള്ളുന്നു — ഈ തെളിവ് ആ അവകാശവാദത്തെ നേരിട്ട് വിരുദ്ധമാണ്
- •യോഗ്യമാണ് / അനുസരിക്കുന്നു — ഇത് ഒരു നിബന്ധനയിലേക്കു മാത്രം ബാധകമാണ്
എന്നാൽ എഡ്ജ് തരം ആണ് കാരണം, ഗ്രാഫ് ഇതിനകം എന്താണ് ഭാരം വഹിക്കുന്നത് എന്ന് അറിയുന്നു. പുനരാവലോകനം എട്ട് പരാമർശിച്ച വസ്തുക്കളിൽ ഏത് വസ്തു വിളിയെ പ്രേരിപ്പിച്ചതെന്ന് അനുമാനിക്കേണ്ടതില്ല — ഉയർന്ന ഭാരം ഉള്ള supports എഡ്ജുകൾ അതു പറയുന്നു. വിവരണാത്മക ഗ്രാഫുകൾ തിരച്ചിൽ സാധ്യമാക്കുന്നു. മാനദണ്ഡ ഗ്രാഫുകൾ ന്യായം സാധ്യമാക്കുന്നു.
എന്തുകൊണ്ട് ഒരു തീരുമാന ഗ്രാഫ് "GraphRAG-പരിപൂർണ്ണമാണ്"
ഏകദേശം എല്ലാ എന്റർപ്രൈസ് ഗ്രാഫുകളിൽ GraphRAG പരീക്ഷിക്കുന്ന പല ടീമുകളും വിട്ടുപോകുന്നു. കാരണം എല്ലായ്പ്പോഴും ഒരുപോലെ ആണ്, ഒരു തീരുമാന ഗ്രാഫ് അവയിൽ ഓരോന്നിനും ഒഴിവാക്കുന്നു:
| എന്തുകൊണ്ട് ജനറിക് GraphRAG ബുദ്ധിമുട്ടുന്നു | എന്തുകൊണ്ട് ഒരു തീരുമാന ഗ്രാഫ് ഇല്ലാത്തത് |
|---|---|
| ഗ്രാഫ് വലിയതാണ് (മില്യൺ നോടുകൾ) | പ്രതിയൊരു തീരുമാനത്തിന്റെ ഉപഗ്രാഫ് ചെറുതും സ്വയം അടങ്ങിയതുമായിരിക്കുന്നു. |
| എഡ്ജുകൾ കുറഞ്ഞ സിഗ്നലാണ് ("related_to") | എഡ്ജുകൾ മാനദണ്ഡപരമാണ്, അവ ചിന്തനത്തെ കൈവശം വഹിക്കുന്നു. |
| ആരംഭിക്കാൻ സ്വാഭാവികമായ റൂട്ട് നോഡ് ഇല്ല | തീരുമാനം ആണ് മൂല നോട് |
| സഞ്ചാരത്തിന് സ്വാഭാവികമായ ഒരു നിർത്തൽ ബിന്ദുവില്ല. | ഒരു തീരുമാനത്തിന്റെ അതിർത്തി സ്വാഭാവികമാണ് — അതിന്റെ വാദങ്ങൾ, തെളിവുകൾ, ഉദ്ധരിച്ച മുൻഗണനകൾ എന്നിവയിലേക്ക് വ്യാപിപ്പിക്കുക, പിന്നെ നിർത്തുക. |
ഗ്രാഫിൽ "എന്താണ് പ്രധാനമായത്" എന്നത് അതിന്റെ ഘടനയിൽ ഉൾക്കൊള്ളിച്ചിരിക്കുന്നു. അത് GraphRAG-ന് ആവശ്യമുള്ള ഒരു സ്വഭാവമാണ്, എന്നാൽ അതിനെ കുറച്ച് മാത്രമേ ലഭിക്കുകയുള്ളൂ.
