GraphRAG untuk Keputusan AI
GraphRAG (pengambilan yang dipertingkatkan graf-augmented generation) mengambil konteks dengan melintasi graf pengetahuan dan bukannya hanya mengutamakan chunk teks berdasarkan kesamaan vektor. Untuk keputusan ejen AI, graf adalah graf hujah normatif: keputusan yang disambungkan kepada hujah pro dan kontra yang menyokong atau menentangnya, bukti yang dipetik, dan preseden yang dirujuk, melalui tepi bertipe (menyokong, menentang, menolak). Pengambilan keputusan bermula dari carian vektor untuk mencari keputusan yang relevan, kemudian berkembang sepanjang tepi tersebut untuk mengembalikan Paket Keputusan yang lengkap dan terhad dan bukannya serpihan yang tidak bersambung.
Soalan bukanlah "patutkah kita menyimpan keputusan AI?" — ia adalah "apa yang kita simpan?" Simpan sebagai teks dan anda mendapat sup chunk vektor RAG. Simpan sebagai graf hujah normatif dan pengambilan mengembalikan Paket Keputusan yang terhad dan boleh diaudit.
- •Vector RAG ke atas log mengembalikan petikan yang terputus — ia terlepas hujah balas, pengesah, preseden
- •Decision GraphRAG mengambil keputusan dengan alasannya tetap utuh, melalui tepi bertipe
- •Graf keputusan adalah substrat GraphRAG-perfect yang jarang: nod akar semula jadi, tepi isyarat tinggi, subgraf terhad
- •Dihantar: carian preseden hibrid, Pek Keputusan, pengambilan MCP/A2A, maklum balas hasil, penarafan berasaskan hasil, keberkesanan hujah, preseden yang dicadangkan secara automatik — roda terbang penuh
Ejen anda perlu tahu bagaimana anda membuat keputusan kali terakhir.
Anda mengarahkannya ke sebuah stor vektor log. Ia mendapatkan kembali enam petikan. Tiada satu pun daripada mereka mengandungi sebabnya.
Masalah Pengambilan yang Tiada Siapa Namakan
Setiap sistem agen yang serius akhirnya memerlukan memori: keupayaan untuk merujuk bagaimana situasi yang serupa ditangani sebelum ini dan bertindak secara konsisten. Jawapan lalai pada tahun 2026 adalah vector RAG — menyematkan segala-galanya, mengambil kembali potongan yang paling serupa, dan memasukkannya ke dalam tetingkap konteks.
Untuk dokumen, itu berfungsi. Untuk keputusan, ia gagal dengan senyap. Dan kegagalan itu adalah struktural, bukan masalah penyetelan.
Keputusan bukanlah satu perenggan. Ia adalah rangkaian kecil hubungan: satu cadangan, hujah-hujah untuk dan menentangnya, bukti yang disandarkan oleh setiap hujah, siapa yang meluluskan pengecualian, dan kes lampau mana yang diikutinya. Ratahkan itu menjadi kepingan teks dan sematkan mereka, dan pengambilan kembali memberikan serpihan dengan hubungan terputus. Anda mendapat kesimpulan tanpa hujah balas. Anda mendapat kelulusan tanpa alasan. Anda mendapat satu ayat yang menyebut satu preseden tanpa preseden itu sendiri.
Ini adalah apa yang dipanggil oleh pengamal sebagai "chunk soup." Inilah sebabnya mengapa pengambilan hanya vektor ke atas log keputusan terasa yakin dan secara halus tidak boleh dipercayai.
Chunk Soup vs. Paket Keputusan
| Vector RAG mengembalikan | Graf Keputusan RAG mengembalikan |
|---|---|
| …"pengembalian dana telah diluluskan untuk pelanggan premium" (0.83) …"ambang untuk kelulusan automatik adalah $200" (0.79) …"naikkan insiden SEV-1 ke tahap 2" (0.74) | Cadangan: Luluskan pemulangan #4521 ($240) PRO: Pelanggan premium, kecacatan sah CON: Melebihi ambang auto-lulus $200 Override: Diluluskan oleh Penganalisis Kanan (dasar P-12) Preseden: menyebut kes #1234 (diluluskan, 0 pemulangan) Hasil (6bln): dikekalkan, tiada pertikaian |
| Tiga serpihan yang munasabah. Tiada pautan antara mereka. Adakah pengembalian ini melebihi ambang? Siapa yang membatalkan? Apa yang berlaku seterusnya? Serpihan-serpihan itu tidak dapat menjawab. | Satu paket terikat. Penalaran, pengecualian, preseden, dan hasil — saling berkaitan. |
Perbezaannya bukan pada model penyisipan atau saiz kepingan. Ia adalah substrat. Satu menyimpan teks tentang keputusan; yang lain menyimpan keputusan sebagai struktur.
