AI నిర్ణయాల కోసం GraphRAG
GraphRAG (గ్రాఫ్-ఉన్నత పునరుద్ధరణ-వృద్ధి ఉత్పత్తి) కంటెక్స్ట్ను ఒక జ్ఞాన గ్రాఫ్ను దాటించడం ద్వారా తిరిగి పొందుతుంది, కేవలం పాఠ్య చంకులను వెక్టర్ సమానత్వం ద్వారా ర్యాంక్ చేయడం కాకుండా. AI ఏజెంట్ నిర్ణయాల కోసం, గ్రాఫ్ ఒక నార్మేటివ్ వాదన గ్రాఫ్: నిర్ణయాలు, వాటిని మద్దతు లేదా వ్యతిరేకంగా ఉన్న ప్రో మరియు కాన్ వాదనలు, ఉల్లేఖించిన సాక్ష్యం, మరియు టైప్ చేసిన ఎడ్జ్ల ద్వారా అనుసంధానిత ప్రాధమికాలు (మద్దతు, వ్యతిరేకంగా, తిరస్కరించు). నిర్ణయ పునరుద్ధరణ ఒక హైబ్రిడ్ పైప్లైన్ — వెక్టర్ శోధన సంబంధిత నిర్ణయాలను కనుగొంటుంది, తరువాత గ్రాఫ్ విస్తరణ పూర్తి, పరిమిత కంటెక్స్ట్ను పొందుతుంది — మరియు దాని అవుట్పుట్ ఒక నిర్ణయ ప్యాకెట్: ప్రతిపాదన, వాదన చెట్టు, సాక్ష్యం, విధానాలు, ఆమోదాలు, ఫలితం, మరియు ఉల్లేఖించిన ప్రాధమికాల యొక్క స్వతంత్ర రికార్డు. ఇది లాగ్లపై వెక్టర్-మాత్రం RAGని మించిస్తుంది, ఇది వ్యతిరేక వాదనలు, ఆమోదాలు, మరియు ప్రాధమికాలను మిస్ అయ్యే అనుసంధానిత చంకులను తిరిగి ఇస్తుంది. ఒక నిర్ణయ గ్రాఫ్ అనూహ్యంగా మంచి GraphRAG ఉపరితలంగా ఉంది ఎందుకంటే ప్రతి నిర్ణయం ఒక సహజ రూట్ నోడ్, ఎడ్జ్లు అధిక-సిగ్నల్ (వాటిలో తర్కన ఉంది), మరియు ప్రతి నిర్ణయానికి సంబంధించిన ఉపగ్రాఫ్ చిన్న మరియు పరిమితమైనది. AIAgentree పూర్తి స్టాక్ను అమలు చేస్తుంది: నిర్ణయ-ట్రేస్ డేటా మోడల్, హైబ్రిడ్ ప్రాధమిక శోధన, ప్రాధమిక ఉల్లేఖన, నిర్ణయ ప్యాకెట్ అసెంబ్లీ, MCP మరియు A2A పై పునరుద్ధరణ, ఆటోమేటిక్ ఫలిత ఫీడ్బ్యాక్, ఫలిత-గుణాత్మక స్కోరింగ్, వాదన-ప్రభావిత ట్రాకింగ్, మరియు సీల్పై ఆటో-సజెస్ట్ చేసిన ప్రాధమికాలు — పూర్తి సంస్థ-మెమరీ ఫ్లైవీల్ పంపబడింది మరియు ప్రత్యక్షంగా ఉంది.
ప్రశ్న "AI నిర్ణయాలను నిల్వ చేయాలా?" కాదు — ఇది "మేము వాటిని ఏమిలో నిల్వ చేయాలి?" వాటిని పాఠ్యంగా నిల్వ చేస్తే, మీరు వెక్టర్ RAG యొక్క చంక్ సూప్ పొందుతారు. వాటిని నార్మేటివ్ వాదన గ్రాఫ్గా నిల్వ చేస్తే, పునరుద్ధరణ పరిమిత, ఆడిటబుల్ నిర్ణయ ప్యాకెట్ను తిరిగి ఇస్తుంది.