ഹൈബ്രിഡ് റിട്രീവൽ പൈപ്പ്ലൈൻ
വെക്ടറുകളും ഗ്രാഫുകളും ഇവിടെ എതിരാളികളല്ല. തീരുമാന വീണ്ടെടുക്കൽ എന്റ്രി പോയിന്റുകൾ കണ്ടെത്താൻ വെക്ടറുകൾ ഉപയോഗിക്കുന്നു കൂടാതെ സമ്പൂർണ്ണ പശ്ചാത്തലം നേടാൻ ഗ്രാഫ് ഘടന ഉപയോഗിക്കുന്നു. AIAgentree-ൽ ഇത് അഞ്ച് ഘട്ടങ്ങളുള്ള പൈപ്പ്ലൈൻ ആണ് (മുൻഗണന-ശോധന സേവനത്തിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്നു):
വെക്ടർ തിരച്ചിൽ തീരുമാനങ്ങളും വാദങ്ങളുടെയും എംബഡിംഗുകൾക്കിടയിൽ — ബന്ധപ്പെട്ട ചില പഴയ തീരുമാനങ്ങൾ കണ്ടെത്തുക
സംഘടിത ഫിൽട്ടറുകൾ — വാടകക്കാരൻ, വിഭാഗം, എന്റിറ്റി തരം, മുൻഗണന പ്രായം (അതിനാൽ നിങ്ങൾക്ക് സ്ഥിരീകരിച്ച കേസുകൾ, ഡ്രാഫ്റ്റുകൾ അല്ല) ലഭിക്കും
ഗ്രാഫ്-സന്ദർഭ വിപുലീകരണം — ഓരോ തീരുമാനത്തിന്റെ വാദങ്ങളും തെളിവുകളും ഉൾപ്പെടുത്താൻ മാനദണ്ഡങ്ങളായ കിഴക്കുകളിലൂടെ നടക്കുക
ഫലഭാരിത റാങ്കിംഗ് — ഫലമായി നല്ലതായ ഒരു ഉദാഹരണം, അതിന് സമാനമായ ഒരു ഉദാഹരണത്തെക്കാൾ ഉയരത്തിൽ നിൽക്കുന്നു, അത് നല്ലതല്ല.
പാക്കേജിംഗ് — ഒരു ഏജന്റിന് അല്ലെങ്കിൽ ഒരു അവലോകകനിന് കൈമാറാൻ തയ്യാറായ ബൗണ്ടഡ് ഡെസിഷൻ പാക്കറ്റുകളിലേക്ക് ഫലത്തെ സമാഹരിക്കുക
കഠിന പരിധികൾ (മാക്സ് ആഴം, മാക്സ് നോഡുകൾ, ടൈംഔട്ട്) വിപുലീകരണം നിയന്ത്രിക്കാൻ സഹായിക്കുന്നു. ഔട്ട്പുട്ട് ഒരിക്കലും ടോക്കണുകളുടെ മതിൽ അല്ല — ഇത് ചെറിയ എണ്ണം സമ്പൂർണ്ണമായ, താരതമ്യമായ തീരുമാനങ്ങളാണ്.
ഏജന്റുകൾക്കായുള്ള വീണ്ടെടുക്കൽ: MCPയും A2Aയും
സ്മൃതി ഏജന്റ് അതിനെ ആശയവിനിമയം നടത്തുമ്പോൾ എത്തിച്ചേരാൻ കഴിയുന്നെങ്കിൽ മാത്രമേ ഉപകാരപ്രദമായിരിക്കുകയുള്ളൂ. AIAgentree തീരുമാനങ്ങൾ തിരികെ നേടുന്നതിന് രണ്ട് മാർഗങ്ങൾ പ്രദർശിപ്പിക്കുന്നു:
MCP-ൽ
മോഡൽ കോൺടെക്സ്റ്റ് പ്രോട്ടോക്കോൾ സർവർ search_precedents എന്നതും get_packet എന്നതും പോലുള്ള ഉപകരണങ്ങൾ പുറത്തുവിടുന്നു. ഒരു ഏജന്റ് ബന്ധപ്പെട്ട മുൻ തീരുമാനങ്ങൾക്കായി ചോദിക്കുന്നു, തീരുമാന പാക്കറ്റുകൾ inline-ൽ — കാരണം ചിന്തിക്കുന്നതിനിടയിൽ, ബാച്ച് ജോലിയായി അല്ല.
