AI ਫੈਸਲਿਆਂ ਲਈ GraphRAG
GraphRAG (ਗ੍ਰਾਫ-ਵਧਿਤ ਪ੍ਰਾਪਤੀ-ਵਧਿਤ ਪੈਦਾਵਾਰ) ਇੱਕ ਗਿਆਨ ਗ੍ਰਾਫ ਨੂੰ ਪਾਰ ਕਰਕੇ ਸੰਦਰਭ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਨਾ ਕਿ ਸਿਰਫ ਵੈਕਟਰ ਸਮਾਨਤਾ ਦੁਆਰਾ ਪਾਠ ਚੰਕਾਂ ਨੂੰ ਰੈਂਕ ਕਰਦਾ ਹੈ। AI ਏਜੰਟ ਫੈਸਲਿਆਂ ਲਈ, ਗ੍ਰਾਫ ਇੱਕ ਨਾਰਮਟਿਵ ਦਲੀਲ ਗ੍ਰਾਫ ਹੈ: ਫੈਸਲੇ ਜੋ ਪ੍ਰੋ ਅਤੇ ਕਾਨ ਦਲੀਲਾਂ ਨਾਲ ਜੁੜੇ ਹਨ ਜੋ ਉਨ੍ਹਾਂ ਦਾ ਸਮਰਥਨ ਜਾਂ ਵਿਰੋਧ ਕਰਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਦੇ ਸਬੂਤ, ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਪੂਰਵ ਨਜ਼ਰਾਂ, ਟਾਈਪ ਕੀਤੇ ਕਿਨਾਰਿਆਂ ਦੁਆਰਾ (ਸਮਰਥਨ, ਵਿਰੋਧ, ਖੰਡਨ) ਜੁੜੇ ਹੋਏ ਹਨ। ਫੈਸਲਾ ਪ੍ਰਾਪਤੀ ਇੱਕ ਹਾਈਬ੍ਰਿਡ ਪਾਈਪਲਾਈਨ ਹੈ — ਵੈਕਟਰ ਖੋਜ ਸੰਬੰਧਿਤ ਫੈਸਲਿਆਂ ਨੂੰ ਲੱਭਦੀ ਹੈ, ਫਿਰ ਗ੍ਰਾਫ ਵਿਸਥਾਰ ਪੂਰੀ, ਸੀਮਿਤ ਸੰਦਰਭ ਨੂੰ ਲਿਆਉਂਦੀ ਹੈ — ਅਤੇ ਇਸਦਾ ਨਤੀਜਾ ਇੱਕ ਫੈਸਲਾ ਪੈਕੇਟ ਹੈ: ਪ੍ਰਸਤਾਵ, ਦਲੀਲ ਦਰੱਖਤ, ਸਬੂਤ, ਨੀਤੀਆਂ, ਮਨਜ਼ੂਰੀਆਂ, ਨਤੀਜਾ, ਅਤੇ ਪੂਰਵ ਨਜ਼ਰਾਂ ਦਾ ਇੱਕ ਖੁਦ-ਸੰਬੰਧਿਤ ਰਿਕਾਰਡ। ਇਹ ਲੌਗਾਂ 'ਤੇ ਸਿਰਫ ਵੈਕਟਰ RAG ਨੂੰ ਹਰਾਉਂਦਾ ਹੈ, ਜੋ ਅਸੰਬੰਧਿਤ ਚੰਕਾਂ ਨੂੰ ਵਾਪਸ ਕਰਦਾ ਹੈ ਜੋ ਵਿਰੋਧੀ ਦਲੀਲਾਂ, ਮਨਜ਼ੂਰੀਆਂ, ਅਤੇ ਪੂਰਵ ਨਜ਼ਰਾਂ ਨੂੰ ਗੁਆਚਦੇ ਹਨ। ਇੱਕ ਫੈਸਲਾ ਗ੍ਰਾਫ ਇੱਕ ਅਸਧਾਰਣ ਤੌਰ 'ਤੇ ਚੰਗਾ GraphRAG ਸਬਸਟਰਟ ਹੈ ਕਿਉਂਕਿ ਹਰ ਫੈਸਲਾ ਇੱਕ ਕੁਦਰਤੀ ਰੂਟ ਨੋਡ ਹੈ, ਕਿਨਾਰੇ ਉੱਚ-ਸਿਗਨਲ ਹਨ (ਇਹ ਤਰਕ ਲਿਆਉਂਦੇ ਹਨ), ਅਤੇ ਹਰ ਫੈਸਲੇ ਦਾ ਸਬਗ੍ਰਾਫ ਛੋਟਾ ਅਤੇ ਸੀਮਿਤ ਹੈ। AIAgentree ਪੂਰੀ ਸਟੈਕ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ: ਫੈਸਲਾ-ਟ੍ਰੇਸ ਡੇਟਾ ਮਾਡਲ, ਹਾਈਬ੍ਰਿਡ ਪੂਰਵ ਨਜ਼ਰ ਖੋਜ, ਪੂਰਵ ਨਜ਼ਰ ਉਲਲੇਖ, ਫੈਸਲਾ ਪੈਕੇਟ ਅਸੰਬਲੀ, MCP ਅਤੇ A2A 'ਤੇ ਪ੍ਰਾਪਤੀ, ਆਟੋਮੈਟਿਕ ਨਤੀਜਾ ਫੀਡਬੈਕ, ਨਤੀਜਾ-ਗੁਣਵੱਤਾ ਸਕੋਰਿੰਗ ਜੋ ਪੂਰਵ ਨਜ਼ਰਾਂ ਦੀ ਰੈਂਕਿੰਗ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ, ਦਲੀਲ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਟ੍ਰੈਕਿੰਗ, ਅਤੇ ਸੀਲ 'ਤੇ ਆਟੋ-ਸੁਝਾਏ ਪੂਰਵ ਨਜ਼ਰਾਂ — ਪੂਰੀ ਸੰਸਥਾਨਕ-ਮੈਮੋਰੀ ਫਲਾਈਵਹੀਲ ਭੇਜੀ ਗਈ ਹੈ ਅਤੇ ਜੀਵੰਤ ਹੈ।
ਸਵਾਲ ਨਹੀਂ ਹੈ "ਕੀ ਸਾਨੂੰ AI ਫੈਸਲਿਆਂ ਨੂੰ ਸਟੋਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ?" — ਇਹ "ਅਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ ਕਿਸ ਵਿੱਚ ਸਟੋਰ ਕਰਦੇ ਹਾਂ?" ਉਨ੍ਹਾਂ ਨੂੰ ਪਾਠ ਦੇ ਤੌਰ 'ਤੇ ਸਟੋਰ ਕਰੋ ਅਤੇ ਤੁਹਾਨੂੰ ਵੈਕਟਰ RAG ਦਾ ਚੰਕ ਸੂਪ ਮਿਲਦਾ ਹੈ। ਉਨ੍ਹਾਂ ਨੂੰ ਨਾਰਮਟਿਵ ਦਲੀਲ ਗ੍ਰਾਫ ਦੇ ਤੌਰ 'ਤੇ ਸਟੋਰ ਕਰੋ ਅਤੇ ਪ੍ਰਾਪਤੀ ਇੱਕ ਸੀਮਿਤ, ਆਡਿਟ ਕਰਨ ਯੋਗ ਫੈਸਲਾ ਪੈਕੇਟ ਵਾਪਸ ਕਰਦੀ ਹੈ।
- •ਲੌਗਾਂ 'ਤੇ ਵੇਕਟਰ RAG ਅਣਜੋੜੇ ਟੁਕੜੇ ਵਾਪਸ ਕਰਦਾ ਹੈ — ਇਹ ਵਿਰੋਧੀ ਦਲੀਲ, ਮਨਜ਼ੂਰ ਕਰਨ ਵਾਲਾ, ਪੂਰਵ ਨਜ਼ੀਰ ਨੂੰ ਛੱਡ ਦਿੰਦਾ ਹੈ
- •ਫੈਸਲਾ ਗ੍ਰਾਫRAG ਫੈਸਲੇ ਨੂੰ ਇਸ ਦੀ ਤਰਕ ਸਹਿਤ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਟਾਈਪ ਕੀਤੀਆਂ ਕਿਨਾਰੀਆਂ ਰਾਹੀਂ
