GraphRAG voor AI-beslissingen
GraphRAG (grafiek-versterkte retrieval-augmented generation) haalt context op door een kennisgrafiek te doorlopen in plaats van alleen tekstchunks op basis van vectorovereenkomsten te rangschikken. Voor AI-agentbeslissingen is de grafiek een normatieve argumentgrafiek: beslissingen verbonden met de voor- en tegenargumenten die hen ondersteunden of tegenstonden, het bewijs dat werd aangehaald, en de precedenten die werden genoemd, via getypte randen (ondersteunt, verzet zich tegen, weerlegt). Beslissingsretrieval is een hybride pijplijn — vectorzoekopdracht vindt de relevante beslissingen, vervolgens haalt grafiekuitbreiding de volledige, begrensde context op — en de output is een Beslissingspakket: een zelfvoorzienend record van de propositie, argumentenboom, bewijs, beleid, goedkeuringen, uitkomst en precedenten. Dit is beter dan alleen vector RAG over logs, dat losgekoppelde chunks oplevert die tegenargumenten, goedkeuringen en precedenten missen. Een beslissingsgrafiek is een ongewoon goed GraphRAG-substraat omdat elke beslissing een natuurlijke rootnode is, randen hoog-signaal zijn (ze dragen redenering), en de subgrafiek van elke beslissing klein en begrensd is. AIAgentree implementeert de volledige stack: beslissings-trace datamodel, hybride precedentzoekopdracht, precedentvermelding, Beslissingspakketassemblage, retrieval over MCP en A2A, automatische uitkomstfeedback, uitkomst-kwaliteitsbeoordeling die precedent-rangschikkingen verhoogt, argument-effectiviteit tracking, en automatisch voorgestelde precedenten bij afsluiting — het complete institutionele geheugen flywheel is geleverd en live.
De vraag is niet "moeten we AI-beslissingen opslaan?" — het is "waar slaan we ze in op?" Sla ze op als tekst en je krijgt de chunk-soep van vector RAG. Sla ze op als een normatieve argumentgrafiek en retrieval levert een begrensd, controleerbaar Beslissingspakket op.
- •Vector RAG over logs retourneert losgekoppelde fragmenten — het mist het tegenargument, de goedkeurder, het precedent
- •Decision GraphRAG haalt de beslissing met de redenering intact op, via getypte randen
- •Een beslissingsgrafiek is een zeldzaam GraphRAG-perfect substraat: natuurlijke wortelknopen, hoge-signaalranden, begrensde subgrafen
- •Verzonden: hybride precedentzoektocht, beslissingspakketten, MCP/A2A-opvraging, uitkomstfeedback, uitkomst-gewogen rangschikking, argumenteffectiviteit, automatisch voorgestelde precedenten — de volledige flywheel
Je agent moet weten hoe je de vorige keer hebt besloten.
Je richt het op een vectoropslag van logs. Het krijgt zes fragmenten terug. Geen van hen bevat de reden.
Het Herstelprobleem Dat Niemand Noemt
Elk serieus agentsysteem heeft uiteindelijk geheugen nodig: de mogelijkheid om op te zoeken hoe een vergelijkbare situatie eerder werd behandeld en consistent te handelen. Het standaardantwoord in 2026 is vector RAG — alles embedden, de top-k meest vergelijkbare stukken ophalen en deze in het contextvenster stoppen.
Voor documenten werkt dat. Voor beslissingen faalt het stilletjes. En de fout is structureel, geen afstemmingsprobleem.
Een beslissing is geen alinea. Het is een klein web van relaties: een voorstel, de argumenten voor en tegen, het bewijs waarop elk argument steunde, wie de uitzondering goedkeurde, en welke eerdere zaak het volgde. Als je dat omzet in tekstfragmenten en deze embedt, dan levert de opvraging fragmenten terug met de relaties doorgeknipt. Je krijgt de conclusie zonder het tegenargument. Je krijgt de goedkeuring zonder de redenering. Je krijgt een zin die een precedent noemt zonder het precedent zelf.
Dit is wat beoefenaars "chunk soup." noemen. Het is de reden waarom alleen vectorretrieval over beslissingslogs zelfverzekerd aanvoelt en subtiel onbetrouwbaar is.