Over A2A
എജന്റ്-തുടക്കം എജന്റ്-തുടക്കം പ്രതിനിധാനം ചെയ്യുന്നതിൽ, തീരുമാന പാക്കറ്റ് ആണ് പെയ്ലോഡ്. ഒരു സ്വീകരിക്കുന്ന എജന്റ്, അയച്ചവന്റെ ഡാറ്റാബേസിലേക്ക് പ്രവേശനം ഇല്ലാതെ, ഒരു തീരുമാനത്തിന്റെ മുഴുവൻ, സ്വയം അടങ്ങിയ സാഹചര്യത്തെ പകരം വയ്ക്കുന്നു.
പാക്കറ്റ് രൂപകൽപ്പന പ്രകാരം പോർട്ടബിൾ ആണ് — ഇത് തീരുമാനത്തെ മനസ്സിലാക്കാനും പ്രയോഗിക്കാനും ആവശ്യമായ എല്ലാം കൈവശം വയ്ക്കുന്നു, ഇത് വിശ്വാസ അതിർത്തി കടക്കാൻ സുരക്ഷിതമാക്കുന്നത് തന്നെയാണ്.
കോഡിൽ ഇത് എങ്ങനെ കാണപ്പെടുന്നു
ഒരു ഏജന്റ് എടുക്കാൻ പോകുന്ന തീരുമാനത്തിന് മുൻഗാമി കണ്ടെത്തൽ:
# 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)റോ ലോഗുകളുടെ പ്രോംപ്റ്റ്-സ്റ്റഫിംഗ് വേണ്ട. ഏജന്റ് മുൻകാല തീരുമാനങ്ങളെ അവയുടെ ന്യായവാദത്തോടൊപ്പം വിശകലനം ചെയ്യുന്നു. വ്യക്തതയ്ക്കായി സ്നിപ്പെറ്റ് Python ക്ലയന്റ് ഉപയോഗിക്കുന്നു — എന്നാൽ അതേ വീണ്ടെടുക്കൽ (get_packet, search_precedents) SDK ഇല്ലാതെ MCP വഴിയും ലഭ്യമാണ്, അതിനാൽ MCP-നേറ്റീവ് ഏജന്റ് തീരുമാനങ്ങളെ ടൂളുകളായി ഉപയോഗിക്കുന്നു.
ഫുൾ സ്റ്റാക്ക് ഷിപ്പ് ചെയ്തു
ഞങ്ങൾ ആകർഷകമായതിനെക്കാൾ കൃത്യമായതിനെ മുൻഗണിക്കുന്നു. ഇന്ന് ലൈവായിരിക്കുന്നത് ഇതാണ്:
നിർണ്ണയ പിടിച്ചെടുക്കൽ & തിരികെ ലഭിക്കൽ
- ✓നോർമറ്റീവ് തീരുമാന-ട്രേസ് ഡാറ്റാ മോഡൽ (ടൈപ്പഡ് ആർഗ്യുമെന്റ് എഡ്ജുകൾ)
- ✓ഹൈബ്രിഡ് പ്രിസിഡന്റ് സെർച്ച് (മുകളിൽ പറഞ്ഞ അഞ്ചു ഘട്ട പൈപ്പ്ലൈൻ)
- ✓മുൻകൂർ ഉദ്ധരണി — ഒരു മുൻകാല തീരുമാനത്തെ ഒന്നാം ക്ലാസ് വാദമായി ഉദ്ധരിക്കുക
- ✓നിർണ്ണയ പാക്കറ്റ് സമാഹരണം
- ✓MCP + A2A ൽ വീണ്ടെടുക്കൽ