- •ਇੱਕ ਫੈਸਲਾ ਗ੍ਰਾਫ ਇੱਕ ਦੁਲਭ GraphRAG-perfect ਆਧਾਰ ਹੈ: ਕੁਦਰਤੀ ਰੂਟ ਨੋਡ, ਉੱਚ-ਸੰਕੇਤ ਕਿਨਾਰੇ, ਸੀਮਿਤ ਉਪਗ੍ਰਾਫ।
- •ਭੇਜਿਆ ਗਿਆ: ਹਾਈਬ੍ਰਿਡ ਪ੍ਰੀਸੀਡੈਂਟ ਖੋਜ, ਫੈਸਲਾ ਪੈਕੇਟ, MCP/A2A ਪ੍ਰਾਪਤੀ, ਨਤੀਜੇ ਦੀ ਫੀਡਬੈਕ, ਨਤੀਜੇ-ਭਾਰਿਤ ਰੈਂਕਿੰਗ, ਦਲੀਲ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ, ਆਟੋ-ਸਜੈਸਟ ਕੀਤੇ ਪ੍ਰੀਸੀਡੈਂਟ — ਪੂਰਾ ਫਲਾਈਵਹੀਲ
ਤੁਹਾਡੇ ਏਜੰਟ ਨੂੰ ਇਹ ਜਾਣਨ ਦੀ ਲੋੜ ਹੈ ਕਿ ਤੁਸੀਂ ਪਿਛਲੀ ਵਾਰੀ ਕਿਵੇਂ ਫੈਸਲਾ ਕੀਤਾ ਸੀ।
ਤੁਸੀਂ ਇਸਨੂੰ ਲੌਗਾਂ ਦੇ ਵੈਕਟਰ ਸਟੋਰ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੇ ਹੋ। ਇਹ ਛੇ ਟੁਕੜੇ ਵਾਪਸ ਲੈਂਦਾ ਹੈ। ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕੋਈ ਵੀ ਕਾਰਨ ਨਹੀਂ ਦੱਸਦਾ।
ਉਹ ਪ੍ਰਾਪਤੀ ਸਮੱਸਿਆ ਜਿਸਦਾ ਕੋਈ ਨਾਮ ਨਹੀਂ ਦਿੰਦਾ
ਹਰ ਗੰਭੀਰ ਏਜੰਟ ਸਿਸਟਮ ਨੂੰ ਆਖਿਰਕਾਰ ਯਾਦਦਾਸ਼ਤ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ: ਇਹ ਦੇਖਣ ਦੀ ਸਮਰੱਥਾ ਕਿ ਕਿਸ ਤਰ੍ਹਾਂ ਇੱਕ ਸਮਾਨ ਸਥਿਤੀ ਨੂੰ ਪਹਿਲਾਂ ਸੰਭਾਲਿਆ ਗਿਆ ਸੀ ਅਤੇ ਸਥਿਰਤਾ ਨਾਲ ਕਾਰਵਾਈ ਕਰਨਾ। 2026 ਵਿੱਚ ਡਿਫਾਲਟ ਜਵਾਬ ਵੇਕਟਰ RAG ਹੈ — ਸਭ ਕੁਝ ਐਮਬੈੱਡ ਕਰੋ, ਸਭ ਤੋਂ ਸਮਾਨ ਚੰਕਾਂ ਦੇ ਟਾਪ-ਕੇ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰੋ, ਉਨ੍ਹਾਂ ਨੂੰ ਸੰਦਰਭ ਖਿੜਕੀ ਵਿੱਚ ਭਰੋ।
ਦਸਤਾਵੇਜ਼ਾਂ ਲਈ, ਇਹ ਕੰਮ ਕਰਦਾ ਹੈ। ਫੈਸਲਿਆਂ ਲਈ, ਇਹ ਚੁਪਚਾਪ ਫੇਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਅਤੇ ਇਹ ਫੇਲ ਹੋਣਾ ਢਾਂਚਾਗਤ ਹੈ, ਕੋਈ ਟਿਊਨਿੰਗ ਸਮੱਸਿਆ ਨਹੀਂ।
ਇੱਕ ਫੈਸਲਾ ਇੱਕ ਪੈਰਾਗ੍ਰਾਫ ਨਹੀਂ ਹੈ। ਇਹ ਰਿਸ਼ਤਿਆਂ ਦਾ ਇੱਕ ਛੋਟਾ ਜਾਲ ਹੈ: ਇੱਕ ਪ੍ਰਸਤਾਵ, ਇਸ ਦੇ ਹੱਕ ਅਤੇ ਖਿਲਾਫ ਦਲੀਲਾਂ, ਹਰ ਦਲੀਲ ਜਿਸ 'ਤੇ ਨਿਰਭਰ ਸੀ, ਜਿਸ ਨੇ ਛੋਟ ਦੀ ਮਨਜ਼ੂਰੀ ਦਿੱਤੀ, ਅਤੇ ਕਿਹੜਾ ਪਿਛਲਾ ਮਾਮਲਾ ਇਸ ਦਾ ਪਾਲਣਾ ਕਰਦਾ ਹੈ। ਇਸਨੂੰ ਲਿਖਤੀ ਟੁਕੜਿਆਂ ਵਿੱਚ ਸਮਤਲ ਕਰੋ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਐਮਬੈੱਡ ਕਰੋ, ਅਤੇ ਪ੍ਰਾਪਤੀ ਟੁਕੜੇ ਵਾਪਸ ਕਰਦੀ ਹੈ ਜਿਸ ਨਾਲ ਰਿਸ਼ਤੇ ਟੁੱਟੇ ਹੁੰਦੇ ਹਨ। ਤੁਹਾਨੂੰ ਵਿਰੋਧੀ ਦਲੀਲ ਦੇ ਬਿਨਾਂ ਨਤੀਜਾ ਮਿਲਦਾ ਹੈ। ਤੁਹਾਨੂੰ ਤਰਕ ਦੇ ਬਿਨਾਂ ਮਨਜ਼ੂਰੀ ਮਿਲਦੀ ਹੈ। ਤੁਹਾਨੂੰ ਇੱਕ ਵਾਕ ਮਿਲਦਾ ਹੈ ਜੋ ਇੱਕ ਨਜ਼ਿਰਾਨੇ ਦਾ ਜ਼ਿਕਰ ਕਰਦਾ ਹੈ ਬਿਨਾਂ ਨਜ਼ਿਰਾਨੇ ਦੇ ਆਪਣੇ ਆਪ।
ਇਹ ਉਹ ਹੈ ਜਿਸਨੂੰ ਪ੍ਰਯੋਗਕਰਤਾ "ਚੰਕ ਸੂਪ." ਕਹਿੰਦੇ ਹਨ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਫੈਸਲੇ ਦੇ ਲੌਗਾਂ 'ਤੇ ਸਿਰਫ ਵੈਕਟਰ-ਆਧਾਰਿਤ ਪ੍ਰਾਪਤੀ ਨੂੰ ਭਰੋਸੇਮੰਦ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇਹ ਸੁਖਮਯ ਤੌਰ 'ਤੇ ਅਣਭਰੋਸੇਯੋਗ ਹੈ।
ਚੰਕ ਸੂਪ ਵਿਰੁੱਧ ਫੈਸਲਾ ਪੈਕੇਟ
| ਵੇਕਟਰ RAG ਵਾਪਸ ਕਰਦਾ ਹੈ | ਫੈਸਲਾ ਗ੍ਰਾਫRAG ਵਾਪਸ ਕਰਦਾ ਹੈ |
|---|---|
| …"ਰਿਫੰਡ ਪ੍ਰੀਮੀਅਮ ਗਾਹਕ ਲਈ ਮਨਜ਼ੂਰ ਕੀਤਾ ਗਿਆ" (0.83) …"ਆਟੋ-ਮਨਜ਼ੂਰੀ ਲਈ ਥ੍ਰੈਸ਼ਹੋਲਡ $200 ਹੈ" (0.79) …"SEV-1 ਘਟਨਾਵਾਂ ਨੂੰ ਟੀਅਰ 2 ਤੱਕ ਵਧਾਓ" (0.74) | ਸਿਫਾਰਸ਼: ਰਿਫੰਡ #4521 ($240) ਮਨਜ਼ੂਰ ਕਰੋ ਫਾਇਦਾ: ਪ੍ਰੀਮੀਅਮ ਗਾਹਕ, ਵੈਧ ਖਾਮੀ ਨੁਕਸਾਨ: $200 ਦੇ ਆਟੋ-ਮਨਜ਼ੂਰੀ ਸੀਮਾ ਤੋਂ ਵੱਧ ਓਵਰਰਾਈਡ: ਸੀਨੀਅਰ ਵਿਸ਼ਲੇਸ਼ਕ ਦੁਆਰਾ ਮਨਜ਼ੂਰ ਕੀਤਾ (ਨੀਤੀ P-12) ਪੂਰਵ ਨਜ਼ੀਰ: ਕੇਸ #1234 ਦਾ ਹਵਾਲਾ ਦਿੰਦਾ ਹੈ (ਮਨਜ਼ੂਰ, 0 ਚਾਰਜਬੈਕ) ਨਤੀਜਾ (6ਮਹੀਨੇ): ਰੱਖਿਆ, ਕੋਈ ਵਿਵਾਦ ਨਹੀਂ |
