GraphRAG සඳහා AI තීරණ
GraphRAG (graph-enhanced retrieval-augmented generation) යනු වෙක්ටර් සමානතාවය මත පෙළ කුඩු ශ්රේණිගත කිරීමේ ප්රතිපත්ති මත පදනම්වීමේ වඩාත්ම ප්රයෝජනවත් ක්රමයක් වන අතර, දැනුම් ග්රැෆ් එකක් හරහා සම්බන්ධතා සොයා ගැනීමයි. AI එජන්ට් තීරණ සඳහා, ග්රැෆ් එක යනු සාමාන්ය විවාද ග්රැෆ් එකකි: තීරණ, එය සහය දුන් සහ විරුද්ධ වූ ප්රතිවාද, සඳහන් කළ සාක්ෂි, සහ සම්බන්ධිත පෙරනිමියන්, වර්ගීකෘත කඩදාසි (සහාය, විරුද්ධ, ප්රතික්ෂේප) මඟින් සම්බන්ධ වේ. තීරණ ලබා ගැනීම යනු හයිබ්රිඩ් පයිප්ලයින් එකකි — වෙක්ටර් සොයා ගැනීම සම්බන්ධ තීරණ සොයා ගනී, පසුව ග්රැෆ් විශාලනය සම්පූර්ණ, සීමාකාරී පරිපූර්ණ තීරණ පැකට් එකක් ලබා දීමට ගෙන එයි — සහ එහි ප්රතිඵලය යනු තීරණ පැකට් එකකි: යෝජනාව, විවාද ගස, සාක්ෂි, ප්රතිපත්ති, අනුමැතියන්, ප්රතිඵල, සහ පෙරනිමියන් යන සියල්ල අඩංගු ස්වයං-අඩංගු වාර්තාවකි. මෙය වෙක්ටර්-මැද RAG එකට වඩා හොඳයි, එය අසම්බන්ධ කුඩු ආපසු ලබා දෙයි, එය විකල්ප විවාද, අනුමැතියන්, සහ පෙරනිමිය අහිමි කරයි. තීරණ ග්රැෆ් එකක් විශේෂිත GraphRAG උපකරණයක් වන අතර, සෑම තීරණයක්ම ස්වභාවික මූලික නෝඩ් එකක් වන අතර, කඩදාසි ඉහළ-සංකේත (එය තර්කය ගෙන යයි), සහ සෑම තීරණයක්ගේ උපග්රැෆ් එක කුඩා සහ සීමාකාරී වේ. AIAgentree සම්පූර්ණ ස්ටැක් එක ක්රියාත්මක කරයි: තීරණ-සොයා ගැනීමේ දත්ත ආකෘතිය, හයිබ්රිඩ් පෙරනිමිය සොයා ගැනීම, පෙරනිමිය උපුටා ගැනීම, තීරණ පැකට් එක එකතු කිරීම, MCP සහ A2A මත ලබා ගැනීම, ස්වයංක්රීය ප්රතිඵල ප්රතිපෝෂණය, ප්රතිඵල-ගුණාත්මක ශ්රේණිගත කිරීම, විවාද-කාර්යක්ෂමතාවය අනුගමනය කිරීම, සහ සීල් මත ස්වයං-උපදේශිත පෙරනිමියන් — සම්පූර්ණ ආයතනික-මතක ෆ්ලයිවීල් එක යැවී ඇත සහ සජීවී වේ.
ප්රශ්නය "අපි AI තීරණ ගබඩා කළ යුතුද?" නොවේ — එය "අපි ඒවා කුමක් තුළ ගබඩා කරන්නේද?" ලෙසයි. ඒවා පෙළ ලෙස ගබඩා කළහොත් ඔබට වෙක්ටර් RAG හි කුඩා කුඩු ලැබේ. ඒවා සාමාන්ය විවාද ග්රැෆ් ලෙස ගබඩා කළහොත් ලබා ගැනීම සීමාකාරී, පරීක්ෂා කළ හැකි තීරණ පැකට් එකක් ආපසු ලබා දෙයි.
- •ලොග් මත වෙක්ටර් RAG අසම්බන්ධ කැබැල්ලන් ආපසු ලබා දේ — එය විරුද්ධ තර්කය, අනුමතකරු, පූර්ව නියමය අමතක කරයි.