- ✓താമസിക്കാത്ത, ചേർക്കാൻ മാത്രം കഴിയുന്ന തീരുമാന രേഖകൾ
സ്ഥാപന സ്മൃതി ഫ്ലൈവീൽ
- ✓സ്വയംചാലക ഫല പ്രതികരണം — വെബ്ഹുക്ക് + പോളിംഗ് ഇൻജെക്ഷൻ തീരുമാനങ്ങളിൽ ഫലങ്ങൾ തിരികെ എഴുതുന്നു
- ✓ഫല-ഗുണമേന്മാ സ്കോറിംഗ് — നല്ല ഫലങ്ങളുള്ള തീരുമാനങ്ങൾ മുൻഗണന തിരച്ചിലിൽ ഉയർന്ന റാങ്ക് ചെയ്യുന്നു
- ✓വാദങ്ങളുടെ ഫലപ്രാപ്തി — ഏത് വാദങ്ങൾ നല്ല ഫലങ്ങളിലേക്ക് നയിച്ചുവെന്ന് ട്രാക്ക് ചെയ്യുക
- ✓സ്വയം നിർദ്ദേശിച്ച മുൻകൂർ വിധികൾ — സീൽ സമയത്ത് ഉയർന്ന ബന്ധപ്പെട്ട മുൻവിവരങ്ങൾ
പൂർണ്ണമായ അടച്ച ചക്രം പ്രവർത്തനത്തിലുണ്ട്: ഫലത്തിന്റെ പ്രതികരണം മുൻഗണന റാങ്കിംഗിലേക്ക് തിരികെ ഒഴുകുന്നു, വാദത്തിന്റെ കാര്യക്ഷമത എന്താണ് പ്രവർത്തിച്ചതെന്ന് പുറത്തുവരുന്നു, ഏജന്റുകൾ ഒരു തീരുമാനത്തെ അടച്ചപ്പോൾ ബന്ധപ്പെട്ട മുൻഗണനകൾ സ്വയം നിർദ്ദേശിക്കപ്പെടുന്നു. ഗ്രാഫ് അടിസ്ഥാന ഘടകം ഇത് സാധ്യമാക്കുന്നു — ഇപ്പോൾ സ്വയം മെച്ചപ്പെടുന്ന പാളി അതിന്റെ മുകളിൽ പ്രവർത്തിക്കുന്നു.
ഇത് എന്തിനെ മാറ്റുന്നില്ല
- •നിങ്ങളുടെ വെക്ടർ ഡാറ്റാബേസ് — ഇത് പൈപ്പ്ലൈന്റെ ഒരു ഘടകം, ഘട്ടം 1
- •നിങ്ങളുടെ രേഖ RAG — നയംകളും മാനുവലുകളും പുനഃപ്രാപ്തി ചെയ്യുന്നത് ഒരു വ്യത്യസ്ത ജോലി ആണ്
- •അവലോകന ഉപകരണങ്ങൾ — സ്പാനുകൾ, വൈകല്യം, കൂടാതെ ടോക്കൺ മെട്രിക്സ് ഇപ്പോഴും LangSmith/Langfuse മുതലായവയ്ക്ക് ആകുന്നു.
ഡിസിഷൻ ഗ്രാഫ്ആർഎജി അവയിൽ എല്ലാം മുകളിൽ ഇരിക്കുന്നു, അവയിൽ ആരും സംഭരിച്ചിട്ടില്ലാത്ത ആർട്ടിഫാക്റ്റ് പിടിക്കുന്നു: അതിന്റെ കാരണം അശ്രുതമായ നിലയിൽ ലഭ്യമാക്കാവുന്ന ഘടിത തീരുമാനങ്ങൾ.
അവശ്യമായ ചോദ്യങ്ങൾ
AI തീരുമാനങ്ങൾക്കായി GraphRAG എന്താണ്?