| ਤਿੰਨ ਸੰਭਵ ਟੁਕੜੇ। ਇਨ੍ਹਾਂ ਵਿਚ ਕੋਈ ਲਿੰਕ ਨਹੀਂ। ਕੀ ਇਹ ਰਿਫੰਡ ਉਪਰ ਸੀ ਸੀਮਾ ਤੋਂ? ਕਿਸਨੇ ਇਸਨੂੰ ਅਣਡਿੱਠਾ ਕੀਤਾ? ਅਗੇ ਕੀ ਹੋਇਆ? ਟੁਕੜੇ ਇਹ ਨਹੀਂ ਕਹਿ ਸਕਦੇ। | ਇੱਕ ਸੀਮਿਤ ਪੈਕੇਟ। ਤਰਕ, ਵਿਸ਼ੇਸ਼ਤਾ, ਨਜ਼ਿਰ, ਅਤੇ ਨਤੀਜਾ — ਜੁੜੇ ਹੋਏ। |
ਫਰਕ ਐਂਬੈਡਿੰਗ ਮਾਡਲ ਜਾਂ ਚੰਕ ਆਕਾਰ ਵਿੱਚ ਨਹੀਂ ਹੈ। ਇਹ ਸਬਸਟ੍ਰੇਟ ਹੈ। ਇੱਕ ਫੈਸਲਿਆਂ ਬਾਰੇ ਪਾਠ ਸਟੋਰ ਕਰਦਾ ਹੈ; ਦੂਜਾ ਫੈਸਲਿਆਂ ਨੂੰ ਢਾਂਚੇ ਵਜੋਂ ਸਟੋਰ ਕਰਦਾ ਹੈ।
ਕਿਉਂ ਨਾਰਮਟਿਵ ਐਜਜ਼ ਸਭ ਕੁਝ ਬਦਲ ਦਿੰਦੇ ਹਨ
ਜਨਰਲ ਗਿਆਨ ਗ੍ਰਾਫ ਵਰਣਨਾਤਮਕ ਕਿਨਾਰਿਆਂ ਨੂੰ ਸਟੋਰ ਕਰਦੇ ਹਨ: "ਉਲਲੇਖ," "ਸੰਬੰਧਿਤ," "ਮਾਲਕ ਦੁਆਰਾ।" ਇਹ ਤੁਹਾਨੂੰ ਦੱਸਦੇ ਹਨ ਕਿ ਦੋ ਚੀਜ਼ਾਂ ਜੁੜੀਆਂ ਹੋਈਆਂ ਹਨ ਪਰ ਇਹ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਸੀ ਨਹੀਂ ਦੱਸਦੇ।
ਇੱਕ ਫੈਸਲਾ ਗ੍ਰਾਫ ਨਿਯਮਤ ਕਿਨਾਰਿਆਂ ਨੂੰ ਸਟੋਰ ਕਰਦਾ ਹੈ — ਇਹ ਸੰਬੰਧ ਤਰਕ ਲਿਆਉਂਦੇ ਹਨ:
- •ਸਹਾਰਾ ਦਿੰਦਾ / ਵਿਰੋਧ ਕਰਦਾ — ਇਹ ਤਰਕ ਫੈਸਲੇ ਨੂੰ ਨਤੀਜੇ ਵੱਲ ਜਾਂ ਦੂਰ ਕਰ ਗਿਆ
- •ਖੰਡਨ ਕਰਦਾ ਹੈ — ਇਹ ਸਬੂਤ ਉਸ ਦਾਅਵੇ ਦਾ ਸਿੱਧਾ ਵਿਰੋਧ ਕਰਦਾ ਹੈ
- •ਯੋਗਤਾ / ਨਿਰਭਰ_ਕਰਦਾ — ਇਹ ਸਿਰਫ ਇੱਕ ਸ਼ਰਤ ਦੇ ਅਧੀਨ ਹੈ
ਕਿਉਂਕਿ ਕਿਨਾਰੇ ਦੀ ਕਿਸਮ ਹੈ ਤਰਕ, ਗ੍ਰਾਫ ਨੂੰ ਪਹਿਲਾਂ ਹੀ ਪਤਾ ਹੈ ਕਿ ਕਿਹੜਾ ਲੋਡ-ਬੇਅਰਿੰਗ ਹੈ। ਰੀਟ੍ਰੀਵਲ ਨੂੰ ਇਹ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੀ ਜ਼ਰੂਰਤ ਨਹੀਂ ਹੈ ਕਿ ਦੱਸੇ ਗਏ ਦਸ ਤੱਥਾਂ ਵਿੱਚੋਂ ਕਿਹੜਾ ਕਾਲ ਨੂੰ ਵਾਸਤਵ ਵਿੱਚ ਚਲਾਉਂਦਾ ਹੈ — supports ਕਿਨਾਰੇ ਜੋ ਉੱਚ ਭਾਰ ਵਾਲੇ ਹਨ, ਇਹ ਦੱਸਦੇ ਹਨ। ਵਰਣਨਾਤਮਕ ਗ੍ਰਾਫ ਖੋਜ ਨੂੰ ਯੋਗ ਬਣਾਉਂਦੇ ਹਨ। ਨਾਰਮਟਿਵ ਗ੍ਰਾਫ ਫੈਸਲਾ ਕਰਨ ਦੀ ਯੋਗਤਾ ਦਿੰਦੇ ਹਨ।
ਕਿਉਂ ਇੱਕ ਫੈਸਲਾ ਗ੍ਰਾਫ "ਗ੍ਰਾਫਰੈਗ-ਪਰਫੈਕਟ" ਹੈ
ਜਿਆਦਾਤਰ ਟੀਮਾਂ ਜੋ ਇੱਕ ਆਮ ਉਦਯੋਗ ਗ੍ਰਾਫ 'ਤੇ GraphRAG ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੀਆਂ ਹਨ, ਛੱਡ ਦਿੰਦੀਆਂ ਹਨ। ਕਾਰਨ ਇੱਕਸਾਰ ਹਨ, ਅਤੇ ਇੱਕ ਫੈਸਲਾ ਗ੍ਰਾਫ ਹਰ ਇੱਕ ਤੋਂ ਬਚਦਾ ਹੈ:
| ਜਨਰਿਕ GraphRAG ਕਿਉਂ ਮੁਸ਼ਕਲਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਦਾ ਹੈ | ਕਿਉਂ ਇੱਕ ਫੈਸਲਾ ਗ੍ਰਾਫ ਨਹੀਂ ਕਰਦਾ |
|---|---|
| ਗ੍ਰਾਫ ਬਹੁਤ ਵੱਡਾ ਹੈ (ਲੱਖਾਂ ਨੋਡ) | ਹਰ ਫੈਸਲੇ ਦਾ ਉਪਗ੍ਰਾਫ ਛੋਟਾ ਅਤੇ ਸੁਤੰਤਰ ਹੈ |
| ਐਜਜ਼ ਘੱਟ ਸਿਗਨਲ ("related_to") ਹਨ | ਕਿਨਾਰੇ ਨਿਯਮਤ ਹਨ ਅਤੇ ਤਰਕ ਨੂੰ ਲੈ ਕੇ ਚਲਦੇ ਹਨ |
| ਕੋਈ ਕੁਦਰਤੀ ਰੂਟ ਨੋਡ ਨਹੀਂ ਹੈ ਜਿਸ ਤੋਂ ਸ਼ੁਰੂ ਕੀਤਾ ਜਾ ਸਕੇ। | ਫੈਸਲਾ ਹੈ ਮੂਲ ਨੋਡ |
| ਸਫਰ ਕਰਨ ਦਾ ਕੋਈ ਕੁਦਰਤੀ ਰੁਕਣ ਦਾ ਬਿੰਦੂ ਨਹੀਂ ਹੈ। | ਇੱਕ ਫੈਸਲੇ ਦੀ ਸੀਮਾ ਅੰਦਰੂਨੀ ਹੁੰਦੀ ਹੈ — ਇਸਦੇ ਦਲੀਲਾਂ, ਸਬੂਤਾਂ ਅਤੇ ਉਲਲੇਖਿਤ ਨਜ਼ਿਰਾਂ ਤੱਕ ਵਧੋ, ਫਿਰ ਰੁਕ ਜਾਓ। |
ਗ੍ਰਾਫ ਵਿੱਚ "ਜੋ ਮਹੱਤਵਪੂਰਨ ਸੀ" ਉਸਦੀ ਬਣਤਰ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਗੁਣ ਹੈ ਜੋ GraphRAG ਨੂੰ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਬਹੁਤ ਹੀ ਕਮ ਮਿਲਦਾ ਹੈ।
