Oryginalna teza, powtórzona

Decyzje AI zasługują na potwierdzenia. Rejestrowanie nie jest odpowiedzialnością. Łańcuch myślenia nie jest prawdą obiektywną.

Te stwierdzenia pozostają prawdziwe. Ale są niekompletne.

Pytanie "Dlaczego powinniśmy rejestrować decyzje?" ma oczywistą odpowiedź: zgodność, odpowiedzialność, debugowanie. Trudniejsze pytanie brzmi: "Co się dzieje, gdy to robimy?"

Odpowiedź jest nieoczekiwana: pamięć instytucjonalna staje się automatyczna. Nie jako funkcja, którą budujesz na wierzchu. Nie jako moduł, który dodajesz później. Jako naturalna konsekwencja modelu danych.

Co naprawdę oznacza "Decyzja"

Decyzja to nie jest wynik modelu. To nie jest odpowiedź API. To nie jest wartość zwracana przez funkcję.

Decyzja jest uporządkowanym artefaktem zawierającym:

Czego nie mówią logi

Dwa prymitywy

Cały system śledzenia decyzji opiera się na dwóch prymitywach:

Dlaczego normatywne przewyższa opisowe

Wykresy kontekstowe przechowują opisowe relacje: "związane z," "wzmianki," "posiadane przez." Wykresy argumentów decyzyjnych przechowują normatywne relacje: "popiera," "sprzeciwia się."

Rozróżnienie jest fundamentalne:

Jak powstaje precedens (mechanicznie)

Od przechowywania do odzyskiwania: Decyzje jako graf

Zbieranie decyzji to tylko połowa wartości. Drugą połową jest odzyskiwanie ich — i to właśnie tam model danych uzasadnia swoje istnienie. Ponieważ każda decyzja jest przechowywana jako normatywny graf argumentów (twierdzenia połączone przez krawędzie wspiera/przeciwstawia się), staje się pierwszorzędnym podłożem do odzyskiwania, a nie tylko archiwum.

Wskazując wyszukiwanie wektorowe na surowe logi, otrzymujesz "zupę kawałków" — niepowiązane fragmenty, które cytują wniosek, ale pomijają kontrargument, zatwierdzającego oraz precedens. Zamiast tego, pobierz z grafu decyzyjnego, a otrzymasz ograniczony Pakiet Decyzyjny: propozycję, argumenty za i przeciw, dowody oraz wynik, w całości. To jest GraphRAG dla decyzji AI — powód, dla którego precedens jest czymś, co możesz zapytać i zacytować, a nie tylko czymś, co masz nadzieję zapamiętać. (Więcej na temat podłoża wyszukiwania: czym jest wyszukiwanie decyzji.)

Trzy tryby zaufania

Przedsiębiorstwa nie przekazują decyzji AI z dnia na dzień. Postępują przez etapy:

Co to oznacza dla stosu AI w przedsiębiorstwie

KONTEKST STOSU PRZEDSIĘBIORSTWA

Trzy sposoby na połączenie — SDK to tylko jeden z nich

Śledzenie decyzji nie jest 6-miesięcznym zaangażowaniem doradczym — i nie wymaga naszego SDK. Istnieją trzy sposoby połączenia:

Ścieżka SDK jest najkrótsza do napisania — ślad decyzji w około dziesięciu linijkach:

from aiagentree import AgentreeClient

client = AgentreeClient(api_key="ask_...", base_url="https://api.aiagentree.com", tenant_id="acme")

# Trace your agent's decision point
trace = client.start_trace(
    agent_id="discount-agent",
    workflow_id="discount_approval",
    entity_type="request",
    entity_id="4521",
)
trace.add_input("discount", 0.18, source="crm")
trace.add_step("s1", title="SEV-1 incident yesterday", category="evidence", confidence=0.9)
trace.add_step("s2", title="Customer flagged as churn risk", category="evidence", confidence=0.85)
trace.add_step("s3", title="Exceeds standard 15% threshold", category="risk", confidence=0.7)
trace.seal("d1", action="approved", confidence=0.9)

Ślad jest zabezpieczony, opieczętowany czasowo i możliwy do zapytania. Gdy nadejdzie następne podobne żądanie, ten precedens jest możliwy do odzyskania i cytowania.

Kąt zgodności

Dyrektywa UE o sztucznej inteligencji nakłada konkretne wymagania na systemy AI wysokiego ryzyka:

Czego nie rozwiązuje śledzenie decyzji

Śledzenie decyzji znajduje się na szczycie kontekstu operacyjnego. Nie zastępuje:

Jak zacząć