- •Decision GraphRAG තීරණය ආකාරය සම්පූර්ණයෙන්ම ලබා ගනී, වර්ගීකෘත කඩදාසි මඟින්
- •ආදේශ ග්රාෆ් එකක් අසම්ප්රාප්ත GraphRAG-සම්පූර්ණ ආධාරකයක් වේ: ස්වාභාවික මූල ගැටුම්, උසස් සංඛ්යාත කෙළවර, සීමාසහිත උපග්රාෆ්.
- •ඉවතලන ලදී: හයිබ්රිඩ් ප්රතිපත්ති සොයා ගැනීම, තීරණ පැකේජ, MCP/A2A ප්රතිපත්ති ලබා ගැනීම, ප්රතිඵල ප්රතිචාර, ප්රතිඵල-බර ගණනාව, වාද කාර්යක්ෂමතාව, ස්වයං-උපදෙස් දී ඇති ප්රතිපත්ති — සම්පූර්ණ ගුවන් පීරුව
ඔබගේ නියෝජිතයාට ඔබ පසුගිය වතාවේ කෙසේ තීරණය කළාද යන්න දැනගැනීමට අවශ්යයි.
ඔබ එය ලොග් වල වෙක්ටර් ගබඩාවකට ඉස්සර කරනවා. එය හය කුඩා කොටස් ආපසු ලබා ගනී. ඒවායේ කිසිවක් හේතුව අඩංගු නොවේ.
අයදුම් කර නොමැති ප්රශ්නය
සියලුම ගැටළුකාරී නියෝජිත පද්ධති අවසානයේ මතකයක් අවශ්ය වේ: සමාන තත්වයක් පෙර කෙසේ කළාද යන්න සොයා බැලීමේ හැකියාව සහ සමාන්ය ලෙස ක්රියා කිරීම. 2026 දී පෙරනිමිය වූ පිළිතුර vector RAG වේ — සියල්ල ඇතුළත් කරන්න, ඉහළම-k සමාන කොටස් ලබා ගන්න, ඒවා ප්රසංග කවුළුවට ඇතුළත් කරන්න.
ලේඛන සඳහා, එය ක්රියා කරයි. සියලුම තීන්දු සඳහා, එය නිහතමානීව අසාර්ථක වේ. සහ අසාර්ථකත්වය ව්යුහමය වන අතර, සකස් කිරීමේ ගැටලුවක් නොවේ.
ආදේශයක් පරාගයක් නොවේ. එය සම්බන්ධතා වල කුඩා ජාලයක් වේ: යෝජනාවක්, එයට විරුද්ධ සහ අනුග්රහය කරන තර්ක, සෑම තර්කයක්ම පදනම් වූ සාක්ෂි, කවුද විශේෂිත අවස්ථාව අනුමත කළේ, සහ කුමන අතීත නඩුවක් එය අනුගමනය කළේද. එය පෙළ කොටස් වලට සමාන කර, ඒවා ඇතුළත් කර, ප්රතිපත්ති සම්බන්ධතා කඩවා යන කුඩා කොටස් ආපසු ලබා දේ. ඔබට විරුද්ධ තර්කය නැතිව නිගමනයක් ලැබේ. ඔබට යෝජනාව නැතිව අනුමැතියක් ලැබේ. ඔබට පෙර නඩුවක් සඳහන් කරන වාක්යයක් ලැබේ නමුත් එම පෙර නඩුවම නැත.
මෙය ක්රියාකාරකයන් "චංක සුප්." ලෙස හැඳින්වන්නේය. එය නිසා තීරණ ලොග් මත වෙක්ටර් පමණක් ලබා ගැනීම විශ්වාසදායක බවක් දක්වයි, නමුත් මෘදු ලෙස විශ්වාසය නොමැති බවක් දක්වයි.