Chunksoep vs. het Besluitpakket
| Vector RAG retourneert | Beslissingsgrafiek RAG retourneert |
|---|---|
| …"de terugbetaling is goedgekeurd voor de premiumklant" (0.83) …"drempel voor automatische goedkeuring is $200" (0.79) …"escaleren van SEV-1 incidenten naar niveau 2" (0.74) | Voorstel: Goedkeuring terugbetaling #4521 ($240) VOOR: Premium klant, geldig defect TEGEN: Overschrijdt de auto-goedkeuringsdrempel van $200 Overschrijving: Goedgekeurd door Sr. Analyst (beleid P-12) Precedent: citeert zaak #1234 (goedgekeurd, 0 terugboekingen) Uitkomst (6 maanden): behouden, geen geschil |
| Drie plausibele fragmenten. Geen verband tussen hen. Was deze terugbetaling boven de drempel? Wie heeft het overschreven? Wat gebeurde er daarna? De stukken kunnen het niet zeggen. | Één begrensd pakket. De redenering, de uitzondering, het precedent en het resultaat — verbonden. |
Het verschil is niet het inbeddingsmodel of de chunkgrootte. Het is het substraat. De ene slaat tekst op over beslissingen; de andere slaat beslissingen op als structuur.
Waarom Normatieve Randen Alles Veranderen
Generieke kennisgrafieken slaan beschrijvende randen op: "vermeldingen," "gerelateerd aan," "eigendom van." Ze vertellen je dat twee dingen met elkaar verbonden zijn, maar niet waarom het belangrijk was.
Een beslissingsgrafiek slaat normatieve randen op — de relaties dragen redenatie:
- •steunt / tegenwerkt — dit argument duwde de beslissing naar of weg van de uitkomst
- •weerlegt — dit bewijs staat in directe tegenspraak met die bewering
- •kwalificeert / hangt_af — dit geldt alleen onder een voorwaarde
Omdat het randtype is de redenering, weet de grafiek al wat dragend is. Het ophalen hoeft niet te raden welke van de tien genoemde feiten daadwerkelijk de oproep heeft aangestuurd — de supports randen met een hoog gewicht geven dat aan. Beschrijvende grafieken maken zoeken mogelijk. Normatieve grafieken maken oordeel mogelijk.
Waarom een Beslissingsgrafiek "GraphRAG-perfect" is
De meeste teams die GraphRAG op een algemeen bedrijfsdiagram proberen, geven op. De redenen zijn consistent, en een beslissingsgrafiek voorkomt ze allemaal:
| Waarom generieke GraphRAG moeite heeft | Waarom een beslissingsgrafiek niet doet |
|---|---|
| De grafiek is enorm (miljoenen knooppunten) | Elke subgrafiek van een beslissing is klein en op zichzelf staand. |
| Randen zijn laag-signaal ("related_to") | Randen zijn normatief en dragen de redenering. |
| Geen natuurlijke rootnode om vanaf te starten | De beslissing is de rootnode |
| Traverseren heeft geen natuurlijk stoppunt. | De grens van een beslissing is intrinsiek — breid uit naar de argumenten, bewijzen en aangehaalde precedenten, en stop dan. |
De grafiek heeft "wat belangrijk was" ingebouwd in zijn structuur. Dat is de eigenschap die GraphRAG nodig heeft en zelden krijgt.
De Hybride Retrieval Pipeline
Vectoren en grafieken zijn hier geen rivalen. Beslissingsretrieval gebruikt vectoren om de toegangspunten te vinden en grafiekstructuur om de volledige context op te halen. In AIAgentree is dit een vijfstappenpipeline (geleverd in de precedent-zoekdienst):
Vectorzoekopdracht over beslissings- en argumentembeddings — vind de handvol relevante eerdere beslissingen
Gestructureerde filters — huurder, categorie, entiteitstype, precedentvervaldatum (zodat je gevalideerde zaken ophaalt, geen concepten)
Grafiek-contextuitbreiding — loop langs de normatieve randen om de argumenten en bewijzen van elke beslissing te verzamelen
Uitkomst-gewogen rangschikking — een precedent waarvan de uitkomst goed was, staat hoger dan een oppervlakkig vergelijkbaar precedent dat dat niet was
Verpakking — stel het resultaat samen in gebonden Beslissingspakketten die klaar zijn om aan een agent of een beoordelaar te worden overhandigd
Harde limieten (maximale diepte, maximale knooppunten, time-out) voorkomen dat de uitbreiding uit de hand loopt. De output is nooit een muur van tokens — het is een klein aantal complete, vergelijkbare beslissingen.
Ophalen voor Agenten: MCP en A2A
Geheugen is alleen nuttig als de agent het kan bereiken terwijl hij redeneert. AIAgentree biedt op twee manieren toegang tot besluitvorming:
Over MCP
De Model Context Protocol-server biedt tools zoals search_precedents en get_packet. Een agent vraagt naar relevante eerdere beslissingen en ontvangt Beslissingspakketten inline — midden in de redenering, niet als een batchtaak.
