Что такое извлечение решений?
Извлечение решений - это то, как агент ИИ ищет, как были обработаны подобные ситуации ранее - и получает обратно рассуждение, а не просто фрагмент. Это GraphRAG для решений: поиск над нормативной аргументной графой, где каждое решение связано с аргументами, доказательствами и прецедентами, которые сформировали его. Вместо кучи совпадающих строк журнала вы получаете ограниченное, аудиторское решение с целым рассуждением.
Извлечение решений = извлечение прошлых решений как полных единиц, а не текстовых фрагментов. Субстрат - это граф: решения, связанные с аргументами за и против, доказательствами и прецедентами через типизированные ребра. Поиск является гибридным - векторный поиск находит соответствующие решения, графическое расширение извлекает полный контекст - и вывод - это пакет решения. Это лучше, чем векторный RAG над журналами, который возвращает отсоединенные фрагменты, которые опускают контраргумент и прецедент.
Извлечение решений vs. вектор RAG по журналам
Стандартный способ предоставления агенту памяти — это вектор RAG: внедрить все, извлечь наиболее подходящие фрагменты и вставить их в подсказку. Для документов это работает. Для решений это не работает структурно, потому что решение не является абзацем — это небольшая сеть отношений: предложение, аргументы за и против него, доказательства, на которые опирались, кто одобрил любое исключение, и какой предыдущий случай он последовал.
Если развернуть это в текст и внедрить его, то извлечение возвращает фрагменты с разорванными отношениями — вывод без контраргумента, одобрение без обоснования, упоминание предшественника без самого предшественника. Практики называют это "супом из фрагментов." Извлечение решений избегает этого, извлекая решение как структурированную единицу, потому что отношения хранятся как первоклассные ребра, а не оставляются неявными в тексте.
Граф: нормативные ребра, а не описательные
Общие графы знаний хранят описательные ребра — "упоминает", "связано с" — которые говорят, что два объекта связаны, но не объясняют, почему это имело значение. Граф решений хранит нормативные ребра: поддерживает, противопоставляет, опровергает, ограничивает. Поскольку тип ребра является рассуждением, граф уже кодирует, что было важным в решении.
Это также объясняет, почему граф решений является необычно хорошим GraphRAG-субстратом, где общие корпоративные графы испытывают трудности. Общие графы огромны, их ребра имеют низкий сигнал, нет естественного корневого узла, и обход не имеет очевидной точки остановки. Граф решений имеет противоположные свойства: каждое решение является естественным корнем, ребра несут реальное рассуждение, и подграф одного решения небольшой и естественно ограничен — расширьте его до аргументов, доказательств и цитируемых предшественников, затем остановитесь.
Как работает гибридное извлечение векторов и графов
Векторы и графы здесь не являются конкурентами — извлечение решений использует векторы для нахождения точек входа и структуру графа для получения полного контекста. На практике это конвейер: (1) поиск векторов по вложениям решений и аргументов находит горстку актуальных предыдущих решений; (2) структурированные фильтры сужают по категории, типу сущности и зрелости предшественника, чтобы извлечь проверенные случаи, а не черновики; (3) расширение графа проходит по нормативным ребрам, чтобы извлечь аргументы и доказательства каждого решения; (4) ранжирование с учетом результата выводит предшественники, результаты которых оказались хорошими, выше поверхностно похожих, которые не оправдали ожиданий; (5) результаты упаковываются в ограниченные Пакеты решений.
Жесткие ограничения на глубину, количество узлов и время не позволяют расширению уйти в бесконечность. Выходные данные никогда не являются стеной токенов — это небольшое множество полных, сопоставимых решений.
Извлечение для агентов: MCP и A2A
Память полезна только в том случае, если агент может до нее добраться во время рассуждения. Извлечение решений доступно агентам двумя способами. Через Протокол контекста модели (MCP) инструменты, такие как search_precedents и get_packet, позволяют агенту запрашивать актуальные предыдущие решения и получать Пакеты решений встроенными, во время рассуждения — и путь записи работает через MCP: агент может создать след, записать свое рассуждение, запечатать решение и сразу же извлечь полученный Пакет решений, от начала до конца, без SDK. В делегировании агент-агент (A2A) Пакет решений является полезной нагрузкой, передаваемой между агентами — получающий агент наследует полный, самодостаточный контекст решения без доступа к базе данных отправителя. Пакет предназначен для переносимости, что делает его безопасным для передачи через границу доверия.
Как AI Agentree доставляет извлечение решений
AI Agentree хранит решения как нормативную графу и извлекает их как ограниченные пакеты. Субстрат поиска отгружается и используется:
Гибридный поиск прецедентов
Пятиступенчатый конвейер — векторный поиск, структурированные фильтры, расширение контекста графа, ранжирование с учетом результата, упаковка — извлекает прошлые решения с их обоснованием, а не как суп из кусков.
Пакеты решений
Извлечение возвращает ограниченную, самодостаточную запись решения — предложение, аргументы за и против, доказательства, политики, одобрения, результат и цитируемые прецеденты.
Цитирование прецедентов
Извлеченный прецедент может быть цитирован как первый класс аргумента в новом решении, поэтому последовательность складывается вместо того, чтобы полагаться на память.