චංක සුප් සහ තීරණ පැකට්
| වෙක්ටර් RAG ආපසු ලබාදෙයි | තීරණ ග්රාෆ්RAG ආපසු ලබා දෙයි |
|---|---|
| …"ප්රිමියම් පාරිභෝගිකයාට මුදල් ආපසු ලබා දීම අනුමත කරන ලදී" (0.83) …"ස්වයං අනුමැතිය සඳහා තීරුව $200" (0.79) …"SEV-1 සිදුවීම් තීරුව 2ට ඉහළ නැංවීම" (0.74) | ආශාව: ආපසු ගෙවීම #4521 ($240) ප්රතිලාභ: ප්රිමියම් ගනුදෙනුකරු, වලංගු දෝෂයක් අවාසිය: $200 ස්වයං අනුමත කිරීමේ සීමාව ඉක්මවයි අභිබවා: ජ්යෙෂ්ඨ විශ්ලේෂකයා විසින් අනුමත කරන ලදී (පොලිසිය P-12) පූර්ව නියමය: නඩු #1234 (අනුමත, 0 ආපසු ගෙවීම්) ප්රතිඵල (6මස): රැඳී ඇත, කිසිදු විවාදයක් නැත |
| තුන් කුඩා කොටස්. ඒ අතර සම්බන්ධතා නැත. මෙම ආපසු ගෙවීම ඉහළ සීමාවට වඩාද? කවුද එය අභිබවා ගෙන ඇත්තේ? ඊට පසු කුමක් සිදු වුණාද? කොටස් ඒ ගැන කිව නොහැක. | එක සීමාගත පැකේජයක්. හේතුව, විශේෂණය, පෙරනිමිය, සහ ප්රතිඵලය — සම්බන්ධයි. |
අවස්ථා මොඩලය හෝ කොටස් ප්රමාණය නොවේ. එය පදනම වේ. එකක් තීරණ පිළිබඳ පෙළ ගබඩා කරයි; අනෙක් එක තීරණ ගොනුවක් ලෙස ගබඩා කරයි.
ආකාරයීය සීමා සියල්ල වෙනස් කරන්නේ ඇයි
සාමාන්ය දැනුම් ග්රාෆ් විස්තරාත්මක කෙළවරන් ගබඩා කරයි: "සැලකීම්," "සම්බන්ධයි," "අයිතිකාරයා." එය ඔබට දෙකක් සම්බන්ධ බව කියයි නමුත් ඒක වැදගත් වුනේ කෙසේද කියන්නේ නැහැ.
ආදේශක ග්රාෆ් එක සාමාන්ය කඩුලු සුරකින්නේ — සම්බන්ධතා තර්කය ගෙන එයි:
- •සහාය වේ / විරෝධය කරයි — මෙම වාදය තීරණය ප්රතිඵලය වෙත හෝ එහි සිට ඉවත්වීමට යොමු කළා
- •ප්රතික්ෂේප කරයි — මෙම සාක්ෂි එම ප්රකාශය සෘජුවම විරුද්ධ වේ
- •යෝග්යයි / ආසන්නයි — මෙය පමණක් එක් කොන්දේසියක් යටතේ ක්රියා කරයි
ඉස්සර කාලයේ යන්නෙ හේතු, ග්රාෆ් එකට දැනටමත් කුමක් බර ගන්නෙද කියලා දන්නවා. ප්රතිපත්තිකරණය කුමක්ද කියලා අනුමාන කරන්න ඕනෑ නැහැ — supports කෙළවර ඉතා බරකාරී බව කියනවා. විස්තරාත්මක ග්රාෆ් සෙවීම සක්රීය කරයි. නියමිත ග්රාෆ් නිර්ණය සක්රීය කරයි.
ආදේශ ග්රාෆ් එකක් "GraphRAG-සම්පූර්ණ" වන්නේ කෙසේද
බොහෝ කණ්ඩායම් සාමාන්ය ව්යාපාරික ග්රැෆ් එකක GraphRAG පරීක්ෂා කිරීමට උත්සාහ කරන විට අසාර්ථක වේ. හේතු එකම වේ, සහ තීරණ ග්රැෆ් එක ඒ සියල්ලෙන්ම වළක්වයි:
| ආසාධාරණ GraphRAG කෙසේද අසාර්ථක වේද | ආකාරය ග්රාෆ් එකක් ඇයි නොකරන්නේ |
|---|---|
| ග්රාෆ් එක විශාලයි (මිලියන ගණනක නෝඩ්) | සෑම තීරණයකම උපග්රාෆ් එක කුඩා සහ ස්වයං අඩංගු වේ. |
| ආසන්නතා අඩු සංඛ්යාත ("related_to") වේ. | අන්තර්ගතය සාමාන්ය සහ තර්කය ගෙන යයි. |
| ආරම්භ කිරීමට ස්වාභාවික මූල ගැටයෙක් නැත. | ආදේශය ය මූලික ගැටයුම වේ |
| සංචාරය සඳහා ස්වාභාවික නවත්වන ස්ථානයක් නැත. | ආදේශයක සීමාව අභ්යන්තරයයි — එහි වාද, සාක්ෂි, සහ උපුටා දැක්වූ පෙර නිර්ණය වෙත විශාල කරන්න, පසුව නවත්වන්න. |
ග්රාෆ් එකේ "මහත්මය" එහි ව්යුහයට ඇතුළත් වේ. එය GraphRAG එකට අවශ්ය ගුණාංගයක් වන අතර එය අඩුම වශයෙන් ලැබේ.
