GraphRAG dla decyzji AI
GraphRAG (wzbogacone wyszukiwanie z generowaniem) pozyskuje kontekst, przeszukując graf wiedzy, a nie tylko klasyfikując fragmenty tekstu według podobieństwa wektorowego. Dla decyzji agentów AI graf jest normatywnym grafem argumentów: decyzje połączone z argumentami za i przeciw, które je wspierały lub przeciwstawiały się im, dowodami cytowanymi i precedensami, połączonymi przez typowane krawędzie (wspiera, przeciwstawia się, obala). Wyszukiwanie zaczyna się od wyszukiwania wektorowego, aby znaleźć odpowiednie decyzje, a następnie rozszerza się wzdłuż tych krawędzi, aby zwrócić kompletny, ograniczony Pakiet Decyzyjny zamiast odłączonych fragmentów.
Pytanie nie brzmi "czy powinniśmy przechowywać decyzje AI?" — to "w czym je przechowujemy?" Przechowuj je jako tekst, a otrzymasz zupę fragmentów RAG wektorowego. Przechowuj je jako normatywny graf argumentów, a wyszukiwanie zwraca ograniczony, audytowalny Pakiet Decyzyjny.
- •Wektor RAG nad logami zwraca odłączone fragmenty — brakuje mu kontrargumentu, zatwierdzającego, precedensu
- •Decision GraphRAG pobiera decyzję z zachowaniem jej uzasadnienia, za pomocą typowanych krawędzi
- •Graf decyzyjny to rzadki GraphRAG-perfect substrat: naturalne węzły korzeniowe, krawędzie o wysokim sygnale, ograniczone podgrafy
- •Wysłane: hybrydowe wyszukiwanie precedensów, pakiety decyzji, pobieranie MCP/A2A, informacje zwrotne o wynikach, ranking ważony wynikami, skuteczność argumentów, automatycznie sugerowane precedensy — pełne koło zamachowe
Twój agent musi wiedzieć, jak zdecydowałeś ostatnim razem.
Wskazujesz to na magazyn wektorów logów. Otrzymujesz sześć fragmentów. Żaden z nich nie zawiera powodu.
Problem odzyskiwania, którego nikt nie nazywa
Każdy poważny system agenta w końcu potrzebuje pamięci: zdolności do sprawdzania, jak podobna sytuacja była wcześniej rozwiązana i działania w sposób spójny. Domyślną odpowiedzią w 2026 roku jest vector RAG — osadź wszystko, odzyskaj k najpodobniejszych fragmentów, umieść je w oknie kontekstowym.
Dla dokumentów to działa. Dla decyzji cicho zawodzi. A porażka jest strukturalna, a nie problemem dostrojenia.
Decyzja to nie akapit. To mała sieć relacji: propozycja, argumenty za i przeciw, dowody, na których opierał się każdy argument, kto zatwierdził wyjątek i które wcześniejsze sprawy były brane pod uwagę. Spłaszcz to do fragmentów tekstu i osadź je, a wyszukiwanie zwraca fragmenty z relacjami przerwanymi. Otrzymujesz wniosek bez kontrargumentu. Otrzymujesz zatwierdzenie bez uzasadnienia. Otrzymujesz zdanie, które wspomina o precedensie, bez samego precedensu.
To, co praktycy nazywają "zupą kawałków." To dlatego wyszukiwanie oparte wyłącznie na wektorach w logach decyzji wydaje się pewne, a jednocześnie jest subtelnie niegodne zaufania.
Zupa Chunk vs. Pakiet Decyzyjny
| Wektor RAG zwraca | Wykres Decyzyjny GraphRAG zwraca |
|---|---|
| …"zwrot został zatwierdzony dla klienta premium" (0.83) …"próg automatycznego zatwierdzenia wynosi 200 dolarów" (0.79) …"eskalować incydenty SEV-1 do poziomu 2" (0.74) | Propozycja: Zatwierdzenie zwrotu #4521 (240 $) ZA: Klient premium, ważna wada PRZECIW: Przekracza próg automatycznego zatwierdzenia 200 $ Wyjątek: Zatwierdzone przez starszego analityka (polityka P-12) Precedens: powołuje się na sprawę #1234 (zatwierdzone, 0 chargebacków) Wynik (6 miesięcy): zatrzymane, brak sporu |
| Trzy prawdopodobne fragmenty. Brak między nimi powiązań. Czy ten zwrot był powyżej progu? Kto go anulował? Co się stało potem? Fragmenty nie mogą powiedzieć. | Jedna ograniczona paczka. Rozumowanie, wyjątek, precedens i wynik — połączone. |
Różnica nie tkwi w modelu osadzania ani w rozmiarze fragmentu. To substrat. Jeden przechowuje tekst o decyzjach; drugi przechowuje decyzje jako strukturę.