ਹਾਈਬ੍ਰਿਡ ਰੀਟ੍ਰੀਵਲ ਪਾਈਪਲਾਈਨ
ਵੇਕਟਰ ਅਤੇ ਗ੍ਰਾਫ ਇੱਥੇ ਮੁਕਾਬਲਾ ਨਹੀਂ ਕਰਦੇ। ਫੈਸਲਾ ਪ੍ਰਾਪਤੀ ਵੇਕਟਰਾਂ ਨੂੰ ਦਾਖਲਾ ਬਿੰਦੂਆਂ ਨੂੰ ਲੱਭਣ ਲਈ ਅਤੇ ਗ੍ਰਾਫ ਢਾਂਚੇ ਨੂੰ ਪੂਰਾ ਸੰਦਰਭ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵਰਤਦੀ ਹੈ। AIAgentree ਵਿੱਚ ਇਹ ਪੰਜ-ਕਦਮਾਂ ਵਾਲੀ ਪਾਈਪਲਾਈਨ ਹੈ (ਪੂਰਵ-ਖੋਜ ਸੇਵਾ ਵਿੱਚ ਭੇਜੀ ਗਈ):
ਵੇਕਟਰ ਖੋਜ ਫੈਸਲੇ ਅਤੇ ਦਲੀਲ ਐਮਬੈਡਿੰਗਸ 'ਤੇ — ਸੰਬੰਧਿਤ ਪਿਛਲੇ ਫੈਸਲਿਆਂ ਦੀ ਚੋਟੀ ਦੇ ਕੁਝ ਲੱਭੋ
ਸੰਰਚਿਤ ਫਿਲਟਰ — ਕਿਰਾਏਦਾਰ, ਸ਼੍ਰੇਣੀ, ਇਕਾਈ ਕਿਸਮ, ਪ੍ਰੀਸੀਡੈਂਟ ਪੱਕਾ (ਤਾਂ ਜੋ ਤੁਸੀਂ ਪ੍ਰਮਾਣਿਤ ਕੇਸ ਪ੍ਰਾਪਤ ਕਰੋ, ਡਰਾਫਟ ਨਹੀਂ)
ਗ੍ਰਾਫ-ਸੰਦਰਭ ਵਿਸਥਾਰ — ਹਰ ਫੈਸਲੇ ਦੇ ਦਲੀਲਾਂ ਅਤੇ ਸਬੂਤਾਂ ਨੂੰ ਖਿੱਚਣ ਲਈ ਨਾਰਮਟਿਵ ਕਿਨਾਰਿਆਂ 'ਤੇ ਚੱਲੋ
ਨਤੀਜੇ-ਭਾਰਿਤ ਰੈਂਕਿੰਗ — ਇੱਕ ਪ੍ਰਾਚੀਨ ਉਦਾਹਰਨ ਜਿਸਦਾ ਨਤੀਜਾ ਚੰਗਾ ਨਿਕਲਿਆ, ਉਹ ਇੱਕ ਸਤਹੀ-ਸਮਾਨ ਉਦਾਹਰਨ ਤੋਂ ਉੱਚੀ ਰੈਂਕਿੰਗ ਰੱਖਦੀ ਹੈ ਜਿਸਦਾ ਨਤੀਜਾ ਚੰਗਾ ਨਹੀਂ ਸੀ
ਪੈਕੇਜਿੰਗ — ਨਤੀਜੇ ਨੂੰ ਬੰਨ੍ਹੇ ਹੋਏ ਫੈਸਲਾ ਪੈਕੇਟਾਂ ਵਿੱਚ ਇਕੱਠਾ ਕਰੋ ਜੋ ਕਿਸੇ ਏਜੰਟ ਜਾਂ ਸਮੀਖਕ ਨੂੰ ਦੇਣ ਲਈ ਤਿਆਰ ਹਨ
ਕਠੋਰ ਸੀਮਾਵਾਂ (ਅਧਿਕਤਮ ਗਹਿਰਾਈ, ਅਧਿਕਤਮ ਨੋਡ, ਸਮਾਂ ਸੀਮਾ) ਵਿਸਥਾਰ ਨੂੰ ਬੇਕਾਬੂ ਹੋਣ ਤੋਂ ਰੋਕਦੀਆਂ ਹਨ। ਨਿਕਾਸ ਕਦੇ ਵੀ ਟੋਕਨਾਂ ਦੀ ਇੱਕ ਕੰਧ ਨਹੀਂ ਹੁੰਦੀ — ਇਹ ਪੂਰਨ, ਤੁਲਨਾਤਮਕ ਫੈਸਲਿਆਂ ਦੀ ਇੱਕ ਛੋਟੀ ਗਿਣਤੀ ਹੁੰਦੀ ਹੈ।
ਏਜੰਟਾਂ ਲਈ ਰੀਟਰੀਵਲ: MCP ਅਤੇ A2A
ਯਾਦ ਸਿਰਫ਼ ਉਸ ਸਮੇਂ ਲਾਭਦਾਇਕ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਏਜੰਟ ਇਸ ਤੱਕ ਪਹੁੰਚ ਸਕਦਾ ਹੈ ਜਦੋਂ ਇਹ ਸੋਚਦਾ ਹੈ। AIAgentree ਫੈਸਲਾ ਪ੍ਰਾਪਤੀ ਦੇ ਦੋ ਤਰੀਕੇ ਦਿਖਾਉਂਦਾ ਹੈ:
ਓਵਰ MCP
ਮਾਡਲ ਸੰਦਰਭ ਪ੍ਰੋਟੋਕੋਲ ਸਰਵਰ search_precedents ਅਤੇ get_packet ਵਰਗੇ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇੱਕ ਏਜੰਟ ਸੰਬੰਧਿਤ ਪੂਰਵ ਫੈਸਲਿਆਂ ਲਈ ਪੁੱਛਤਾਛ ਕਰਦਾ ਹੈ ਅਤੇ ਫੈਸਲਾ ਪੈਕੇਟ inline ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ — ਵਿਚਕਾਰ ਵਿਚਾਰ ਕਰਨ ਦੇ, ਬੈਚ ਕੰਮ ਵਜੋਂ ਨਹੀਂ।
ਓਵਰ A2A
ਏਜੰਟ-ਤੋਂ-ਏਜੰਟ ਨਿਯੁਕਤੀ ਵਿੱਚ, ਫੈਸਲਾ ਪੈਕੇਜ ਭਾਰ ਹੈ। ਇੱਕ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲਾ ਏਜੰਟ ਫੈਸਲੇ ਦੇ ਪੂਰੇ, ਖੁਦ-ਸੰਯੁਕਤ ਸੰਦਰਭ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਬਿਨਾਂ ਭੇਜਣ ਵਾਲੇ ਦੇ ਡੇਟਾਬੇਸ ਤੱਕ ਕਿਸੇ ਵੀ ਪਹੁੰਚ ਦੇ।
ਪੈਕੇਜ ਡਿਜ਼ਾਈਨ ਦੁਆਰਾ ਪੋਰਟੇਬਲ ਹੈ — ਇਹ ਫੈਸਲੇ ਨੂੰ ਸਮਝਣ ਅਤੇ ਲਾਗੂ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਸਾਰੇ ਚੀਜ਼ਾਂ ਨੂੰ ਲੈ ਕੇ ਚੱਲਦਾ ਹੈ, ਜੋ ਕਿ ਇਸਨੂੰ ਭਰੋਸੇ ਦੀ ਸੀਮਾ ਦੇ ਪਾਰ ਪਾਸ ਕਰਨ ਲਈ ਸੁਰੱਖਿਅਤ ਬਣਾਉਂਦਾ ਹੈ।
ਇਹ ਕੋਡ ਵਿੱਚ ਕਿਵੇਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ
ਏਜੰਟ ਦੁਆਰਾ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਫੈਸਲੇ ਲਈ ਪੂਰਵ ਨਜ਼ੀਰ ਪ੍ਰਾਪਤ ਕਰਨਾ:
# 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)ਕੱਚੇ ਲੌਗਾਂ ਦੀ ਕੋਈ ਪ੍ਰੰਪਟ-ਸਟਫਿੰਗ ਨਹੀਂ। ਏਜੰਟ ਪਿਛਲੇ ਫੈਸਲਿਆਂ 'ਤੇ ਵਿਚਾਰ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਉਹਨਾਂ ਦਾ ਤਰਕ ਜੁੜਿਆ ਹੁੰਦਾ ਹੈ। ਇਹ ਸਨਿੱਪੇਟ ਸਪਸ਼ਟਤਾ ਲਈ ਪਾਇਥਨ ਕਲਾਇੰਟ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ — ਪਰ ਉਹੀ ਪ੍ਰਾਪਤੀ (get_packet, search_precedents) MCP ਬਿਨਾਂ SDK 'ਤੇ ਉਪਲਬਧ ਹੈ, ਇਸ ਲਈ ਇੱਕ MCP-ਦੇਸ਼ੀ ਏਜੰਟ ਫੈਸਲਿਆਂ ਨੂੰ ਸੰਦਾਂ ਵਜੋਂ ਵਰਤਦਾ ਹੈ।
ਫੁੱਲ ਸਟੈਕ ਭੇਜ ਦਿੱਤਾ ਗਿਆ ਹੈ
ਅਸੀਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋਣ ਦੀ ਬਜਾਏ ਸਹੀ ਹੋਣਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਇੱਥੇ ਅੱਜ ਕੀ ਚੱਲ ਰਿਹਾ ਹੈ:
ਫੈਸਲਾ ਕੈਪਚਰ ਅਤੇ ਪ੍ਰਾਪਤੀ
- ✓ਨਾਰਮਟਿਵ ਫੈਸਲਾ-ਪੱਥਰ ਡੇਟਾ ਮਾਡਲ (ਟਾਈਪ ਕੀਤੇ ਗਏ ਦਲੀਲ ਕਿਨਾਰੇ)
- ✓ਹਾਈਬ੍ਰਿਡ ਪ੍ਰੀਸੀਡੈਂਟ ਖੋਜ (ਉਪਰ ਦਿੱਤਾ ਗਿਆ ਪੰਜ-ਕਦਮ ਪਾਈਪਲਾਈਨ)
- ✓ਪੂਰਵ ਨਿਰਣੇ ਦਾ ਉਲਲੇਖ — ਪਹਿਲਾਂ ਦੇ ਫੈਸਲੇ ਨੂੰ ਪਹਿਲੀ ਕਲਾਸ ਦੇ ਦਲੀਲ ਵਜੋਂ ਉਲਲੇਖ ਕਰੋ
- ✓ਫੈਸਲਾ ਪੈਕੇਟ ਇਕੱਠਾ ਕਰਨਾ
- ✓MCP + A2A 'ਤੇ ਪ੍ਰਾਪਤੀ
- ✓ਤਮਪਰ-ਸਬੂਤ, ਸਿਰਫ਼ ਜੋੜਨ ਵਾਲੇ ਫੈਸਲੇ ਦੇ ਰਿਕਾਰਡ
ਸੰਸਥਾਗਤ ਯਾਦਦਾਸ਼ਤ ਫਲਾਈਵਹੀਲ
- ✓ਆਟੋਮੈਟਿਕ ਨਤੀਜਾ ਫੀਡਬੈਕ — ਵੈਬਹੂਕ + ਪੋਲਿੰਗ ਇੰਜੈਸ਼ਨ ਫੈਸਲਿਆਂ 'ਤੇ ਨਤੀਜੇ ਵਾਪਸ ਲਿਖਦਾ ਹੈ
- ✓ਨਤੀਜੇ-ਗੁਣਵੱਤਾ ਸਕੋਰਿੰਗ — ਚੰਗੇ ਨਤੀਜੇ ਵਾਲੇ ਫੈਸਲੇ ਪ੍ਰੀਸੀਡੈਂਟ ਖੋਜ ਵਿੱਚ ਉੱਚੇ ਦਰਜੇ 'ਤੇ ਆਉਂਦੇ ਹਨ
- ✓ਤਰਕ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ — ਇਹ ਪਤਾ ਕਰੋ ਕਿ ਕਿਹੜੇ ਤਰਕ ਸਕਾਰਾਤਮਕ ਨਤੀਜਿਆਂ ਦੀ ਵਜ੍ਹਾ ਬਣੇ
- ✓ਆਟੋ-ਸਜੈਸਟ ਕੀਤੇ ਗਏ ਨਜ਼ਾਇਰ — ਸੀਲ ਸਮੇਂ 'ਤੇ ਉਭਰੇ ਸੰਬੰਧਿਤ ਪਿਛਲੇ ਫੈਸਲੇ
ਪੂਰਾ ਬੰਦ-ਲੂਪ ਫਲਾਈਵਹੀਲ ਜੀਵੰਤ ਹੈ: ਨਤੀਜੇ ਦੀ ਫੀਡਬੈਕ ਪਿਛਲੇ ਰੈਂਕਿੰਗ ਵਿੱਚ ਵਾਪਸ ਆਉਂਦੀ ਹੈ, ਦਲੀਲ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਇਹ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਕੀ ਕੰਮ ਕੀਤਾ, ਅਤੇ ਏਜੰਟਾਂ ਨੂੰ ਜਦੋਂ ਉਹ ਫੈਸਲਾ ਕਰਦੇ ਹਨ ਤਾਂ ਸੰਬੰਧਿਤ ਪੂਰਵ ਨਜ਼ਿਰਾਂ ਆਟੋ-ਸਜੈਸਟ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਗ੍ਰਾਫ ਸਬਸਟ੍ਰੇਟ ਇਸਨੂੰ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ — ਅਤੇ ਹੁਣ ਆਪ-ਸੁਧਾਰ ਕਰਨ ਵਾਲੀ ਪਰਤ ਇਸ ਦੇ ਉੱਪਰ ਚੱਲਦੀ ਹੈ।
ਇਹ ਕੀ ਨਹੀਂ ਬਦਲਦਾ
- •ਤੁਹਾਡਾ ਵੇਕਟਰ ਡੇਟਾਬੇਸ — ਇਹ ਪਾਈਪਲਾਈਨ ਦਾ ਇੱਕ ਘਟਕ ਹੈ, ਕਦਮ 1
- •ਤੁਹਾਡਾ ਦਸਤਾਵੇਜ਼ RAG — ਨੀਤੀਆਂ ਅਤੇ ਮੈਨੂਅਲ ਪ੍ਰਾਪਤ ਕਰਨਾ ਇੱਕ ਵੱਖਰਾ ਕੰਮ ਹੈ
- •ਨਿਗਰਾਨੀ ਟੂਲ — ਸਪੈਨ, ਦੇਰੀ, ਅਤੇ ਟੋਕਨ ਮੈਟ੍ਰਿਕਸ ਹਾਲੇ ਵੀ LangSmith/Langfuse ਆਦਿ ਦੇ ਹਨ।
ਫੈਸਲਾ ਗ੍ਰਾਫRAG ਉਨ੍ਹਾਂ ਸਭ ਦੇ ਉੱਪਰ ਬੈਠਦਾ ਹੈ ਅਤੇ ਉਸ ਆਰਟੀਫੈਕਟ ਨੂੰ ਕੈਦ ਕਰਦਾ ਹੈ ਜੋ ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਨੇ ਵੀ ਸਟੋਰ ਨਹੀਂ ਕੀਤਾ: ਸੰਰਚਿਤ ਫੈਸਲਾ, ਜਿਸਨੂੰ ਇਸਦੀ ਤਰਕ ਸਹਿਤ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ
AI ਫੈਸਲਿਆਂ ਲਈ GraphRAG ਕੀ ਹੈ?