හයිබ්රිඩ් රිට්රීවල් පයිප්ලයින්
වෙක්ටර් සහ ග්රාෆ් මෙහි ප්රතිපක්ෂ නොවේ. තීරණ ලබා ගැනීම ආදාන ලක්ෂ්ය සොයා ගැනීමට වෙක්ටර් භාවිතා කරයි සහ සම්පූර්ණ පරිපූර්ණය ලබා ගැනීමට ග්රාෆ් ව්යුහය භාවිතා කරයි. AIAgentree හි මෙය පස්-පියවර පයිප්ලයින්කි (පෙර සොයා ගැනීමේ සේවාව තුළ යැවූ):
වෙක්ටර් සොයාගැනීම තීරණ සහ වාද ඇතුළත් කිරීම් මත — සම්බන්ධිත පසුගිය තීරණ කිහිපයක් සොයාගන්න
සංවිධානය කළ පෙරහන් — කුලීකරුවා, කාණ්ඩය, ආයතන වර්ගය, පෙරනිමි වයස (ඔබට තහවුරු කරන ලද නඩත්තු, කෙටි ලිපි නොව)
ග්රාෆ්-සන්දර්භ විශාලනය — සම්මත කඩඉමන් මඟින් යාමට තීරණයක ආර්ගුමන්ට් සහ සාක්ෂි එකතු කරන්න
ප්රතිඵල-බර ශ්රේණිගත කිරීම — ප්රතිඵලය හොඳින් සිදුවූ පෙරනිමියක්, එය සිදුවීම් වශයෙන් සමාන වුවද හොඳින් සිදුවී නොමැති එකක් වඩා ඉහළින් ශ්රේණිගත වේ.
පැකේජින් — ප්රතිඵලය සකස් කර, නියෝජිතයකට හෝ සමාලෝචකයකට ලබා දීමට සුදානම් වූ සීමාසහිත තීරණ පැකට් එකකට එකතු කරන්න.
කඩිනම් සීමා (උසස් ගැඹුර, උසස් ගණන, කාල සීමාව) විශාලනය ධාවනය වීමෙන් වැළකී සිටී. ප්රතිඵලය කිසිදාම ටෝකන් වල බිත්තියක් නොවේ — එය සම්පූර්ණ, සමාන තීරණ කිහිපයක් පමණි.
ආයතන සඳහා ප්රතිපත්ති: MCP සහ A2A
සමරීම එහි තර්කය කරන විට නියෝජිතයාට එය ෙපැමිණිය හැකි නම් පමණක් ප්රයෝජනවත් වේ. AIAgentree තීරණ ලබා ගැනීම දෙකක් ලෙස ප්රදර්ශනය කරයි:
MCP මත
මොඩල් කන්ටෙක්ස්ට් ප්රොටෝකෝල් සේවාදායකය search_precedents සහ get_packet වැනි මෙවලම් ප්රදර්ශනය කරයි. නියෝජිතය සම්බන්ධිත පෙර තීරණ සඳහා විමසීමක් කරයි සහ තීරණ පැකේජ inline — හේතුකරණයේ මැද, කණ්ඩායම් රැසක් ලෙස නොව — ලබා ගනී.
ආසන්න A2A
ආයුබෝවන්-ආයුබෝවන් නියෝජනයේදී, තීරණ පැකේජය යනු භාණ්ඩය වේ. ලැබෙන නියෝජකයෙකුට යවන ලද නියෝජකයාගේ දත්ත ගබඩාවට ප්රවේශයක් නොමැතිව, තීරණයක සම්පූර්ණ, ස්වයං අඩංගු පරිපේක්ෂය උරුම කරගනී.