Over A2A
Bij agent-naar-agent delegatie is het Besluitpakket de payload. Een ontvangende agent erft de volledige, zelfvoorzienende context van een beslissing zonder toegang tot de database van de afzender.
Het pakket is ontworpen om draagbaar te zijn — het bevat alles wat nodig is om de beslissing te begrijpen en toe te passen, wat precies is wat het veilig maakt om over een vertrouwensgrens te worden doorgegeven.
Hoe het eruitziet in code
Het ophalen van precedent voor de beslissing die een agent op het punt staat te nemen:
# 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)Geen prompt-stuffing van ruwe logs. De agent redeneert over eerdere beslissingen, met hun redenering erbij. De snippet gebruikt de Python-client voor de duidelijkheid — maar dezelfde opvraging (get_packet, search_precedents) is beschikbaar via MCP zonder SDK, zodat een MCP-native agent beslissingen als tools gebruikt.
De volledige stack is verzonden
We geven de voorkeur aan precisie boven indruk maken. Dit is wat er vandaag live is:
Besluitvastlegging en -ophaling
- ✓Normatief besluit-trace gegevensmodel (getypeerde argumentranden)
- ✓Hybride precedentzoektocht (de vijfstappenpipeline hierboven)
- ✓Precedentverwijzing — citeer een eerdere beslissing als een eersteklas argument
- ✓Besluitpakket samenstelling
- ✓Ophalen via MCP + A2A
- ✓Tamper-evidente, alleen-aanvullende besluitregistraties
Institutionele Geheugen Flywheel
- ✓Automatische uitkomstfeedback — webhook + polling-inname schrijft resultaten terug op beslissingen
- ✓Uitkomst-kwaliteitsbeoordeling — beslissingen met goede uitkomsten scoren hoger in precedentzoekopdrachten
- ✓Effectiviteit van argumenten — volg welke argumenten leidden tot positieve uitkomsten
- ✓Auto-voorgestelde precedenten — relevante eerdere beslissingen die op het moment van verzegeling naar voren kwamen
De volledige gesloten lus vliegwiel is actief: uitkomstfeedback stroomt terug in de precedent rankings, argumenteffectiviteit onthult wat werkte, en agenten krijgen relevante precedenten automatisch voorgesteld wanneer ze een beslissing nemen. Het grafiek-substraat maakt het mogelijk — en nu draait de zelfverbeterende laag erbovenop.
Wat dit niet vervangt
- •Uw vector database — het is een onderdeel van de pijplijn, stap 1
- •Uw document RAG — het ophalen van beleid en handleidingen is een andere taak
- •Observability tools — spans, latentie en tokenmetrics behoren nog steeds tot LangSmith/Langfuse et al.
Decision GraphRAG staat bovenop al deze en legt het artefact vast dat geen van hen heeft opgeslagen: de gestructureerde beslissing, opvraagbaar met de intacte redenering.
Veelgestelde Vragen
Wat is GraphRAG voor AI-beslissingen?
GraphRAG (grafiek-versterkte retrieval-augmented generation) haalt context op door een kennisgrafiek te doorlopen in plaats van alleen tekstfragmenten te rangschikken op basis van vectorovereenkomsten. Voor AI-beslissingen is de grafiek een normatieve argumentgrafiek — beslissingen, de voor- en tegenargumenten die hen ondersteunden of tegenstonden, het aangehaalde bewijs en de genoemde precedenten, verbonden door getypte randen (ondersteunt, tegenwerkt, weerlegt). De retrieval begint met vectorzoekopdrachten om relevante beslissingen te vinden, en breidt zich vervolgens langs die randen uit om een complete, begrensde Beslissingspakket terug te geven in plaats van losgekoppelde fragmenten.
Hoe verschilt decision GraphRAG van vector RAG over logs?
Vector RAG embedt stukken tekst (logs, transcripties, documenten) en retourneert de top-k meest vergelijkbare fragmenten. Die fragmenten zijn losgekoppeld — een opgehaald fragment kan de conclusie van een beslissing citeren, maar de tegenargumenten die deze bijna omkeerden, de persoon die de uitzondering goedkeurde, of het precedent waarop het steunde, missen. Decision GraphRAG haalt de beslissing op als een gestructureerde eenheid met de redenering intact, omdat de relaties zijn opgeslagen als eersteklas getypeerde randen, niet impliciet in proza.
Wat is een Besluitpakket?
Een Besluitpakket is de begrensde output van grafbesluitretrieval: een zelfvoorzienende, gestructureerde weergave van één besluit met de stelling, de pro/con-argumentenboom, het bewijs en de herkomst, de geëvalueerde beleidsmaatregelen, de mensen die het goedkeurden, de verzegelde uitkomst en eventuele aangehaalde precedenten. Het is wat een agent (of een auditor) ophaalt in plaats van een stapel logregels. AIAgentree stelt Besluitpakketten samen uit de opgeslagen besluittrace.
