O que é Recuperação de Decisões?
Recuperação de decisões é como um agente de IA procura como situações semelhantes foram tratadas antes — e obtém a razão, não apenas um trecho. É GraphRAG para decisões: recuperação sobre um gráfico de argumentos normativos onde cada decisão está vinculada aos argumentos, à evidência e aos precedentes que a moldaram. Em vez de um monte de linhas de log coincidentes, você obtém um Pacote de Decisões limitado e auditável com sua razão intacta.
Recuperação de decisões = recuperar decisões passadas como unidades completas, não fragmentos de texto. O substrato é um gráfico: decisões conectadas a argumentos a favor e contra, evidência e precedentes por arestas tipadas. A recuperação é híbrida — a busca de vetores encontra as decisões relevantes, a expansão do gráfico busca o contexto completo — e a saída é um Pacote de Decisões. Isso supera o RAG de vetores apenas sobre logs, que retorna fragmentos desconectados que perdem a contrargumentação e o precedente.
Recuperação de decisões vs. vector RAG sobre logs
A forma padrão de dar memória a um agente é vector RAG: incorporar tudo, recuperar os pedaços de melhor correspondência e colá-los no prompt. Para documentos, isso funciona. Para decisões falha estruturalmente, porque uma decisão não é um parágrafo — é uma pequena rede de relacionamentos: uma proposição, os argumentos a favor e contra, as evidências em que cada um se baseou, quem aprovou alguma exceção e qual caso anterior seguiu.
Achatar isso em texto e incorporá-lo, e a recuperação devolve fragmentos com os relacionamentos cortados — a conclusão sem a contrargumentação, a aprovação sem o raciocínio, uma menção a um precedente sem o próprio precedente. Os profissionais chamam isso de "sopa de pedaços." Recuperação de decisões evita isso recuperando a decisão como uma unidade estruturada, porque os relacionamentos são armazenados como arestas de primeira classe e não deixados implícitos na prosa.
O grafo: arestas normativas, não descritivas
Grafos de conhecimento genéricos armazenam arestas descritivas — "menções", "relacionados a" — que dizem que duas coisas estão conectadas, mas não por quê. Um grafo de decisões armazena arestas normativas: suporta, opõe, refuta, qualifica. Porque o tipo de aresta é o raciocínio, o grafo já codifica o que era essencial em uma decisão.
É também por isso que um grafo de decisões é um substrato de GraphRAG incomumente bom, onde grafos de empresas em geral lutam. Grafos genéricos são enormes, suas arestas têm baixo sinal, não há nó raiz natural e a travessia não tem ponto de parada óbvio. Um grafo de decisões tem propriedades opostas: cada decisão é um nó raiz natural, arestas carregam raciocínio real e o subgrafo de uma única decisão é pequeno e naturalmente limitado — expanda para seus argumentos, evidências e precedentes citados, então pare.
Como funciona a recuperação híbrida de vetores e grafos
Vetores e grafos não são rivais aqui — a recuperação de decisões usa vetores para encontrar os pontos de entrada e estrutura de grafo para buscar o contexto completo. Na prática, é um pipeline: (1) busca de vetores sobre incorporações de decisões e argumentos encontra um punhado de decisões passadas relevantes; (2) filtros estruturados estreitam por categoria, tipo de entidade e maturidade de precedente, para que você recupere casos validados, não rascunhos; (3) expansão de grafo caminha pelas arestas normativas para puxar os argumentos e evidências de cada decisão; (4) classificação ponderada por resultado deixa precedentes cujos resultados deram certo acima de outros superficialmente semelhantes que não deram; (5) os resultados são embalados em Pacotes de Decisão limitados.
Limites rígidos de profundidade, contagem de nós e tempo mantêm a expansão de não fugir. A saída nunca é uma parede de tokens — é um conjunto pequeno de decisões completas e comparáveis.