GraphRAG (ഗ്രാഫ്-വികസിത റിട്രീവൽ-വൃദ്ധി ജനറേഷൻ) വെക്ടർ സമാനതയാൽ ടെക്സ്റ്റ് ചങ്കുകൾ മാത്രം റാങ്ക് ചെയ്യുന്നതിന്റെ പകരം, ഒരു അറിവ് ഗ്രാഫ് വഴി സഞ്ചരിച്ച് പശ്ചാത്തലം കണ്ടെത്തുന്നു. AI തീരുമാനങ്ങൾക്കായി, ഗ്രാഫ് ഒരു നോർമറ്റീവ് ആർഗ്യുമെന്റ് ഗ്രാഫ് ആണ് — തീരുമാനങ്ങൾ, അവയെ പിന്തുണച്ച അല്ലെങ്കിൽ എതിരായ പ്രോ/കോൺ ആർഗ്യുമെന്റുകൾ, ഉദ്ധരിച്ച തെളിവുകൾ, പരാമർശിച്ച മുൻഗണനകൾ എന്നിവ, ടൈപ്പ് ചെയ്ത എഡ്ജുകൾ (പിന്തുണയ്ക്കുന്നു, എതിര്ക്കുന്നു, നിഷേധിക്കുന്നു) വഴി ബന്ധിപ്പിച്ചിരിക്കുന്നു. ബന്ധപ്പെട്ട തീരുമാനങ്ങൾ കണ്ടെത്താൻ വെക്ടർ തിരച്ചിൽ ആരംഭിക്കുന്നു, പിന്നീട് ആ എഡ്ജുകൾക്കൊപ്പം വ്യാപിച്ച് ബന്ധമില്ലാത്ത സ്നിപ്പറ്റുകൾക്കുപകരം ഒരു സമ്പൂർണ്ണ, ബൗണ്ടഡ് ഡെസിഷൻ പാക്കറ്റ് തിരികെ നൽകുന്നു.
ഡിസിഷൻ GraphRAG ലോഗുകൾക്കിടയിൽ വെക്ടർ RAG-നേക്കാൾ എങ്ങനെ വ്യത്യസ്തമാണ്?
വെക്ടർ RAG ടെക്സ്റ്റിന്റെ ഭാഗങ്ങൾ (ലോഗുകൾ, ട്രാൻസ്ക്രിപ്റ്റുകൾ, ഡോക്യുമെന്റുകൾ) ഉൾക്കൊള്ളിച്ച് ഏറ്റവും സമാനമായ ടോപ്പ്-k ഭാഗങ്ങൾ തിരികെ നൽകുന്നു. ആ ഭാഗങ്ങൾ ബന്ധമില്ലാത്തവയാണ് — ഒരു തിരികെ ലഭിച്ച ഉദ്ധരണി ഒരു തീരുമാനത്തിന്റെ നിഗമനം ഉദ്ധരിക്കാം, എന്നാൽ അതിനെ Nearly തിരുത്തിയ കൺട്രാർഗ്യുമെന്റ്, വ്യത്യാസം അംഗീകരിച്ച മനുഷ്യൻ, അല്ലെങ്കിൽ അതിന്റെ ആശ്രിതമായ മുൻകൂർ വിധി നഷ്ടപ്പെടാം. ഡെസിഷൻ ഗ്രാഫ് RAG തീരുമാനത്തെ അതിന്റെ യുക്തി അശ്രുതമായ ഘടകമായി തിരികെ ലഭിക്കുന്നു, കാരണം ബന്ധങ്ങൾ ആദ്യക്ലാസ് ടൈപ്പുചെയ്ത എഡ്ജുകൾ ആയി സംഭരിക്കപ്പെടുന്നു, പ്രോസയിൽImplicit ആയി വിട്ടുപോകുന്നില്ല.
നിർണ്ണയ പാക്കറ്റ് എന്താണ്?