පැකේජය නිර්මාණය අනුව ගමන් කළ හැකි වේ — එය තීරණය තේරුම් ගැනීමට සහ යෙදුම් කිරීමට අවශ්ය සියල්ල අඩංගු කරයි, එය විශ්වාස සීමාවක් හරහා ගෙන යාමට ආරක්ෂිත බවට පත් කරයි.
කේතයේ එය කෙසේ පෙනේද
ආකාරය තීරණය කිරීමට යන නියෝජිතයාට පෙර නිර්ණය ලබා ගැනීම:
# 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)කච්චා ලොග් වල ප්රවේශය නොකරන්න. නියෝජිතයා පෙර නිර්ණය මත සිතා සිටී, ඔවුන්ගේ සිතා ගැනීම සම්බන්ධ කර ඇත. මෙම කුඩා කොටස පැහැදිලිත්වය සඳහා Python පාරිභෝගිකයා භාවිතා කරයි — නමුත් එම සොයා ගැනීම (get_packet, search_precedents) MCP SDK නැතිව ලබා ගත හැක, එබැවින් MCP-දේශීය නියෝජිතයෝ නිර්ණයයන් මෙවලම් ලෙස භාවිතා කරයි.
සම්පූර්ණ ස්ටැක් එක යැවී ඇත
අපි ආකර්ෂණීය වීමට වඩා නිවැරදි වීමට කැමතිය. අද සජීවීව ඇති දේ මෙන්න:
සියලු තීරණ සංග්රහය සහ ප්රතිපත්ති ලබා ගැනීම
- ✓නියමිත තීරණ-පTrace දත්ත ආකෘතිය (ලියන ලද වාසියන්)
- ✓හයිබ්රිඩ් ප්රතිපත්ති සොයාගැනීම (ඉහත පියවර පහක්)
- ✓පූර්ව නියෝගය — පළමු ශ්රේණියේ වාදයක් ලෙස අතීත තීරණයක් උපුටා ගන්න.
- ✓තීරණ පැකේජ් එකතු කිරීම
- ✓MCP + A2A මඟින් ප්රතිපත්ති ලබා ගැනීම
- ✓අවශ්යතා පරික්ෂා කළ හැකි, එකතු කිරීමට පමණක් ඉඩ දෙන තීරණ වාර්තා
ආයතනික මතක පියාසැරිය
- ✓ස්වයංක්රීය ප්රතිඵල ප්රතිචාරය — වෙබ්හූක් + පොලින්ග් ආහාරය තීරණ වලට ප්රතිඵල ලිවීම.
- ✓ප්රතිඵල-ගුණාත්මක ලකුණු කිරීම — හොඳ ප්රතිඵල ඇති තීරණ පෙරනිමි සොයා ගැනීමේදී ඉහළින් ශ්රේණිගත වේ
- ✓වාදයේ කාර්යක්ෂමතාව — ඵලදායී ප්රතිඵල වලට පත් වූ වාද මග පෙන්වන්න
- ✓ස්වයං-උපදෙස් දී ඇති පෙර නිර්ණය — මුද්රණ කාලයේදී පෙනී යන සම්බන්ධිත පෙර තීරණ
සම්පූර්ණ වසා ඇති වායුකෝණය සජීවී වේ: ප්රතිඵල ප්රතිපෝෂණය පෙර ප්රමුඛතා වලට ආපසු ගොස්, වාද කාර්යක්ෂමතාවය කුමක් ක්රියා කළේද යන්න පෙනී යයි, සහ නියෝජිතයන්ට තීරණයක් සීල් කරන විට සම්බන්ධිත ප්රමුඛතා ස්වයං-උපදේශිත වේ. ග්රාෆ් උපකරණය එය සම්භව කරයි — සහ දැන් ස්වයං-සංවර්ධන තට්ටුව එහි මැදින් ක්රියා කරයි.