Dlaczego normatywne krawędzie zmieniają wszystko
Ogólne grafy wiedzy przechowują opisowe krawędzie: "wzmianki," "powiązane z," "należące do." Informują, że dwie rzeczy są ze sobą połączone, ale nie dlaczego to ma znaczenie.
Graf decyzyjny przechowuje normatywne krawędzie — relacje niosą ze sobą rozumowanie:
- •wspiera / przeciwstawia się — ten argument wpłynął na decyzję w kierunku lub z dala od wyniku
- •obalają — te dowody bezpośrednio przeczą temu twierdzeniu
- •kwalifikuje / zależy_od — to obowiązuje tylko pod warunkiem
Ponieważ typ krawędzi jest rozumowaniem, graf już wie, co jest nośne. Wyszukiwanie nie musi zgadywać, który z dziesięciu wspomnianych faktów faktycznie wywołał połączenie — krawędzie supports o dużej wadze to wskazują. Grafy opisowe umożliwiają wyszukiwanie. Grafy normatywne umożliwiają osąd.
Dlaczego graf decyzyjny jest "idealny dla GraphRAG"
Większość zespołów, które próbują GraphRAG na ogólnym grafie przedsiębiorstwa, rezygnuje. Powody są spójne, a graf decyzyjny unika każdego z nich:
| Dlaczego ogólny GraphRAG ma trudności | Dlaczego graf decyzyjny nie działa |
|---|---|
| Graf jest ogromny (miliony węzłów) | Każdy podgraf decyzji jest mały i samodzielny. |
| Krawędzie są niskosygnałowe ("related_to") | Krawędzie są normatywne i niosą ze sobą rozumowanie. |
| Brak naturalnego węzła głównego do rozpoczęcia. | Decyzja jest węzłem głównym |
| Przechodzenie nie ma naturalnego punktu zatrzymania. | Granica decyzji jest wewnętrzna — rozszerz ją do jej argumentów, dowodów i cytowanych precedensów, a następnie zatrzymaj się. |
Wykres ma "to, co miało znaczenie" wbudowane w swoją strukturę. To jest cecha, której potrzebuje GraphRAG i rzadko ją otrzymuje.
Hybrydowy proces pozyskiwania
Wektory i grafy nie są tutaj rywalami. Wyszukiwanie decyzji wykorzystuje wektory do znajdowania punktów wejścia oraz strukturę grafu do pobierania pełnego kontekstu. W AIAgentree jest to pięcioetapowy proces (dostarczany w usłudze wyszukiwania precedensów):
Wyszukiwanie wektorowe w embeddingach decyzji i argumentów — znajdź garstkę istotnych przeszłych decyzji
Strukturalne filtry — najemca, kategoria, typ podmiotu, dojrzałość precedensu (aby uzyskać zweryfikowane przypadki, a nie szkice)
Rozszerzenie kontekstu graficznego — przejdź przez normatywne krawędzie, aby zebrać argumenty i dowody dla każdej decyzji
Ranking ważony wynikiem — precedens, którego wynik okazał się pozytywny, zajmuje wyższą pozycję niż pozornie podobny, który się nie powiódł.
Pakowanie — złożyć wynik w ograniczone Pakiety Decyzyjne gotowe do przekazania agentowi lub recenzentowi
Twarde limity (maksymalna głębokość, maksymalna liczba węzłów, limit czasu) zapobiegają niekontrolowanemu rozwojowi. Wynik nigdy nie jest ścianą tokenów — to niewielka liczba kompletnych, porównywalnych decyzji.
Pozyskiwanie dla agentów: MCP i A2A
Pamięć jest użyteczna tylko wtedy, gdy agent ma do niej dostęp podczas podejmowania decyzji. AIAgentree udostępnia pobieranie decyzji na dwa sposoby:
Nad MCP
Serwer protokołu kontekstu modelu udostępnia narzędzia takie jak search_precedents i get_packet. Agent pyta o odpowiednie wcześniejsze decyzje i otrzymuje pakiety decyzji w trakcie rozumowania — a nie jako zadanie wsadowe.
Over A2A
W delegacji agent-do-agenta, Pakiet Decyzyjny jest ładunkiem. Odbierający agent dziedziczy pełny, samodzielny kontekst decyzji bez dostępu do bazy danych nadawcy.
Pakiet jest zaprojektowany jako przenośny — zawiera wszystko, co potrzebne do zrozumienia i zastosowania decyzji, co dokładnie sprawia, że jest bezpieczny do przekazania przez granicę zaufania.