ഒരു തീരുമാന പാക്കറ്റ് ഗ്രാഫ് തീരുമാന തിരച്ചിലിന്റെ ബൗണ്ടഡ് ഔട്ട്പുട്ടാണ്: ഒരു തീരുമാനത്തിന്റെ സ്വയം അടങ്ങിയ, ഘടനാപരമായ പ്രതിനിധാനം, അതിൽ പ്രസ്ഥാവന, പ്രോ/കോൺ വാദ വൃക്ഷം, തെളിവുകളും അതിന്റെ ഉത്ഭവവും, വിലയിരുത്തിയ നയങ്ങൾ, അതിനെ അംഗീകരിച്ച മനുഷ്യർ, മുദ്രയിട്ട ഫലവും, ഉദ്ധരിച്ച മുൻഗാമികളും ഉൾപ്പെടുന്നു. ഇത് ഒരു ഏജന്റ് (അല്ലെങ്കിൽ ഒരു ഓഡിറ്റർ) ലോഗ് ലൈൻ കൂപ്പായിയുടെ പകരം തിരിച്ചു കൊണ്ടുവരുന്നതാണ്. AIAgentree സംഭരിച്ച തീരുമാന ട്രേസിൽ നിന്ന് തീരുമാന പാക്കറ്റുകൾ സമാഹരിക്കുന്നു.
എന്തുകൊണ്ടാണ് ഒരു തീരുമാന ഗ്രാഫ് GraphRAG-നായി നല്ല അടിസ്ഥാനം, സാധാരണ എന്റർപ്രൈസ് ഗ്രാഫുകൾ അല്ലെങ്കിൽ അതല്ല?
ജനറിക് എന്റർപ്രൈസ് നോളജ് ഗ്രാഫുകൾ കടന്നുപോകാൻ ബുദ്ധിമുട്ടാണ്: അവ വലിയവയാണ്, അവയുടെ എഡ്ജുകൾ കുറഞ്ഞ സിഗ്നലാണ് ('related_to' യുക്തി നൽകുന്നില്ല), സ്വാഭാവികമായ ഒരു റൂട്ട് നോഡ് ഇല്ല, വിപുലീകരണത്തിന് വ്യക്തമായ ഒരു നിർത്തൽ ബിന്ദു ഇല്ല. ഒരു തീരുമാന ഗ്രാഫ് ഈ നാലു പ്രശ്നങ്ങളും ഒഴിവാക്കുന്നു: ഓരോ തീരുമാനവും ഒരു സ്വാഭാവിക റൂട്ട് ആണ്, എഡ്ജുകൾ മാനദണ്ഡപരവും ഉയർന്ന സിഗ്നലും ആണ് (സഹായിക്കുന്നു/വിരുദ്ധമാണ്/വ്യാഖ്യാനിക്കുന്നു യുക്തി നൽകുന്നു), ഒരു ഏക തീരുമാനത്തിന്റെ ഉപഗ്രാഫ് ചെറിയതും സ്വാഭാവികമായും പരിധിയുള്ളതും ആണ്. ഗ്രാഫ് ഇതിനകം 'എന്താണ് പ്രധാനമായത്' എന്നത് എൻകോഡ് ചെയ്യുന്നു, അതിനാൽ തിരച്ചിൽ ഉൾപ്പെടുത്തേണ്ടത് എന്താണെന്ന് അറിയുന്നു.
ഇത് എന്റെ വെക്ടർ ഡാറ്റാബേസ് അല്ലെങ്കിൽ RAG സ്റ്റാക്ക് മാറ്റുമോ?
ഇല്ല. വെക്ടർ തിരച്ചിൽ ഒരു തീരുമാന ഗ്രാഫ്റാഗിന്റെ ഘടകമാണ്, അതിന് എതിരായ ഒരു മത്സരം അല്ല — എംബഡ്ഡിംഗുകൾ ശരിയായ പ്രവേശന ബിന്ദുക്കൾ കണ്ടെത്തുന്നു, തുടർന്ന് ഗ്രാഫ് ഘടന സമ്പൂർണ്ണ പശ്ചാത്തലം എടുക്കുന്നു. AIAgentree നിങ്ങളുടെ പ്രവർത്തന സംവിധാനങ്ങളുടെ മുകളിൽ, നിങ്ങളുടെ നിലവിലുള്ള RAG-ൽ, തീരുമാന പാളിയിൽ ഇരിക്കുന്നു. ഈ സംവിധാനങ്ങൾ ചരിത്രപരമായി സംഭരിച്ചിട്ടില്ലാത്ത ഒരു ആർട്ടിഫാക്റ്റ് പിടിച്ചെടുക്കുകയും തിരികെ കൊണ്ടുവരുകയും ചെയ്യുന്നു: ഘടിതമായ തീരുമാനത്തെ തന്നെ.