- •లాగ్లపై వెక్టర్ RAG అనుసంధానిత భాగాలను తిరిగి ఇస్తుంది — ఇది ప్రతిస్పందన, ఆమోదకర్త, నిబంధనను కోల్పోతుంది
- •డిసిషన్ గ్రాఫ్ఆర్ఏజి నిర్ణయాన్ని దాని తర్కం intact తో, టైప్డ్ ఎడ్జ్ల ద్వారా పొందుతుంది.
- •ఒక నిర్ణయ గ్రాఫ్ అనేది అరుదైన GraphRAG-perfect ఉపరితలము: సహజ మూల నోడ్లు, అధిక సంకేత ఎడ్జ్లు, పరిమిత ఉపగ్రాఫ్లు
- •షిప్ చేయబడింది: హైబ్రిడ్ ప్రీసిడెంట్ శోధన, నిర్ణయ ప్యాకెట్లు, MCP/A2A పునరుద్ధరణ, ఫలిత ఫీడ్బ్యాక్, ఫలిత-భారిత ర్యాంకింగ్, వాదన ప్రభావితత్వం, ఆటో-సజెస్ట్ చేసిన ప్రీసిడెంట్స్ — పూర్తి ఫ్లైవీల్
మీ ఏజెంట్ మీరు చివరి సారి ఎలా నిర్ణయించారో తెలుసుకోవాలి.
మీరు దీన్ని లాగ్ల యొక్క వెక్టర్ స్టోర్కి చూపిస్తారు. ఇది ఆరు స్నిప్పెట్లను తిరిగి పొందుతుంది. వాటిలో ఎవరూ కారణాన్ని కలిగి ఉండరు.
ఎవరూ పేరు పెట్టని పునరుద్ధరణ సమస్య
ప్రతి గంభీరమైన ఏజెంట్ వ్యవస్థ చివరికి జ్ఞాపకాన్ని అవసరం చేస్తుంది: ఒక సమానమైన పరిస్థితిని ఎలా నిర్వహించారో చూడటానికి మరియు స్థిరంగా చర్య తీసుకోవడానికి సామర్థ్యం. 2026లో డిఫాల్ట్ సమాధానం వెక్టార్ RAG — అన్ని విషయాలను ఎంబెడ్ చేయండి, అత్యంత సమానమైన టాప్-k చంక్లను పొందండి, వాటిని సందర్భం కిటికీలో నింపండి.
పత్రాల కోసం, అది పనిచేస్తుంది. నిర్ణయాల కోసం, ఇది నిశ్శబ్దంగా విఫలమవుతుంది. మరియు విఫలం నిర్మాణాత్మకంగా ఉంది, ట్యూనింగ్ సమస్య కాదు.
ఒక నిర్ణయం ఒక పేరాగ్రాఫ్ కాదు. ఇది సంబంధాల ఒక చిన్న జాలం: ఒక ప్రతిపాదన, దానికి అనుకూలంగా మరియు వ్యతిరేకంగా ఉన్న వాదనలు, ప్రతి వాదన ఆధారపడిన సాక్ష్యం, ఎవరూ మినహాయింపును ఆమోదించారు, మరియు ఇది ఏ గత కేసును అనుసరించింది. వాటిని పాఠ్య భాగాలుగా సమతలీకరించి, వాటిని ఎంబెడ్ చేస్తే, తిరిగి పొందడం సంబంధాలను తిరగొట్టిన ముక్కలను అందిస్తుంది. మీరు ప్రతివాదం లేకుండా ముగింపు పొందుతారు. మీరు కారణం లేకుండా ఆమోదం పొందుతారు. మీరు ప్రాధమికాన్ని ప్రస్తావించే వాక్యం పొందుతారు కానీ ప్రాధమికం స్వయంగా ఉండదు.