මෙය කුමක් වෙනුවට නොවෙයි
- •ඔබගේ වෙක්ටර් දත්ත ගබඩාව — එය පයිප්ලයින් එකක කොටසක්, පියවර 1
- •ඔබගේ ලේඛනය RAG — ප්රතිපත්ති සහ මාර්ගෝපදේශ ලබා ගැනීමක් වෙනස් කාර්යයක් වේ
- •අවබෝධය මෙවලම් — පරාස, ප්රමාද, සහ ටෝකන් මැට්රික්ස් තවමත් LangSmith/Langfuse ආදීන්ට අයත් වේ.
නිර්ණය ග්රාෆ්RAG සියල්ලන්ගේ ඉහළින් පිහිටා ඇත සහ ඔවුන් කිසිවක් සුරකින්නා වූ කාර්යය අල්ලා ගනී: නිර්ණායකය, එහි හේතු සම්පූර්ණයෙන්ම ලබා ගත හැකි ලෙස.
නිතර අසන ප්රශ්න
AI තීරණ සඳහා GraphRAG කුමක්ද?
GraphRAG (ග්රාෆ්-සංවර්ධිත ප්රතිපත්ති-ආධාරිත ජනනය) යනු පද පෙළ කුඩා කොටස් වර්ගීකරණය කිරීමේදී පමණක් නොව, දැනුම් ග්රාෆ් එකක් හරහා සම්බන්ධතා සොයා ගැනීමයි. AI තීරණ සඳහා, ග්රාෆ් එක යනු සාමාන්ය ආර්ගුමන්ට් ග්රාෆ් එකක් වන අතර - තීරණ, ඒවාට සහය දුන් හෝ විරුද්ධ වූ ප්රතිපත්ති, උපුටා දැමූ සාක්ෂි, සහ යොමු කළ පෙරනිමිති, වර්ගීකරණය කළ කඩදාසි (සහාය, විරුද්ධ, ප්රතික්ෂේප). සොයා ගැනීම වර්ග සොයා ගැනීමෙන් ආරම්භ වේ, එවිට ඒ කඩදාසි හරහා විශාල කරමින් සම්පූර්ණ, සීමාසහිත තීරණ පැකේජයක් ආපසු ලබා දේ, බැහැර වූ කුඩා කොටස් වෙනුවට.
decision GraphRAG කෙසේද vector RAG වලට වඩා ලොග්ස් මත වෙනස්ද?
වෙක්ටර් RAG පෙළ කුඩා කොටස් (ලොග්, පරිවර්තන, ලේඛන) ඇතුළත් කරයි සහ ඉහළ-k සමාන කොටස් ආපසු ලබා දෙයි. එම කොටස් අසම්බන්ධ වේ — ලබාගත් කුඩා කොටසක් තීරණයක නිගමනයක් උපුටා ගන්නා නමුත් එය එය ආපසු හැරවීමට ආසන්න වූ විරුද්ධ තර්කය, විශේෂිතය අනුමත කළ මනුෂ්යයා, හෝ එය පදනම් වූ නියමය අමතක කරනු ඇත. තීරණ ග්රාෆ් RAG තීරණය එහි තර්කය සම්පූර්ණයෙන්ම රැගෙන යන ව්යුහගත ඒකකයක් ලෙස ලබා ගනී, එමෙන්ම සම්බන්ධතා ප්රථම-පන්තියෙන් වර්ගීකෘත කඩදාසි ලෙස ගබඩා කර ඇති බැවින්, කතාපත්රයේ අසාර්ථක ලෙස ඉතිරි නොවේ.
ආදේශ පැකේජයක් කුමක්ද?
ආකාර තීරණ පැකේජයක් යනු ග්රාෆ් තීරණ සොයා ගැනීමේ සීමාසහිත ප්රතිඵලයයි: යම් තීරණයක්, යෝජනාව, ප්රති/පක්ෂ තර්ක ගස, සාක්ෂි සහ එහි ආරම්භය, ඇගයූ ප්රතිපත්ති, එය අනුමත කළ මිනිසුන්, මුද්රාගත ප්රතිඵලය, සහ යම් පෙරනිමියන් සඳහන් කර ඇති ස්වයංක්රීය, ව්යුහගත නියෝජනයකි. එය නියෝජිතයෙකු (හෝ පරීක්ෂකයෙකු) ලොග් රේඛා ගණනක් වෙනුවට ලබා ගන්නා දේය. AIAgentree සුරක්ෂිත තීරණ සටහනෙන් තීරණ පැකේජ එකතු කරයි.