ਗ੍ਰਾਫਰੈਗ (ਗ੍ਰਾਫ-ਵਧਿਤ ਪ੍ਰਾਪਤੀ-ਵਧਿਤ ਪੈਦਾਵਾਰ) ਸੰਦਰਭ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਇੱਕ ਗਿਆਨ ਗ੍ਰਾਫ ਨੂੰ ਪਾਰ ਕਰਕੇ, ਸਿਰਫ਼ ਵੈਕਟਰ ਸਮਾਨਤਾ ਦੁਆਰਾ ਟੈਕਸਟ ਚੰਕਾਂ ਨੂੰ ਰੈਂਕ ਕਰਨ ਦੀ ਬਜਾਏ। ਏਆਈ ਫੈਸਲਿਆਂ ਲਈ, ਗ੍ਰਾਫ ਇੱਕ ਨਾਰਮਟਿਵ ਤਰਕ ਗ੍ਰਾਫ ਹੈ — ਫੈਸਲੇ, ਉਹ ਪ੍ਰੋ/ਕਾਂਤਰਕ ਤਰਕ ਜੋ ਉਨ੍ਹਾਂ ਦਾ ਸਮਰਥਨ ਜਾਂ ਵਿਰੋਧ ਕਰਦੇ ਹਨ, ਉਲਲੇਖਿਤ ਸਬੂਤ, ਅਤੇ ਹਵਾਲਾ ਦਿੱਤੇ ਗਏ ਨਜ਼ਿਰਾਨੇ, ਟਾਈਪ ਕੀਤੇ ਗਏ ਕਿਨਾਰਿਆਂ (ਸਮਰਥਨ, ਵਿਰੋਧ, ਖੰਡਨ) ਦੁਆਰਾ ਜੁੜੇ ਹੋਏ ਹਨ। ਪ੍ਰਾਪਤੀ ਵੈਕਟਰ ਖੋਜ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ ਤਾਂ ਜੋ ਸੰਬੰਧਿਤ ਫੈਸਲੇ ਲੱਭੇ ਜਾ ਸਕਣ, ਫਿਰ ਉਹਨਾਂ ਕਿਨਾਰਿਆਂ ਦੇ ਨਾਲ ਵਧਦੀ ਹੈ ਤਾਂ ਜੋ ਇੱਕ ਪੂਰਾ, ਸੀਮਿਤ ਫੈਸਲਾ ਪੈਕੇਟ ਵਾਪਸ ਕੀਤਾ ਜਾ ਸਕੇ, ਨਾ ਕਿ ਅਸੰਬੰਧਿਤ ਟੁਕੜੇ।
ਫੈਸਲਾ GraphRAG ਲੌਗਾਂ 'ਤੇ ਵੈਕਟਰ RAG ਤੋਂ ਕਿਵੇਂ ਵੱਖਰਾ ਹੈ?
ਵੇਕਟਰ RAG ਲਿਖਤ ਦੇ ਟੁਕੜੇ (ਲੌਗ, ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ, ਦਸਤਾਵੇਜ਼) ਨੂੰ ਐਮਬੈੱਡ ਕਰਦਾ ਹੈ ਅਤੇ ਸਭ ਤੋਂ ਸਮਾਨ ਫ੍ਰੈਗਮੈਂਟਾਂ ਦੇ ਟਾਪ-ਕੇ ਨੂੰ ਵਾਪਸ ਕਰਦਾ ਹੈ। ਉਹ ਫ੍ਰੈਗਮੈਂਟ ਅਣਜੋੜੇ ਹੁੰਦੇ ਹਨ — ਇੱਕ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਸਨਿੱਪੇਟ ਇੱਕ ਫੈਸਲੇ ਦੇ ਨਤੀਜੇ ਨੂੰ ਉਲਲੇਖਿਤ ਕਰ ਸਕਦੀ ਹੈ ਪਰ ਉਸ ਵਿਰੋਧੀ ਦਲੀਲ ਨੂੰ ਛੱਡ ਸਕਦੀ ਹੈ ਜੋ ਇਸਨੂੰ ਲਗਭਗ ਉਲਟ ਕਰਦੀ ਹੈ, ਉਸ ਮਨੁੱਖ ਨੂੰ ਜੋ ਛੋਟ ਦੀ ਮਨਜ਼ੂਰੀ ਦਿੰਦਾ ਹੈ, ਜਾਂ ਉਸ ਪ੍ਰੀਸੀਡੈਂਟ ਨੂੰ ਜਿਸ 'ਤੇ ਇਹ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਫੈਸਲਾ ਗ੍ਰਾਫRAG ਫੈਸਲੇ ਨੂੰ ਇੱਕ ਸੰਰਚਿਤ ਇਕਾਈ ਵਜੋਂ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਇਸਦਾ ਤਰਕ ਸਹੀ ਹੈ, ਕਿਉਂਕਿ ਸੰਬੰਧ ਪਹਿਲੀ ਕਲਾਸ ਦੇ ਟਾਈਪ ਕੀਤੇ ਗਏ ਐਜਜ਼ ਵਜੋਂ ਸਟੋਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਨਾ ਕਿ ਗਦਨ ਵਿੱਚ ਅਪਰਿਭਾਸ਼ਿਤ ਛੱਡੇ ਜਾਂਦੇ ਹਨ।
ਫੈਸਲਾ ਪੈਕੇਟ ਕੀ ਹੈ?
ਇੱਕ ਫੈਸਲਾ ਪੈਕੇਟ ਗ੍ਰਾਫ ਫੈਸਲਾ ਪ੍ਰਾਪਤੀ ਦਾ ਸੀਮਿਤ ਨਿਕਾਸ ਹੈ: ਇੱਕ ਸੁਤੰਤਰ, ਸੰਰਚਿਤ ਪ੍ਰਤੀਨਿਧੀ ਜੋ ਇੱਕ ਫੈਸਲੇ ਨੂੰ ਸਮੇਟਦੀ ਹੈ ਜਿਸ ਵਿੱਚ ਪ੍ਰਸਤਾਵ, ਪ੍ਰੋ/ਕਾਨ ਵਾਦ ਦਰੱਖਤ, ਸਬੂਤ ਅਤੇ ਇਸਦੀ ਉਤਪੱਤੀ, ਮੁਲਾਂਕਣ ਕੀਤੇ ਗਏ ਨੀਤੀਆਂ, ਉਹ ਮਨੁੱਖ ਜੋ ਇਸਨੂੰ ਮਨਜ਼ੂਰੀ ਦਿੱਤੀ, ਸੀਲ ਕੀਤਾ ਗਿਆ ਨਤੀਜਾ, ਅਤੇ ਕੋਈ ਵੀ ਨਜ਼ਿਰਾਨਾ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਉਹ ਹੈ ਜੋ ਇੱਕ ਏਜੰਟ (ਜਾਂ ਇੱਕ ਆਡੀਟਰ) ਲਾਗ ਲਾਈਨਾਂ ਦੇ ਢੇਰ ਦੀ ਬਜਾਏ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। AIAgentree ਸਟੋਰ ਕੀਤੇ ਫੈਸਲੇ ਦੇ ਟਰੇਸ ਤੋਂ ਫੈਸਲਾ ਪੈਕੇਟ ਇਕੱਠੇ ਕਰਦਾ ਹੈ।
ਕਿਉਂਕਿ ਫੈਸਲਾ ਗ੍ਰਾਫ ਗ੍ਰਾਫਰੈਗ ਲਈ ਇੱਕ ਚੰਗਾ ਆਧਾਰ ਹੈ ਜਦੋਂ ਕਿ ਆਮ ਉਦਯੋਗ ਗ੍ਰਾਫ ਨਹੀਂ ਹਨ?