എന്താണ് അയച്ചത്?
ഈ പോസ്റ്റിൽ വിവരിച്ചിരിക്കുന്ന എല്ലാം ഷിപ്പുചെയ്യപ്പെട്ടും സജീവമായും ഉണ്ട്: നോർമറ്റീവ് തീരുമാന-ട്രേസ് ഡാറ്റ മോഡൽ, ഹൈബ്രിഡ് പ്രിസിഡന്റ് സെർച്ച് (അഞ്ച്-പടി പൈപ്പ്ലൈൻ: വെക്ടർ സെർച്ച് → ഘടക ഫിൽട്ടറുകൾ → ഗ്രാഫ്-സന്ദർഭ വിപുലീകരണം → ഫല-ഭാരം റാങ്കിംഗ് → പാക്കേജിംഗ്), പ്രിസിഡന്റ് ഉദ്ധരണി (ഒരു പഴയ തീരുമാനത്തെ ഒന്നാംക്ലാസ് വാദമായി ഉദ്ധരിക്കുന്നത്), തീരുമാന പാക്കറ്റ് അസംബ്ലി, MCP-യും A2A-യും വഴി ഏജന്റുകൾക്ക് തുറന്ന റിട്രീവൽ, സ്വയമേവ ഫല ഫീഡ്ബാക്ക് (വെബ്ഹുക്ക് + പോളിംഗ് ഇൻജെക്ഷൻ), പ്രിസിഡന്റ് റാങ്കിംഗുകൾ ഉയർത്തുന്ന ഫല-ഗുണമേന്മാ സ്കോറിംഗ്, വാദ-പ്രഭാവം ട്രാക്കിംഗ് (ഏത് വാദങ്ങൾ നല്ല ഫലങ്ങളിലേക്ക് നയിച്ചു), കൂടാതെ സീൽ ചെയ്യപ്പെട്ട സ്വയം-സൂചിപ്പിച്ച പ്രിസിഡന്റുകൾ. മുഴുവൻ 'സ്ഥാപന മെമ്മറി ഫ്ലൈവീൽ' സജീവവും അടച്ച-ലൂപ്പും ആണ്.
എങ്ങനെ ഏജന്റുകൾ ഇൻഫറൻസ് സമയത്ത് തീരുമാനങ്ങൾ വീണ്ടെടുക്കുന്നു?
മോഡൽ കോൺടെക്സ്റ്റ് പ്രോട്ടോക്കോൾ (MCP)യും ഏജന്റ്-ടു-ഏജന്റ് (A2A) പ്രതിനിധീകരണവും വഴി. AIAgentree, MCP സർവറിൽ search_precedents, get_packet എന്നിവ പോലുള്ള ഉപകരണങ്ങൾ പ്രദർശിപ്പിക്കുന്നു, അതിനാൽ ഒരു ഏജന്റ് ബന്ധപ്പെട്ട മുൻ തീരുമാനങ്ങൾക്കായി ചോദ്യം ചെയ്യുകയും അതിന്റെ ചിന്തന സമയത്ത് inline-ൽ തീരുമാന പാക്കറ്റുകൾ സ്വീകരിക്കുകയും ചെയ്യാം. A2A പ്രതിനിധീകരണത്തിൽ, ഒരു തീരുമാന പാക്കറ്റ് ഏജന്റുകൾക്കിടയിൽ കൈമാറുന്ന സ്വയം അടങ്ങിയ പെയ്ലോഡ് ആണ്, അതിനാൽ ഒരു സ്വീകരിക്കുന്ന ഏജന്റ്, അയച്ചവന്റെ ഡാറ്റാബേസിലേക്ക് പ്രവേശനം ഇല്ലാതെ, ഒരു തീരുമാനത്തിന്റെ മുഴുവൻ കോൺടെക്സ്റ്റ് പകരം നൽകുന്നു.