ආශ්රිත ව්යාපාරික ග්රාෆ් වලට වඩා තීරණ ග්රාෆ් එකක් GraphRAG සඳහා හොඳ උපකරණයක් වන්නේ කුමක්ද?
සාමාන්ය ව්යාපාර දැනුම් ග්රාෆ් ගමන් කිරීමට අපහසු වේ: එම ග්රාෆ් විශාල වේ, එහි කෙළවරන් අඩු සංඛ්යාතය ඇති ('සම්බන්ධයි' යන්න කිසිදු තර්කයක් ප්රකාශ නොකරයි), ස්වාභාවික මූල නෝඩයක් නොමැත, සහ විශාලනයට පැහැදිලි නවතා ගැනීමක් නොමැත. තීරණ ග්රාෆ් මෙම සිද්ධීන් හතරම වළක්වා ගනී: සෑම තීරණයක්ම ස්වාභාවික මූලයක් වන අතර, කෙළවරන් ප්රමිතීන් සහ උසස් සංඛ්යාතය ඇති (සහාය/විරෝධය/අසත්යය යන්න සත්ය තර්කය ගෙන එයි), සහ එක් තීරණයක උපග්රාෆ් කුඩා සහ ස්වාභාවිකව සීමාගත වේ. ග්රාෆ් 'කෙසේද වැදගත් වූයේ' යන්න දැනටමත් සංකේතනය කර ඇත, එබැවින් ප්රතිපත්ති දැනුම් ගන්නා විට කුමක් ඇතුළත් කළ යුතුද යන්න දන්නා වේ.
මෙය මගේ වෙක්ටර් දත්ත ගබඩාව හෝ RAG ස්ටැක් එක වෙනුවටද?
නැහැ. වෙක්ටර් සොයා ගැනීම යනු තීරණ ග්රාෆ් RAG හි කොටසක් වන අතර, එයට ප්රතිපක්ෂයක් නොවේ — එම්බඩින්ග්ස් නිවැරදි ඇතුල්වීම් සොයා ගනී, පසුව ග්රාෆ් ව්යුහය සම්පූර්ණ පරිපූර්ණය ලබා ගනී. AIAgentree ඔබේ ක්රියාකාරී පද්ධති සහ ඔබේ පවතින RAG සඳහා තීරණ මට්ටමේ සිටී. එය එම පද්ධති ඉතිහාසය තුළ ගබඩා නොකළ එකම කලාපය අල්ලා ගනී: ව්යුහගත තීරණයම.
ඇත්තෙන්ම කුමක් යැවෙනවාද?
මෙම පෝස්ටුවේ විස්තර කර ඇති සියල්ල යැවී ඇති අතර සජීවී වේ: සාමාන්ය තීරණ-පTrace දත්ත ආකෘතිය, හයිබ්රිඩ් ප්රතිපත්ති සොයා ගැනීම (පැය පියවර 5ක්: වෙක්ටර් සොයා ගැනීම → ව්යුහගත පෙරහන් → ග්රාෆ්-සන්දර්භ විශාලනය → ප්රතිඵල-බර ගණනාව → පැකේජිං), ප්රතිපත්ති උපුටා ගැනීම (පැරණි තීරණයක් ප්රථම-කලාප ආර්ගුමෙන්ට් ලෙස උපුටා ගැනීම), තීරණ පැකේට් එකතු කිරීම, MCP සහ A2A මඟින් නියෝජිතයන්ට ප්රතිපත්ති ලබා දීම, ස්වයංක්රීය ප්රතිඵල ප්රතිපෝෂණය (වෙබ්හූක් + පොලීන්ග් ආහාරය), ප්රතිඵල-ගුණාත්මක ලකුණු කිරීම, එය ප්රතිපත්ති ශ්රේණිගත කිරීම් වර්ධනය කරයි, ආර්ගුමෙන්ට්-කාර්යක්ෂමතාව අනුගමනය කිරීම (කොන්සර්ට් ප්රතිඵල හොඳ ප්රතිඵල ලබා දුන්නා), සහ මුද්රණය මත ස්වයං-උපදෙස් දී ඇති ප්රතිපත්ති. සම්පූර්ණ 'සංස්ථාපන මතක පියාසල' සජීවී සහ වසා ඇති පරිපාලනයකි.