ਜਨਰਲ ਉਦਯੋਗ ਗਿਆਨ ਗ੍ਰਾਫਾਂ ਨੂੰ ਪਾਰ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ: ਇਹ ਬਹੁਤ ਵੱਡੇ ਹੁੰਦੇ ਹਨ, ਇਨ੍ਹਾਂ ਦੇ ਕਿਨਾਰੇ ਘੱਟ-ਸੰਕੇਤ ਹੁੰਦੇ ਹਨ ('related_to' ਕੋਈ ਤਰਕ ਨਹੀਂ ਦਿੰਦਾ), ਕੋਈ ਕੁਦਰਤੀ ਰੂਟ ਨੋਡ ਨਹੀਂ ਹੁੰਦਾ, ਅਤੇ ਵਿਸਥਾਰ ਦਾ ਕੋਈ ਸਪਸ਼ਟ ਰੋਕਣ ਬਿੰਦੂ ਨਹੀਂ ਹੁੰਦਾ। ਇੱਕ ਫੈਸਲਾ ਗ੍ਰਾਫ ਚਾਰੋਂ ਸਮੱਸਿਆਵਾਂ ਤੋਂ ਬਚਦਾ ਹੈ: ਹਰ ਫੈਸਲਾ ਇੱਕ ਕੁਦਰਤੀ ਰੂਟ ਹੁੰਦਾ ਹੈ, ਕਿਨਾਰੇ ਨਿਯਮਤ ਅਤੇ ਉੱਚ-ਸੰਕੇਤ ਹੁੰਦੇ ਹਨ (ਸਹਾਇਤਾ/ਵਿਰੋਧ/ਖੰਡਨ ਅਸਲ ਤਰਕ ਨੂੰ ਲੈ ਕੇ ਆਉਂਦੇ ਹਨ), ਅਤੇ ਇੱਕ ਹੀ ਫੈਸਲੇ ਦਾ ਉਪਗ੍ਰਾਫ ਛੋਟਾ ਅਤੇ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਸੀਮਿਤ ਹੁੰਦਾ ਹੈ। ਗ੍ਰਾਫ ਪਹਿਲਾਂ ਹੀ 'ਜੋ ਮਹੱਤਵਪੂਰਨ ਸੀ' ਨੂੰ ਕੋਡ ਕਰਦਾ ਹੈ, ਇਸ ਲਈ ਪ੍ਰਾਪਤੀ ਨੂੰ ਪਤਾ ਹੁੰਦਾ ਹੈ ਕਿ ਕੀ ਸ਼ਾਮਲ ਕਰਨਾ ਹੈ।
ਕੀ ਇਹ ਮੇਰੇ ਵੇਕਟਰ ਡੇਟਾਬੇਸ ਜਾਂ RAG ਸਟੈਕ ਦੀ ਥਾਂ ਲੈਂਦਾ ਹੈ?
ਨਹੀਂ। ਵੈਕਟਰ ਖੋਜ ਫੈਸਲੇ ਦੇ ਗ੍ਰਾਫRAG ਦਾ ਇੱਕ ਘਟਕ ਹੈ, ਇਸ ਦਾ ਮੁਕਾਬਲਾ ਨਹੀਂ — ਐਮਬੈਡਿੰਗਸ ਸਹੀ ਦਾਖਲਾ ਬਿੰਦੂ ਲੱਭਦੀਆਂ ਹਨ, ਫਿਰ ਗ੍ਰਾਫ ਢਾਂਚਾ ਪੂਰਾ ਸੰਦਰਭ ਲਿਆਉਂਦਾ ਹੈ। AIAgentree ਤੁਹਾਡੇ ਓਪਰੇਸ਼ਨਲ ਸਿਸਟਮਾਂ ਅਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਲਈ ਮੌਜੂਦਾ RAG ਦੇ ਉਪਰ ਫੈਸਲੇ ਦੀ ਪਰਤ 'ਤੇ ਬੈਠਦਾ ਹੈ। ਇਹ ਉਹ ਇੱਕ ਆਰਟੀਫੈਕਟ ਕੈਪਚਰ ਅਤੇ ਰੀਟ੍ਰੀਵ ਕਰਦਾ ਹੈ ਜੋ ਉਹ ਸਿਸਟਮ ਇਤਿਹਾਸਕ ਤੌਰ 'ਤੇ ਸਟੋਰ ਨਹੀਂ ਕਰਦੇ: ਸਵੰਯ ਫੈਸਲਾ।
ਕੀ ਭੇਜਿਆ ਗਿਆ ਹੈ?
ਇਸ ਪੋਸਟ ਵਿੱਚ ਵਰਣਨ ਕੀਤੇ ਗਏ ਸਾਰੇ ਚੀਜ਼ਾਂ ਭੇਜੇ ਗਏ ਹਨ ਅਤੇ ਲਾਈਵ ਹਨ: ਨਾਰਮਟਿਵ ਫੈਸਲਾ-ਟ੍ਰੇਸ ਡੇਟਾ ਮਾਡਲ, ਹਾਈਬ੍ਰਿਡ ਪ੍ਰੀਸੀਡੈਂਟ ਖੋਜ (ਇੱਕ ਪੰਜ-ਕਦਮ ਪਾਈਪਲਾਈਨ: ਵੇਕਟਰ ਖੋਜ → ਸੰਰਚਿਤ ਫਿਲਟਰ → ਗ੍ਰਾਫ-ਸੰਦਰਭ ਵਿਸਥਾਰ → ਨਤੀਜੇ-ਭਾਰਿਤ ਰੈਂਕਿੰਗ → ਪੈਕੇਜਿੰਗ), ਪ੍ਰੀਸੀਡੈਂਟ ਉਲਲੇਖ (ਇੱਕ ਪਹਿਲਾਂ ਦੇ ਫੈਸਲੇ ਨੂੰ ਪਹਿਲੀ ਕਲਾਸ ਦੇ ਦਲੀਲ ਵਜੋਂ ਉਲਲੇਖ ਕਰਨਾ), ਫੈਸਲਾ ਪੈਕੇਟ ਅਸੰਬਲੀ, ਏਜੰਟਾਂ ਲਈ MCP ਅਤੇ A2A 'ਤੇ ਪ੍ਰਾਪਤੀ, ਆਟੋਮੈਟਿਕ ਨਤੀਜੇ ਫੀਡਬੈਕ (ਵੈੱਬਹੂਕ + ਪੋਲਿੰਗ ਇੰਜੈਸ਼ਨ), ਨਤੀਜੇ-ਗੁਣਵੱਤਾ ਸਕੋਰਿੰਗ ਜੋ ਪ੍ਰੀਸੀਡੈਂਟ ਰੈਂਕਿੰਗ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ, ਦਲੀਲ-ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਟ੍ਰੈਕਿੰਗ (ਕਿਹੜੀਆਂ ਦਲੀਲਾਂ ਚੰਗੇ ਨਤੀਜੇ ਵੱਲ ਲੈ ਗਈਆਂ), ਅਤੇ ਸੀਲ 'ਤੇ ਆਟੋ-ਸੁਝਾਏ ਗਏ ਪ੍ਰੀਸੀਡੈਂਟ। ਪੂਰਾ 'ਸੰਸਥਾਨਕ ਯਾਦਦਾਸ਼ਤ ਫਲਾਈਵਹੀਲ' ਲਾਈਵ ਅਤੇ ਬੰਦ-ਲੂਪ ਹੈ।
ਏਜੰਟ ਇਨਫਰੈਂਸ ਸਮੇਂ ਫੈਸਲੇ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ?