Recuperação para agentes: MCP e A2A
A memória só é útil se um agente puder alcançá-la enquanto raciocina. A recuperação de decisões é exposta a agentes de duas maneiras. Sobre o Protocolo de Contexto de Modelo (MCP), ferramentas como search_precedents e get_packet permitem que um agente consulte decisões anteriores relevantes e receba Pacotes de Decisão em linha, no meio do raciocínio — e o caminho de escrita funciona sobre o MCP também: um agente pode criar um rastro, registrar seu raciocínio, selar a decisão e recuperar imediatamente o Pacote de Decisão resultante, de ponta a ponta, sem SDK. Na delegação de agente para agente (A2A), o Pacote de Decisão é a carga passada entre agentes — um agente receptor herda o contexto completo e autocontido de uma decisão sem acesso ao banco de dados do remetente. O pacote é portátil por design, o que o torna seguro para passar por uma fronteira de confiança.
Como o AI Agentree entrega recuperação de decisões
O AI Agentree armazena decisões como um gráfico normativo e as recupera como pacotes limitados. O substrato de recuperação é enviado e está em uso:
Pesquisa de precedente híbrida
Um pipeline de cinco etapas — pesquisa de vetor, filtros estruturados, expansão de contexto de grafo, classificação ponderada por resultado, embalagem — recupera decisões passadas com o raciocínio anexado, não como sopa de pedaços.
Pacotes de Decisão
A recuperação retorna um registro limitado e autocontido de uma decisão — proposição, argumentos prós e contras, evidências, políticas, aprovações, resultado e precedentes citados.
Citação de precedente
Um precedente recuperado pode ser citado como um argumento de primeira classe em uma nova decisão, para que a consistência se acumule em vez de depender da memória.
Acesso nativo do agente (MCP + A2A)
Os agentes registram e recuperam decisões sobre as ferramentas MCP — o ciclo de vida completo de criação, selagem e obtenção de pacote sem SDK — e os Pacotes de Decisão viajam como a carga útil na delegação de agente para agente.
Veja o substrato que isso recupera em rastreamento de decisões, ou o tratamento técnico mais profundo em GraphRAG para decisões de IA.
Perguntas Frequentes
O que é recuperação de decisões?
A recuperação de decisões é a recuperação de decisões passadas de IA como unidades completas e estruturadas, em vez de fragmentos de texto desconectados. É uma forma de GraphRAG: o substrato é um gráfico de argumentação normativa que conecta cada decisão aos argumentos, evidências e precedentes que a moldaram, e a saída é um Pacote de Decisão limitado — o raciocínio, não apenas um trecho.
Como a recuperação de decisões difere da RAG vetorial?
A RAG vetorial incorpora texto e retorna os principais fragmentos coincidentes — fragmentos desconectados que podem citar a conclusão de uma decisão, mas perder o contra-argumento, o aprovador e o precedente em que se baseou. A recuperação de decisões retorna a decisão com seu raciocínio intacto, porque as relações são armazenadas como arestas tipadas de primeira classe, em vez de serem deixadas implícitas na prosa. A busca vetorial é um componente da recuperação de decisões, não um concorrente dela.
O que é GraphRAG?
GraphRAG (recuperação-aumentada de geração com gráficos) recupera contexto atravessando um gráfico de conhecimento, em vez de apenas classificar fragmentos de texto por similaridade. Aplicada a decisões, o gráfico é um gráfico de argumentação normativa, e a recuperação é híbrida: a busca vetorial encontra as decisões relevantes, então a expansão do gráfico busca o contexto completo e limitado.
O que é um Pacote de Decisão?
Um Pacote de Decisão é a saída limitada da recuperação de decisões: um registro autocontido de uma decisão que contém a proposição, a árvore de argumentos prós e contras, a evidência e sua proveniência, as políticas avaliadas, as aprovações, o resultado selado e quaisquer precedentes citados. É o que um agente ou auditor recupera em vez de um monte de linhas de log.