ආකල්පන කාලයේදී නියෝග ලබා ගැනීමේදී නියෝජිතයන් කෙසේද?
මොඩල් කොන්ටෙක්ස්ට් ප්රොටෝකෝලය (MCP) සහ නියෝජක-ටු-නියෝජක (A2A) නියෝජනය මඟින්. AIAgentree මගින් MCP සේවාදායකය මත search_precedents සහ get_packet වැනි මෙවලම් ප්රදර්ශනය කරයි, එම නිසා නියෝජකයෙකුට සම්බන්ධිත පෙර තීරණ සොයා ගැනීමට සහ තීරණ පැකේජ ලබා ගැනීමට හැකියාව ඇත. A2A නියෝජනයේදී, තීරණ පැකේජය යනු නියෝජකයන් අතර මාරු කරන ස්වයං අඩංගු පේලෝඩ් එකක් වන අතර, එම නිසා ලැබෙන නියෝජකයෙකුට යැවූ නියෝජකයාගේ දත්ත ගබඩාවට ප්රවේශය නොමැතිව තීරණයක සම්පූර්ණ පරිපේක්ෂය උරුම කරගනී.
සම්බන්ධිත විෂයයන්
සම්බන්ධිත ලිපි
ආයුබෝවන් තීරණ සත්යාපන ලැබිය යුතුය: කුමක්ද තීරණ සොයා ගැනීම AI පාලනයේ අහිමි තට්ටුවක් බව?
සියලුම මූල්ය ගනුදෙනු සඳහා ලැබෙන්නේ ලිපිගොනු. සියලුම නීතිමය ගිවිසුම් සඳහා ලැබෙන්නේ අත්සන. නමුත් මිලියන ගණනක් වූ ජනතාවට බලපාන AI තීරණ? දෘශ්යමය නොවේ. තීරණ සොයා ගැනීම, සෑම AI තීරණයකම පසුබැසීමේ හේතුව අල්ලාගෙන එය වෙනස් කරයි.
EU AI නීතියේ ලිපි 6: ඔබේ AI නියෝජිතයන් සඳහා උසස් අවදානම් වර්ගීකරණය යනු කුමක්ද
EU AI නීතියේ ලිපි 6 ක් ඔබගේ AI පද්ධතිය "ඉහළ අවදානම්" බව තීරණය කරයි — සහ අනිවාර්ය පරීක්ෂණ මාර්ගය අවශ්යතා ක්රියාත්මක කරයි. ඔබගේ නියෝජිතයන් ණය, රැකියා, අධ්යාපනය, හෝ සෞඛ්යය පිළිබඳ තීරණ ගනී නම්, 2027 දෙසැම්බර් මසට පෙර අනුසන්ධි III වර්ගීකරණය තේරුම් ගන්න අවශ්ය වේ.
AI පර්යේෂණ සංයෝජනය කුමක්ද?
ග්රාෆ් පදනම් වූ තීරණ ලබා ගැනීම පර්යේෂණය සමඟ හමුවෙයි: බහු ආකෘති සොයාගැනීම් එකක් වශයෙන් ව්යුහගත, ගුණාත්මක සංයෝජනයකට එකතු කිරීම.
AIAgentree කණ්ඩායම
තීරණ ආධාරකය
AIAgentree කණ්ඩායම AI එජන්ට් සඳහා තීරණ සොයා ගැනීම සහ ගබඩා කිරීමේ ආධාරකය නිර්මාණය කරයි. අපගේ මෙහෙවර වන්නේ AI තර්කය දැකිය හැකි, පරීක්ෂා කළ හැකි, ලබා ගත හැකි, සහ සංවර්ධනය කළ හැකි බවට පත් කිරීමයි.
ඔබේ එජන්ට්ටා සඳහා ලබා ගැනීමට වටිනා මතකයක් ලබා දෙන්න.
තීරණ ග්රැෆ් එකක් ලෙස ගබඩා කරන්න, ලොග් එකක් ලෙස නොවේ — සහ සීමාකාරී තීරණ පැකට් එකක් ලෙස ලබා ගන්න. නිදහස් තට්ටුවක් ලබා ගත හැක, ණය කාඩ්පතක් අවශ්ය නැත.
නිදහස් ආරම්භ කරන්න