Jak to wygląda w kodzie
Pozyskiwanie precedensu dla decyzji, którą agent ma zamiar podjąć:
# 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)Brak wypełniania surowych logów podpowiedziami. Agent rozważa wcześniejsze decyzje, z dołączonym ich uzasadnieniem. Fragment używa klienta Pythona dla jasności — ale to samo pobieranie (get_packet, search_precedents) jest dostępne przez MCP bez SDK, więc agent natywny dla MCP wykorzystuje decyzje jako narzędzia.
Pełny stos został wysłany
Wolimy być precyzyjni niż imponujący. Oto co jest dzisiaj na żywo:
Zbieranie i odzyskiwanie decyzji
- ✓Normatywny model danych śladów decyzji (typowane krawędzie argumentów)
- ✓Hybrydowe wyszukiwanie precedensów (pięcioetapowy proces powyżej)
- ✓Cytowanie precedensu — przywołaj wcześniejsze orzeczenie jako argument pierwszej klasy
- ✓Zestawienie pakietu decyzji
- ✓Pobieranie przez MCP + A2A
- ✓Rejestry decyzji odporne na manipulacje, tylko do dodawania
Pamięć instytucjonalna koło zamachowe
- ✓Automatyczne informacje zwrotne o wynikach — webhook + pobieranie danych zapisuje wyniki z powrotem na decyzjach
- ✓Ocena jakości wyników — decyzje z dobrymi wynikami zajmują wyższe miejsce w wyszukiwaniu precedensów
- ✓Skuteczność argumentów — śledź, które argumenty doprowadziły do pozytywnych rezultatów
- ✓Auto-sugerowane precedensy — istotne wcześniejsze decyzje ujawnione w czasie pieczętowania
Pełny zamknięty obieg koła zamachowego jest aktywny: informacje zwrotne o wynikach wracają do rankingów precedensów, skuteczność argumentów ujawnia, co zadziałało, a agenci otrzymują odpowiednie precedensy automatycznie sugerowane, gdy podejmują decyzję. Podstawa graficzna to umożliwia — a teraz warstwa samodoskonaląca działa na jej szczycie.
Czego to nie zastępuje
- •Twoja baza danych wektorów — to komponent procesu, krok 1
- •Twój dokument RAG — pozyskiwanie polityk i podręczników to inna praca
- •Narzędzia do obserwowalności — metryki spanów, opóźnień i tokenów nadal należą do LangSmith/Langfuse i innych.
Decision GraphRAG znajduje się na szczycie wszystkich z nich i przechwycuje artefakt, którego żaden z nich nie przechowywał: uporządkowaną decyzję, możliwą do odzyskania z zachowaniem jej uzasadnienia.
Najczęściej Zadawane Pytania
Czym jest GraphRAG dla decyzji AI?
GraphRAG (wzbogacona generacja z wykorzystaniem grafów) pozyskuje kontekst, przeszukując graf wiedzy, zamiast jedynie klasyfikować fragmenty tekstu według podobieństwa wektorowego. W przypadku decyzji AI graf jest normatywnym grafem argumentacyjnym — decyzje, argumenty za i przeciw, które je wspierały lub im przeciwdziałały, przytoczone dowody oraz odniesione precedensy, połączone są typowanymi krawędziami (wspiera, przeciwdziała, obala). Pozyskiwanie informacji zaczyna się od wyszukiwania wektorowego w celu znalezienia odpowiednich decyzji, a następnie rozszerza się wzdłuż tych krawędzi, aby zwrócić kompletny, ograniczony Pakiet Decyzyjny, a nie odizolowane fragmenty.
Jak decyzja GraphRAG różni się od wektora RAG w kontekście logów?
Vector RAG osadza fragmenty tekstu (logi, transkrypty, dokumenty) i zwraca k-top najbardziej podobne fragmenty. Te fragmenty są odseparowane — pobrany fragment może cytować wniosek decyzji, ale pomijać kontrargument, który niemal go obalił, osobę, która zatwierdziła wyjątek, lub precedens, na którym się opierał. Decision GraphRAG pobiera decyzję jako zorganizowaną jednostkę z zachowaną argumentacją, ponieważ relacje są przechowywane jako pierwszorzędne typowane krawędzie, a nie pozostawione w domyślnym opisie.
Czym jest pakiet decyzyjny?
Pakiet Decyzyjny to ograniczony wynik pozyskiwania decyzji z grafu: samodzielna, uporządkowana reprezentacja jednej decyzji zawierająca propozycję, drzewo argumentów za/przeciw, dowody i ich pochodzenie, oceniane polityki, ludzi, którzy ją zatwierdzili, zamknięty wynik oraz wszelkie przywołane precedensy. To jest to, co agent (lub audytor) pozyskuje zamiast stosu linii logów. AIAgentree łączy Pakiety Decyzyjne z przechowywanego śladu decyzji.
Dlaczego graf decyzyjny jest dobrym podłożem dla GraphRAG, gdy ogólne grafy przedsiębiorstw nie są?