Waarom is een beslissingsgrafiek een goede basis voor GraphRAG terwijl generieke bedrijfsgrafieken dat niet zijn?
Generieke bedrijfskennisgrafieken zijn moeilijk te doorlopen: ze zijn enorm, hun verbindingen zijn laag-signaal ('gerelateerd aan' geeft geen redenering aan), er is geen natuurlijke wortelknop, en uitbreiding heeft geen voor de hand liggend stoppunt. Een beslissingsgrafiek vermijdt alle vier problemen: elke beslissing is een natuurlijke wortel, verbindingen zijn normatief en hoog-signaal (ondersteunt/tegenwerkt/weert de werkelijke redenering), en de subgrafiek van een enkele beslissing is klein en van nature begrensd. De grafiek encodeert al 'wat belangrijk was', zodat het ophalen weet wat moet worden opgenomen.
Vervangt dit mijn vector database of RAG-stack?
Nee. Vector search is een onderdeel van decision GraphRAG, geen concurrent ervan — embeddings vinden de juiste toegangspunten, waarna de grafstructuur de volledige context ophaalt. AIAgentree bevindt zich op de beslissingslaag bovenop uw operationele systemen en uw bestaande RAG voor documenten. Het legt het ene artefact vast en haalt het op dat die systemen historisch gezien niet hebben opgeslagen: de gestructureerde beslissing zelf.
Wat wordt verzonden?
Alles wat in deze post wordt beschreven is verzonden en live: het normatieve besluit-trace datamodel, hybride precedentzoekfunctie (een vijfstappenpipeline: vectorzoekfunctie → gestructureerde filters → graf-contextuitbreiding → uitkomst-gewogen ranking → verpakking), precedentverwijzing (het citeren van een eerdere beslissing als een eersteklas argument), samenstelling van het Besluitpakket, retrieval blootgesteld aan agenten via MCP en A2A, automatische uitkomstfeedback (webhook + polling-inname), uitkomst-kwaliteitsbeoordeling die precedent rankings verhoogt, argument-effectiviteit tracking (welke argumenten leidden tot goede uitkomsten), en automatisch voorgestelde precedenten op seal. Het volledige 'institutionele geheugen flywheel' is live en in een gesloten lus.
Hoe halen agenten beslissingen op tijdens de inferentietijd?
Via het Model Context Protocol (MCP) en agent-naar-agent (A2A) delegatie. AIAgentree biedt tools zoals search_precedents en get_packet aan via een MCP-server, zodat een agent kan vragen naar relevante eerdere beslissingen en Decision Packets inline kan ontvangen terwijl hij redeneert. In A2A-delegatie is een Decision Packet de zelfvoorzienende payload die tussen agents wordt doorgegeven, zodat een ontvangende agent de volledige context van een beslissing erft zonder toegang tot de database van de verzender.
Gerelateerde Onderwerpen
Gerelateerde Artikelen
AI-beslissingen Verdienen Ontvangsten: Waarom Besluitvormingstracering de Ontbrekende Laag is in AI-bestuur
Elke financiële transactie krijgt een ontvangstbewijs. Elk juridisch contract krijgt een handtekening. Maar AI-beslissingen die miljoenen mensen beïnvloeden? Onzichtbaar. Besluittracering verandert dat door de WAAROM achter elke AI-beslissing vast te leggen.
EU AI Act Artikel 6: Wat Hoge-Risico Classificatie Betekent voor Uw AI Agents
Artikel 6 van de EU AI Act bepaalt of uw AI-systeem "hoog risico" is — en activeert verplichte eisen voor auditsporen. Als uw agenten beslissingen nemen over krediet, werkgelegenheid, onderwijs of gezondheidszorg, moet u de classificatie in Bijlage III begrijpen vóór december 2027.
Wat is AI-onderzoeksynthese?
Waar grafiekgebaseerde besluitvorming onderzoek ontmoet: het combineren van bevindingen van meerdere modellen in één gestructureerde, toegeschreven synthese.
AIAgentree Team
Beslissingsinfrastructuur
Het AIAgentree-team bouwt infrastructuur voor het traceren en ophalen van beslissingen voor AI-agenten. Onze missie is om AI-redenering zichtbaar, controleerbaar, opvraagbaar en verbeterbaar te maken.
Geef je agenten een geheugen dat het waard is om op te halen.
Leg beslissingen vast als een grafiek, niet als een log — en haal ze op als begrensde Beslissingspakketten. Gratis tier beschikbaar, geen creditcard vereist.
Begin Gratis