Um Pacote de Decisão é melhor do que armazenar a saída da cadeia de pensamento?
Eles resolvem problemas diferentes — o pacote é uma melhor prática de registro, não um melhor raciocínio. A saída da cadeia de pensamento armazenada é prosa: consultar-la significa reanalisar cada traço com um LLM no momento da leitura, não tem um campo de resultado para unir, e um bloco de texto editável não oferece um ponto de compromisso que um revisor possa confiar. Um Pacote de Decisão estrutura o mesmo raciocínio uma vez, no momento do selo: argumentos prós e contras tipados se tornam consultas de gráfico determinísticas, decisões se ligam a resultados registrados, de modo que a recuperação é ponderada pelo resultado, precedentes se tornam nós de argumento citáveis em novas decisões, e o registro selado, encadeado e assinável funciona como evidência — incluindo em limites de confiança na delegação de agente para agente. Nenhum formato torna o raciocínio do modelo mais fiel; o pacote torna o raciocínio declarado durável, comparável e defensável. Se você só precisar depurar um agente posteriormente, a saída da cadeia de pensamento armazenada é suficiente — os pacotes ganham sua estrutura quando as decisões devem ser comparadas, reutilizadas ou defendidas.
A recuperação de decisões substitui meu banco de dados vetorial ou RAG de documento?
Não. A busca vetorial é o primeiro passo do pipeline de recuperação, e o RAG de documento é um trabalho separado. A recuperação de decisões se situa sobre a sua pilha existente e captura a única artefato que esses sistemas não armazenaram: a decisão estruturada em si, recuperável com seu raciocínio intacto.
Como o AI Agentree implementa a recuperação de decisões?
Por meio de um pipeline de pesquisa de precedentes de cinco etapas enviado (busca vetorial, filtros estruturados, expansão de contexto de gráfico, classificação ponderada pelo resultado, embalagem), montagem do Pacote de Decisão, citação de precedentes e recuperação exposta a agentes sobre MCP e A2A. A retroalimentação automática de resultado e a síntese de padrões de decisão cruzada — a camada totalmente auto-aperfeiçoada sobre a recuperação — estão no roadmap.
Tópicos relacionados de governança de IA
Governança de IA
A disciplina guarda-chuva: como as organizações mantêm os agentes de IA responsáveis, observáveis e conformes — comece aqui.
Observabilidade de IA
Vendo o que os sistemas de IA fazem em produção — métricas, rastros e logs.
Observabilidade de LLM
Monitorando prompts, tokens, latência e qualidade de chamadas de modelos de linguagem grande.
Rastreabilidade de IA
Reconstruindo a linhagem completa de uma saída de IA — entradas, etapas e decisões.
Rastreabilidade de LLM
Rastros de ponta a ponta de cadeias de LLM e prompts multi-etapas.
Observabilidade de Agente de IA
Observabilidade para agentes autônomos multi-etapas — chamadas de ferramentas, planos e decisões.
Governança de IA Agêntica
Governando agentes autônomos: política, supervisão e autonomia responsável.
Trilha de Auditoria de IA
Registros somente anexação, evidentes de alteração, do que um sistema de IA decidiu e por quê.
Monitoramento de Agente de IA
Monitoramento em tempo real do comportamento do agente, deriva e qualidade de decisão.
IA Explicável (XAI)
Tornando as decisões de IA compreensíveis para as pessoas responsáveis por elas.
AI TRiSM
Framework da Gartner para gestão de confiança, risco e segurança de IA.
Rastreamento de Decisão
Capturando o raciocínio estruturado por trás de cada decisão de IA — categoria da AI Agentree.
Sistemas de Precedente de IA
Permitindo que os agentes aprendam com decisões passadas como precedente pesquisável.
Dê aos seus agentes uma memória digna de recuperação
Armazene decisões como um gráfico, não um log — e recupere-as como Pacotes de Decisões limitados que seus agentes possam raciocinar.
Iniciar Grátis