ਮਾਡਲ ਸੰਦਰਭ ਪ੍ਰੋਟੋਕੋਲ (MCP) ਅਤੇ ਏਜੰਟ-ਤੋਂ-ਏਜੰਟ (A2A) ਨਿਯੁਕਤੀ ਦੇ ਜ਼ਰੀਏ। AIAgentree ਸੰਦਾਂ ਨੂੰ ਖੋਲ੍ਹਦਾ ਹੈ ਜਿਵੇਂ ਕਿ search_precedents ਅਤੇ get_packet ਇੱਕ MCP ਸਰਵਰ 'ਤੇ, ਤਾਂ ਜੋ ਇੱਕ ਏਜੰਟ ਸੰਬੰਧਿਤ ਪੂਰਵ ਫੈਸਲਿਆਂ ਲਈ ਪੁੱਛ ਸਕੇ ਅਤੇ ਜਦੋਂ ਇਹ ਸੋਚਦਾ ਹੈ ਤਾਂ ਫੈਸਲਾ ਪੈਕੇਟ inline ਪ੍ਰਾਪਤ ਕਰ ਸਕੇ। A2A ਨਿਯੁਕਤੀ ਵਿੱਚ, ਇੱਕ ਫੈਸਲਾ ਪੈਕੇਟ ਉਹ ਸਵੈ-ਸੰਯੁਕਤ ਭਾਰ ਹੈ ਜੋ ਏਜੰਟਾਂ ਵਿਚਕਾਰ ਪਾਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਸ ਲਈ ਇੱਕ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲਾ ਏਜੰਟ ਫੈਸਲੇ ਦੇ ਪੂਰੇ ਸੰਦਰਭ ਨੂੰ ਵਿਰਾਸਤ ਵਿੱਚ ਲੈਂਦਾ ਹੈ ਬਿਨਾਂ ਭੇਜਣ ਵਾਲੇ ਦੇ ਡੇਟਾਬੇਸ ਤੱਕ ਪਹੁੰਚ ਦੇ।
ਸੰਬੰਧਿਤ ਵਿਸ਼ੇ
ਸੰਬੰਧਿਤ ਲੇਖ
ਏਆਈ ਫੈਸਲਿਆਂ ਨੂੰ ਰਸੀਦਾਂ ਦੀ ਲੋੜ ਹੈ: ਕਿਉਂ ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਏਆਈ ਗਵਰਨੈਂਸ ਵਿੱਚ ਗੁੰਮ ਹੋਇਆ ਪਰਤ ਹੈ
ਹਰ ਵਿੱਤੀ ਲੈਣ-ਦੇਣ ਨੂੰ ਇੱਕ ਰਸੀਦ ਮਿਲਦੀ ਹੈ। ਹਰ ਕਾਨੂੰਨੀ ਕਰਾਰ 'ਤੇ ਇੱਕ ਦਸਤਖਤ ਹੁੰਦਾ ਹੈ। ਪਰ ਉਹ AI ਫੈਸਲੇ ਜੋ ਲੱਖਾਂ ਲੋਕਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ? ਅਦ੍ਰਿਸ਼੍ਯ। ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਇਸਨੂੰ ਬਦਲਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਹਰ AI ਫੈਸਲੇ ਦੇ ਪਿੱਛੇ ਦੇ ਕਾਰਨ ਨੂੰ ਕੈਦ ਕਰਦੀ ਹੈ।
ਯੂਰਪੀ ਯੂਨੀਅਨ ਏਆਈ ਐਕਟ ਦਾ ਲੇਖ 6: ਤੁਹਾਡੇ ਏਆਈ ਏਜੰਟਾਂ ਲਈ ਉੱਚ-ਖਤਰੇ ਦੀ ਵਰਗੀਕਰਨ ਦਾ ਕੀ ਅਰਥ ਹੈ
ਯੂਰਪੀ ਯੂਨੀਅਨ ਦੇ ਏਆਈ ਐਕਟ ਦਾ ਲੇਖ 6 ਇਹ ਨਿਰਧਾਰਿਤ ਕਰਦਾ ਹੈ ਕਿ ਤੁਹਾਡਾ ਏਆਈ ਸਿਸਟਮ "ਉੱਚ-ਖਤਰੇ" ਵਾਲਾ ਹੈ ਜਾਂ ਨਹੀਂ — ਅਤੇ ਲਾਜ਼ਮੀ ਆਡੀਟ ਟ੍ਰੇਲ ਦੀਆਂ ਲੋੜਾਂ ਨੂੰ ਚਾਲੂ ਕਰਦਾ ਹੈ। ਜੇ ਤੁਹਾਡੇ ਏਜੰਟ ਕਰਜ਼ੇ, ਰੋਜ਼ਗਾਰ, ਸਿੱਖਿਆ ਜਾਂ ਸਿਹਤ ਸੇਵਾ ਬਾਰੇ ਫੈਸਲੇ ਲੈਂਦੇ ਹਨ, ਤਾਂ ਤੁਹਾਨੂੰ ਦਸੰਬਰ 2027 ਤੋਂ ਪਹਿਲਾਂ ਐਨੈਕਸ III ਵਰਗੀਕਰਨ ਨੂੰ ਸਮਝਣਾ ਜਰੂਰੀ ਹੈ।
ਏਆਈ ਖੋਜ ਸੰਕਲਨ ਕੀ ਹੈ?
ਜਿੱਥੇ ਗ੍ਰਾਫ-ਅਧਾਰਿਤ ਫੈਸਲਾ ਪ੍ਰਾਪਤੀ ਖੋਜ ਨਾਲ ਮਿਲਦੀ ਹੈ: ਇੱਕ ਸੰਰਚਿਤ, ਅਟ੍ਰਿਬਿਊਟਿਡ ਸੰਕਲਨ ਵਿੱਚ ਕਈ ਮਾਡਲਾਂ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਜੋੜਨਾ।
AIAgentree ਟੀਮ
ਫੈਸਲਾ ਢਾਂਚਾ
AIAgentree ਟੀਮ AI ਏਜੰਟਾਂ ਲਈ ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਅਤੇ ਪ੍ਰਾਪਤੀ ਢਾਂਚਾ ਬਣਾ ਰਹੀ ਹੈ। ਸਾਡਾ ਮਿਸ਼ਨ AI ਤਰਕ ਨੂੰ ਦਿਖਾਉਣਾ, ਆਡਿਟ ਕਰਨ ਯੋਗ, ਪ੍ਰਾਪਤ ਕਰਨ ਯੋਗ, ਅਤੇ ਸੁਧਾਰਯੋਗ ਬਣਾਉਣਾ ਹੈ।
ਆਪਣੇ ਏਜੰਟਾਂ ਨੂੰ ਇੱਕ ਮੈਮੋਰੀ ਦਿਓ ਜੋ ਪ੍ਰਾਪਤ ਕਰਨ ਯੋਗ ਹੋਵੇ।
ਫੈਸਲਿਆਂ ਨੂੰ ਇੱਕ ਗ੍ਰਾਫ ਦੇ ਤੌਰ 'ਤੇ ਕੈਪਚਰ ਕਰੋ, ਨਾ ਕਿ ਲੌਗ — ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸੀਮਿਤ ਫੈਸਲਾ ਪੈਕੇਟਾਂ ਦੇ ਤੌਰ 'ਤੇ ਪ੍ਰਾਪਤ ਕਰੋ। ਮੁਫ਼ਤ ਪਦਵੀ ਉਪਲਬਧ, ਕੋਈ ਕਰੈਡਿਟ ਕਾਰਡ ਦੀ ਲੋੜ ਨਹੀਂ।
ਮੁਫ਼ਤ ਸ਼ੁਰੂ ਕਰੋ