Доступ, родной для агентов (MCP + A2A)
Агенты записывают и извлекают решения с помощью инструментов MCP — полный цикл создания, запечатывания и получения пакета без SDK — и Пакеты решений передаются в качестве полезной нагрузки при делегировании агента к агенту.
Смотрите субстрат, который извлекает на отслеживании решений, или более глубокое техническое описание в GraphRAG для решений ИИ.
Часто задаваемые вопросы
Что такое извлечение решений?
Извлечение решений — это извлечение прошлых решений ИИ в качестве полных, структурированных единиц, а не отключенных фрагментов текста. Это форма GraphRAG: субстрат представляет собой нормативную аргументационную графу, соединяющую каждое решение с аргументами, доказательствами и прецедентами, которые сформировали его, а выходными данными является ограниченный Пакет Решения — рассуждение, а не просто фрагмент.
В чем отличие извлечения решений от векторного RAG?
Векторный RAG встраивает текст и возвращает лучшие совпадающие фрагменты — отключенные фрагменты, которые могут цитировать вывод решения, но пропускают контраргумент, одобритель и прецедент, на который оно опиралось. Извлечение решений возвращает решение с сохранившимся рассуждением, потому что отношения хранятся в виде первоклассных типизированных ребер, а не оставляются неявными в прозе. Векторный поиск является компонентом извлечения решений, а не его конкурентом.
Что такое GraphRAG?
GraphRAG (граф-усиленное извлечение-усиленная генерация) извлекает контекст, проходя по графу знаний вместо того, чтобы просто ранжировать текстовые фрагменты по подобию. Применительно к решениям, граф представляет собой нормативную аргументационную графу, а извлечение является гибридным: векторный поиск находит соответствующие решения, затем расширение графа извлекает полный, ограниченный контекст.
Что такое Пакет Решения?
Пакет Решения — это ограниченный вывод извлечения решений: самодостаточная запись одного решения, содержащая пропозицию, дерево аргументов за и против, доказательства и их происхождение, оцениваемые политики, одобрения, запечатанный результат и любые цитируемые прецеденты. Это то, что агент или аудитор извлекает вместо кучи строк журнала.
Лучше ли Пакет Решения, чем хранение цепочки мыслей?
Они решают разные проблемы — пакет является лучшим учетом, а не лучшим рассуждением. Хранение цепочки мыслей — это проза: запрос к нему означает повторную обработку каждого следа с помощью большого языкового модели при чтении, у него нет поля результата, на которое можно присоединиться, и редактируемый текстовый блок не предлагает точки фиксации, которой можно доверять. Пакет Решения структурирует одно и то же рассуждение один раз, при запечатывании: аргументы за и против становятся определёнными запросами графа, решения связаны с записанными результатами, поэтому извлечение является взвешенным по результату, прецеденты становятся цитируемыми узлами аргументов в новых решениях, и хеш-цепочечная, запечатанная, подписанная запись работает как доказательство — включая через границы доверия при делегировании агента к агенту. Ни один из форматов не делает рассуждение модели более верным; пакет делает заявленное рассуждение прочным, сравнимым и обоснованным. Если вам нужно только отладить агента позже, хранение цепочки мыслей достаточно — пакеты оправдывают свою структуру, когда решения должны быть сравнены, повторно использованы или защищены.
Заменяет ли извлечение решений мой векторный базу данных или документ RAG?
Нет. Векторный поиск — это первый шаг конвейера извлечения, а документ RAG — это отдельная задача. Извлечение решений находится поверх вашего существующего стека и захватывает один артефакт, который эти системы не хранили: структурированное решение само по себе, извлекаемое с сохранившимся рассуждением.
Как AI Agentree реализует извлечение решений?
Через поставляемый пятиступенчатый конвейер поиска прецедентов (векторный поиск, структурированные фильтры, расширение контекста графа, ранжирование с учетом результата, упаковка), сборку Пакета Решения, цитирование прецедентов и извлечение, открытые для агентов через MCP и A2A. Автоматическая обратная связь по результатам и синтез шаблонов решений — полностью самосовершенствующийся слой поверх извлечения — находятся в планах разработки.
Related AI governance topics
AI Governance
The umbrella discipline: how organizations keep AI agents accountable, observable, and compliant — start here.
AI Observability
Seeing what your AI systems do in production — metrics, traces, and logs.
LLM Observability
Monitoring prompts, tokens, latency, and quality of large language model calls.
AI Traceability
Reconstructing the full lineage of an AI output — inputs, steps, and decisions.
LLM Traceability
End-to-end traces of multi-step LLM and prompt chains.
AI Agent Observability
Observability for autonomous, multi-step agents — tool calls, plans, and decisions.
Agentic AI Governance
Governing autonomous agents: policy, oversight, and accountable autonomy.
AI Audit Trail
Append-only, tamper-evident records of what an AI system decided and why.
AI Agent Monitoring
Real-time monitoring of agent behavior, drift, and decision quality.
Explainable AI (XAI)
Making AI decisions understandable to the people accountable for them.
AI TRiSM
Gartner's framework for AI trust, risk, and security management.
Decision Tracing
Capturing the structured reasoning behind every AI decision — AI Agentree's category.
AI Precedent Systems
Letting agents learn from past decisions as searchable precedent.
Дайте вашим агентам память, достойную извлечения
Храните решения как граф, а не как журнал - и извлекайте их как ограниченные пакеты решений, над которыми ваши агенты могут рассуждать.
Начать бесплатно