Mengapa Normatif Edges Mengubah Segalanya
Graf pengetahuan generik menyimpan tepi deskriptif: "sebutan," "berkaitan dengan," "dimiliki oleh." Mereka memberitahu anda bahawa dua perkara adalah berkaitan tetapi tidak mengapa ia penting.
Graf keputusan menyimpan tepi normatif — hubungan tersebut membawa alasan:
- •menyokong / menentang — hujah ini mendorong keputusan ke arah atau menjauhkan daripada hasil
- •menyangkal — bukti ini secara langsung bertentangan dengan tuntutan itu
- •kelayakan / bergantung_kepada — ini hanya berlaku di bawah satu keadaan
Kerana jenis tepi adalah alasan, graf sudah tahu apa yang menyokong beban. Pengambilan tidak perlu meneka yang mana antara sepuluh fakta yang disebut sebenarnya mendorong panggilan — tepi supports dengan berat tinggi menyatakannya. Graf deskriptif membolehkan carian. Graf normatif membolehkan penilaian.
Mengapa Graf Keputusan Adalah "GraphRAG-Sempurna"
Kebanyakan pasukan yang mencuba GraphRAG pada graf perusahaan umum menyerah. Sebab-sebabnya adalah konsisten, dan graf keputusan mengelakkan setiap satu daripadanya:
| Mengapa GraphRAG generik menghadapi kesukaran | Mengapa graf keputusan tidak |
|---|---|
| Graf adalah sangat besar (jutaan nod) | Setiap subgraf keputusan adalah kecil dan berdiri sendiri. |
| Tepi adalah isyarat rendah ("related_to") | Tepi adalah normatif dan membawa alasan |
| Tiada nod akar semula jadi untuk bermula. | Keputusan adalah nod akar |
| Traversal tiada titik henti yang semulajadi. | Sempadan keputusan adalah intrinsik — kembangkan kepada hujah, bukti, dan preseden yang disebut, kemudian berhenti. |
Graf mempunyai "apa yang penting" yang dibina ke dalam strukturnya. Itulah sifat yang diperlukan oleh GraphRAG dan jarang diperolehnya.
Saluran Pengambilan Hibrid
Vektor dan graf bukanlah pesaing di sini. Pengambilan keputusan menggunakan vektor untuk mencari titik masuk dan struktur graf untuk mendapatkan konteks lengkap. Dalam AIAgentree, ini adalah saluran lima langkah (dihantar dalam perkhidmatan pencarian terdahulu):
Pencarian vektor ke atas embedding keputusan dan hujah — cari segelintir keputusan lalu yang relevan
Penapis terstruktur — penyewa, kategori, jenis entiti, kematangan preseden (supaya anda mendapatkan kes yang disahkan, bukan draf)
Pengembangan konteks graf — susuri tepi normatif untuk menarik masuk hujah dan bukti bagi setiap keputusan
Peringkat berdasarkan hasil — satu preseden yang hasilnya baik menduduki tempat lebih tinggi daripada yang kelihatan serupa tetapi tidak berjaya
Pembungkusan — mengumpulkan hasil ke dalam Paket Keputusan terikat yang sedia untuk diserahkan kepada ejen atau penilai
Had keras (kedalaman maksimum, nod maksimum, masa tamat) menghalang pengembangan daripada melarikan diri. Output tidak pernah menjadi dinding token — ia adalah sejumlah kecil keputusan lengkap yang boleh dibandingkan.
Pengambilan Untuk Ejen: MCP dan A2A
Memori hanya berguna jika ejen dapat mencapainya semasa ia membuat alasan. AIAgentree mendedahkan pengambilan keputusan dengan dua cara:
Lebih daripada MCP
Pelayan Protokol Konteks Model mendedahkan alat seperti search_precedents dan get_packet. Seorang ejen membuat pertanyaan untuk keputusan terdahulu yang relevan dan menerima Paket Keputusan secara langsung — di tengah-tengah proses pemikiran, bukan sebagai pekerjaan kumpulan.
Lebih A2A
Dalam delegasi antara ejen, Pakej Keputusan adalah muatan. Ejen penerima mewarisi konteks keputusan yang lengkap dan berdiri sendiri tanpa sebarang akses kepada pangkalan data penghantar.
Pek ini direka untuk mudah dibawa — ia mengandungi segala yang diperlukan untuk memahami dan menerapkan keputusan, yang merupakan apa yang menjadikannya selamat untuk dipindahkan melintasi sempadan kepercayaan.