Ogólne grafy wiedzy przedsiębiorstw są trudne do przeszukiwania: są ogromne, ich krawędzie mają niski sygnał ('related_to' nie przekazuje żadnego rozumowania), nie ma naturalnego węzła głównego, a rozszerzenie nie ma oczywistego punktu zatrzymania. Graf decyzyjny unika wszystkich czterech problemów: każda decyzja jest naturalnym węzłem głównym, krawędzie są normatywne i mają wysoki sygnał (popiera/odrzuca/obali rzeczywiście przekazuje rozumowanie), a podgraf pojedynczej decyzji jest mały i naturalnie ograniczony. Graf już koduje 'co miało znaczenie', więc wyszukiwanie wie, co uwzględnić.
Czy to zastępuje moją bazę danych wektorów lub stos RAG?
Nie. Wyszukiwanie wektorowe jest komponentem decyzji GraphRAG, a nie konkurentem — osadzenia znajdują odpowiednie punkty wejścia, a następnie struktura grafu pobiera pełen kontekst. AIAgentree znajduje się na warstwie decyzyjnej, na szczycie twoich systemów operacyjnych i istniejącego RAG dla dokumentów. Zbiera i odzyskuje ten jeden artefakt, którego te systemy historycznie nie przechowywały: samą strukturalną decyzję.
Co jest wysyłane?
Wszystko opisane w tym poście jest wdrożone i działa: normatywny model danych śladów decyzji, hybrydowe wyszukiwanie precedensów (pięcioetapowy proces: wyszukiwanie wektorowe → strukturalne filtry → rozszerzenie kontekstu grafu → ranking ważony wynikami → pakowanie), cytowanie precedensów (cytowanie przeszłej decyzji jako argumentu pierwszej klasy), składanie pakietów decyzji, dostęp do wyszukiwania dla agentów przez MCP i A2A, automatyczna informacja zwrotna o wynikach (webhook + pobieranie danych), ocena jakości wyników, która zwiększa rankingi precedensów, śledzenie skuteczności argumentów (które argumenty prowadziły do dobrych wyników) oraz automatycznie sugerowane precedensy na pieczęci. Cały 'wir pamięci instytucjonalnej' jest aktywny i działa w zamkniętej pętli.
Jak agenci pobierają decyzje w czasie wnioskowania?
Poprzez Protokół Kontekstowy Modelu (MCP) oraz delegację agent-do-agenta (A2A). AIAgentree udostępnia narzędzia takie jak search_precedents i get_packet przez serwer MCP, dzięki czemu agent może zapytać o odpowiednie wcześniejsze decyzje i otrzymać Pakiety Decyzyjne w trakcie rozumowania. W delegacji A2A Pakiet Decyzyjny to samodzielny ładunek przekazywany między agentami, więc agent odbierający dziedziczy pełen kontekst decyzji bez dostępu do bazy danych nadawcy.
Pokrewne Tematy
Pokrewne Artykuły
Decyzje AI zasługują na potwierdzenia: dlaczego śledzenie decyzji jest brakującą warstwą w zarządzaniu AI
Każda transakcja finansowa otrzymuje paragon. Każdy kontrakt prawny otrzymuje podpis. Ale decyzje AI, które wpływają na miliony ludzi? Niewidoczne. Śledzenie decyzji zmienia to, uchwycając DLACZEGO za każdą decyzją AI.
Artykuł 6 Ustawy UE o AI: Co oznacza klasyfikacja wysokiego ryzyka dla Twoich agentów AI
Artykuł 6 rozporządzenia UE o sztucznej inteligencji określa, czy Twój system AI jest "wysokiego ryzyka" — i uruchamia obowiązkowe wymagania dotyczące ścieżki audytu. Jeśli Twoje agenty podejmują decyzje dotyczące kredytów, zatrudnienia, edukacji lub opieki zdrowotnej, musisz zrozumieć klasyfikację w Załączniku III przed grudniem 2027 roku.
Czym jest synteza badań nad AI?
Gdzie podejmowanie decyzji oparte na grafach spotyka badania: łączenie wyników wielu modeli w jedną uporządkowaną, przypisaną syntezę.
Zespół AIAgentree
Infrastruktura Decyzyjna
Zespół AIAgentree buduje infrastrukturę śledzenia i wyszukiwania decyzji dla agentów AI. Naszą misją jest uczynienie rozumowania AI widocznym, audytowalnym, dostępnym i ulepszanym.
Daj swoim agentom pamięć wartą odzyskania.
Przechwytuj decyzje jako graf, a nie log — i odzyskuj je jako ograniczone Pakiety Decyzyjne. Dostępny darmowy poziom, nie jest wymagana karta kredytowa.
Rozpocznij za darmo