ബന്ധിത വിഷയങ്ങൾ
ബന്ധിത ലേഖനങ്ങൾ
എഐ തീരുമാനങ്ങൾക്ക് റസീറ്റ് ലഭിക്കണം: എഐ ഭരണത്തിൽ തീരുമാന ട്രേസിംഗ് നഷ്ടമായ പാളിയാണ് എങ്ങനെ
പ്രതിയൊരു സാമ്പത്തിക ഇടപാടും ഒരു രസീത് ലഭിക്കുന്നു. പ്രതിയൊരു നിയമ കരാറും ഒരു ഒപ്പ് ലഭിക്കുന്നു. എന്നാൽ ലക്ഷക്കണക്കിന് ആളുകളെ ബാധിക്കുന്ന എഐ തീരുമാനങ്ങൾ? ദൃശ്യരഹിതം. ഓരോ എഐ തീരുമാനത്തിന്റെയും പിന്നിലെ കാരണം പിടിച്ചെടുക്കുന്നതിലൂടെ തീരുമാനങ്ങളുടെ പാതയിടൽ ഇത് മാറ്റുന്നു.
EU AI നിയമം ലേഖനം 6: നിങ്ങളുടെ AI ഏജന്റുകൾക്കായി ഉയർന്ന അപകടം വർഗ്ഗീകരണം എന്താണ്?
EU AI നിയമത്തിന്റെ ആർട്ടിക്കിൾ 6 നിങ്ങളുടെ AI സിസ്റ്റം "ഉയർന്ന അപകടം" ആണോ എന്ന് നിശ്ചയിക്കുന്നു — കൂടാതെ നിർബന്ധമായ ഓഡിറ്റ് ട്രെയിൽ ആവശ്യകതകൾ പ്രാബല്യത്തിൽ വരുന്നു. നിങ്ങളുടെ ഏജന്റുകൾ ക്രെഡിറ്റ്, തൊഴിൽ, വിദ്യാഭ്യാസം, അല്ലെങ്കിൽ ആരോഗ്യപരിചയം സംബന്ധിച്ച തീരുമാനങ്ങൾ എടുക്കുന്നുവെങ്കിൽ, 2027 ഡിസംബർ മുമ്പ് അനക്സ്സ് III വർഗീകരണം മനസ്സിലാക്കേണ്ടതാണ്.
എന്താണ് എഐ ഗവേഷണ സംയോജനം?
ഗ്രാഫ് അടിസ്ഥാനമാക്കിയുള്ള തീരുമാനമെടുക്കൽ ഗവേഷണവുമായി എവിടെ കൂടുന്നു: നിരവധി മോഡലുകളുടെ കണ്ടെത്തലുകൾ ഒരു ഘടിത, വിശേഷിപ്പിച്ച സംയോജനത്തിലേക്ക് സംയോജിപ്പിക്കുന്നത്.
AIAgentree ടീം
തീരുമാന അടിസ്ഥാനസൗകര്യം
AIAgentree ടീം AI ഏജന്റുകൾക്കായുള്ള തീരുമാന ട്രേസിംഗ്, തിരികെ നൽകൽ അടിസ്ഥാനസൗകര്യം നിർമ്മിക്കുന്നു. AI യുടെ ചിന്തനയെ ദൃശ്യമായ, ഓഡിറ്റബിൾ, തിരികെ നൽകാവുന്ന, മെച്ചപ്പെടുത്താവുന്നവാക്കാൻ ഞങ്ങളുടെ ദൗത്യം.
നിങ്ങളുടെ ഏജന്റുകൾക്ക് തിരികെ നൽകാൻ അർഹമായ ഒരു മെമ്മറി നൽകുക.
തീരുമാനങ്ങളെ ഒരു ഗ്രാഫ് ആയി, ഒരു ലോഗ് ആയി değil — ബൗണ്ടഡ് തീരുമാന പാക്കറ്റുകൾ ആയി തിരികെ നൽകുക. സൗജന്യ തരം ലഭ്യമാണ്, ക്രെഡിറ്റ് കാർഡ് ആവശ്യമായില്ല.
സൗജന്യമായി ആരംഭിക്കുക