Apa Yang Ia Nampak Dalam Kod
Mengambil kembali preseden untuk keputusan yang akan dibuat oleh ejen:
# 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)Tiada pengisian prompt pada log mentah. Ejen membuat alasan berdasarkan keputusan sebelumnya, dengan alasan mereka dilampirkan. Petikan ini menggunakan klien Python untuk kejelasan — tetapi pengambilan yang sama (get_packet, search_precedents) tersedia melalui MCP tanpa SDK, jadi ejen asli MCP menggunakan keputusan sebagai alat.
Full Stack Telah Dihantar
Kami lebih suka tepat daripada mengagumkan. Berikut adalah apa yang sedang disiarkan hari ini:
V capture & retrieval keputusan
- ✓Model data jejak keputusan normatif (tepi argumen bertipe)
- ✓Pencarian preseden hibrid (saluran lima langkah di atas)
- ✓Kutipan preseden — sebutkan keputusan masa lalu sebagai hujah kelas pertama
- ✓Pengumpulan paket keputusan
- ✓Pengambilan melalui MCP + A2A
- ✓Rekod keputusan yang sukar diubah dan hanya boleh ditambah
Memori Institusi Flywheel
- ✓Maklum balas hasil automatik — webhook + pengambilan polling menulis keputusan kembali kepada keputusan
- ✓Penilaian kualiti hasil — keputusan dengan hasil yang baik menduduki tempat lebih tinggi dalam carian preseden
- ✓Keberkesanan hujah — jejak hujah mana yang membawa kepada hasil positif
- ✓Preseden yang dicadangkan secara automatik — keputusan terdahulu yang relevan muncul pada masa penyegelan
Pusingan roda terbang tertutup sepenuhnya sedang aktif: maklum balas hasil mengalir kembali ke dalam peringkat precedent, keberkesanan hujah menonjolkan apa yang berfungsi, dan ejen mendapat precedent yang relevan dicadangkan secara automatik apabila mereka membuat keputusan. Substrat graf menjadikannya mungkin — dan kini lapisan yang memperbaiki diri beroperasi di atasnya.
Apa yang Ini Tidak Gantikan
- •Database vektor anda — ia adalah komponen dalam saluran, langkah 1
- •Dokumen RAG anda — mengambil polisi dan manual adalah pekerjaan yang berbeza
- •Alat kebolehan pengamatan — rentang, latensi, dan metrik token masih milik LangSmith/Langfuse dan lain-lain.
GraphRAG Keputusan terletak di atas semua ini dan menangkap artifak yang tidak disimpan oleh mana-mana: keputusan terstruktur, yang boleh diambil semula dengan alasan yang utuh.
Soalan Lazim
Apa itu GraphRAG untuk keputusan AI?
GraphRAG (generasi augmentasi pemulihan yang diperkaya grafik) mengambil konteks dengan melintasi grafik pengetahuan dan bukannya hanya mengutamakan potongan teks berdasarkan kesamaan vektor. Untuk keputusan AI, grafik tersebut adalah grafik argumen normatif — keputusan, argumen pro/con yang menyokong atau menentangnya, bukti yang dikemukakan, dan preseden yang dirujuk, dihubungkan oleh tepi bertipe (menyokong, menentang, menolak). Pemulihan bermula dari pencarian vektor untuk mencari keputusan yang relevan, kemudian berkembang sepanjang tepi tersebut untuk mengembalikan Paket Keputusan yang lengkap dan terhad daripada petikan yang tidak terhubung.
Bagaimana keputusan GraphRAG berbeza daripada vector RAG ke atas log?
Vector RAG menyematkan kepingan teks (log, transkrip, dokumen) dan mengembalikan fragmen yang paling serupa top-k. Fragmen-fragmen tersebut tidak terhubung — satu petikan yang diambil mungkin memetik kesimpulan keputusan tetapi terlepas hujah balas yang hampir membalikkan keputusan itu, individu yang meluluskan pengecualian, atau preseden yang dirujuk. Decision GraphRAG mengambil keputusan sebagai unit terstruktur dengan alasan yang utuh, kerana hubungan disimpan sebagai tepi bertipe kelas pertama, bukan dibiarkan tersirat dalam prosa.
Apakah itu Paket Keputusan?
Paket Keputusan adalah output terhad dari pengambilan keputusan graf: satu representasi terstruktur yang berdiri sendiri bagi satu keputusan yang mengandungi proposisi, pokok hujah pro/con, bukti dan asal usulnya, polisi yang dinilai, individu yang meluluskannya, hasil yang disegel, dan sebarang preseden yang dirujuk. Ia adalah apa yang diperoleh oleh ejen (atau juruaudit) sebagai ganti sekumpulan baris log. AIAgentree mengumpulkan Paket Keputusan dari jejak keputusan yang disimpan.
Mengapa graf keputusan adalah substrat yang baik untuk GraphRAG apabila graf perusahaan generik tidak?
Graf pengetahuan perusahaan generik sukar untuk dilalui: ia sangat besar, tepinya mempunyai isyarat rendah ('related_to' tidak menyampaikan sebarang penalaran), tiada nod akar semula jadi, dan pengembangan tiada titik henti yang jelas. Graf keputusan mengelakkan keempat-empat masalah tersebut: setiap keputusan adalah akar semula jadi, tepinya adalah normatif dan mempunyai isyarat tinggi (menyokong/menentang/membantah membawa penalaran yang sebenar), dan subgraf bagi satu keputusan adalah kecil dan terhad secara semula jadi. Graf tersebut sudah menyandarkan 'apa yang penting,' jadi pengambilan tahu apa yang perlu disertakan.
Adakah ini menggantikan pangkalan data vektor saya atau tumpukan RAG?
Tidak. Pencarian vektor adalah komponen dalam GraphRAG keputusan, bukan pesaing kepadanya — embedding mencari titik masuk yang tepat, kemudian struktur graf mengambil konteks lengkap. AIAgentree terletak di lapisan keputusan di atas sistem operasi anda dan RAG sedia ada untuk dokumen. Ia menangkap dan mengambil satu artefak yang tidak disimpan oleh sistem tersebut secara sejarah: keputusan terstruktur itu sendiri.
Apa yang dihantar?
Semua yang diterangkan dalam pos ini telah dihantar dan sedang aktif: model data jejak keputusan normatif, pencarian preseden hibrid (saluran lima langkah: pencarian vektor → penapis terstruktur → pengembangan konteks graf → pengundian hasil yang diberi berat → pembungkusan), sitasi preseden (menyebut keputusan masa lalu sebagai hujah kelas pertama), pengumpulan Paket Keputusan, pengambilan yang terdedah kepada ejen melalui MCP dan A2A, maklum balas hasil automatik (webhook + pengambilan pengundian), penilaian kualiti hasil yang meningkatkan kedudukan preseden, penjejakan keberkesanan hujah (hujah mana yang membawa kepada hasil yang baik), dan preseden yang dicadangkan secara automatik pada meterai. 'Flywheel memori institusi' yang penuh kini aktif dan dalam gelung tertutup.
Bagaimana ejen mendapatkan keputusan pada waktu inferens?
Melalui Protokol Konteks Model (MCP) dan delegasi agen-ke-agen (A2A). AIAgentree mendedahkan alat seperti search_precedents dan get_packet melalui pelayan MCP, jadi seorang agen boleh membuat pertanyaan untuk keputusan terdahulu yang relevan dan menerima Pakej Keputusan secara langsung semasa ia membuat pertimbangan. Dalam delegasi A2A, Pakej Keputusan adalah muatan yang berdiri sendiri yang dipindahkan antara agen, jadi agen penerima mewarisi konteks penuh keputusan tanpa akses kepada pangkalan data pengirim.
Topik Berkaitan
Artikel Berkaitan
Keputusan AI Memerlukan Resit: Mengapa Penjejakan Keputusan Adalah Lapisan Yang Hilang Dalam Tadbir Urus AI
Setiap transaksi kewangan mendapat resit. Setiap kontrak undang-undang mendapat tandatangan. Tetapi keputusan AI yang mempengaruhi jutaan orang? Tidak kelihatan. Penjejakan keputusan mengubahnya dengan menangkap SEBAB di sebalik setiap keputusan AI.
Artikel 6 Akta AI EU: Apa Maksud Klasifikasi Risiko Tinggi untuk Ejen AI Anda
Artikel 6 Akta AI EU menentukan sama ada sistem AI anda adalah "berisiko tinggi" — dan mencetuskan keperluan jejak audit yang wajib. Jika ejen anda membuat keputusan mengenai kredit, pekerjaan, pendidikan, atau penjagaan kesihatan, anda perlu memahami pengelasan Lampiran III sebelum Disember 2027.
Apakah Sintesis Penyelidikan AI?
Di mana pengambilan keputusan berasaskan graf bertemu penyelidikan: menggabungkan penemuan pelbagai model ke dalam satu sintesis yang terstruktur dan diberi atribusi.
Pasukan AIAgentree
Infrastruktur Keputusan
Pasukan AIAgentree sedang membina infrastruktur penjejakan dan pengambilan keputusan untuk ejen AI. Misi kami adalah untuk menjadikan pemikiran AI dapat dilihat, boleh diaudit, boleh diambil, dan boleh diperbaiki.
Berikan ejen anda memori yang berbaloi untuk diambil.
Tangkap keputusan sebagai graf, bukan log — dan ambil mereka sebagai Paket Keputusan yang terhad. Tahap percuma tersedia, tiada kad kredit diperlukan.
Mula Percuma