ఇది ప్రాక్టిషనర్లు "చంక్ సూప్." అని పిలుస్తారు. ఇది నిర్ణయ లాగ్లపై వెక్టర్-మాత్రం తిరిగి పొందడం ఎందుకు నమ్మకంగా అనిపిస్తుందో మరియు సున్నితంగా నమ్మకహీనంగా ఉందో.
చంక్ సూప్ vs. నిర్ణయ ప్యాకెట్
| వెక్టార్ RAG తిరిగి వస్తుంది | నిర్ణయ గ్రాఫ్RAG తిరిగి ఇస్తుంది |
|---|---|
| …"ప్రీమియం కస్టమర్ కోసం రిఫండ్ ఆమోదించబడింది" (0.83) …"ఆటో-ఆమోదానికి త్రెషోల్డ్ $200" (0.79) …"SEV-1 సంఘటనలను టియర్ 2కి పెంచండి" (0.74) | ప్రతిపాదన: రిఫండ్ #4521 ($240) ఆమోదించండి ప్రో: ప్రీమియం కస్టమర్, చెల్లుబాటు అయ్యే లోటు కాన్: $200 ఆటో-ఆమోదం సరిహద్దును మించుతుంది ఓవర్రైడ్: సీనియర్ విశ్లేషకుడు ఆమోదించారు (నీతిని P-12) ప్రాధమిక ఉదాహరణ: కేసు #1234ని ఉల్లేఖిస్తుంది (ఆమోదించబడింది, 0 చార్జ్బ్యాక్స్) ఫలితం (6మో): నిలుపుదల, ఎలాంటి వివాదం లేదు |
| మూడు సాధ్యమైన భాగాలు. వాటి మధ్య ఎలాంటి సంబంధాలు లేవు. ఈ రిఫండ్ తీరం పై ఉందా? ఎవరు దాన్ని అధిగమించారు? తర్వాత ఏమి జరిగింది? ఈ భాగాలు చెప్పలేవు. | ఒక పరిమిత ప్యాకెట్. తర్కం, మినహాయింపు, నిబంధన, మరియు ఫలితం — అనుసంధానించబడ్డాయి. |
తేడా ఎంబెడింగ్ మోడల్ లేదా చంక్ పరిమాణం కాదు. ఇది సబ్స్ట్రేట్. ఒకటి నిర్ణయాల గురించి పాఠ్యాన్ని నిల్వ చేస్తుంది; మరొకటి నిర్మాణంగా నిర్ణయాలను నిల్వ చేస్తుంది.
ఎందుకు నార్మేటివ్ ఎడ్జ్లు అన్నీ మారుస్తాయి
సామాన్య జ్ఞాన గ్రాఫ్లు వివరణాత్మక అంచులను నిల్వ చేస్తాయి: "ఉల్లేఖనాలు," "సంబంధిత," "కన్యాకుమారిగా." అవి మీకు రెండు విషయాలు అనుసంధానించబడ్డాయని చెబుతాయి కానీ అది ఎందుకు ముఖ్యమో చెప్పవు.
ఒక నిర్ణయ గ్రాఫ్ నియమిత అంచులను నిల్వ చేస్తుంది — సంబంధాలు తర్కాన్ని కలిగి ఉంటాయి:
- •మద్దతు ఇస్తుంది / విరోధిస్తుంది — ఈ వాదన నిర్ణయాన్ని ఫలితానికి దగ్గరగా లేదా దూరంగా నడిపించింది
- •తిరస్కరిస్తుంది — ఈ సాక్ష్యం ఆ ఆరోపణను ప్రత్యక్షంగా విరుద్ధంగా ఉంది
- •అర్హత పొందుతుంది / ఆధారపడుతుంది — ఇది కేవలం ఒక పరిస్థితి కింద మాత్రమే ఉంటుంది
ఎందుకంటే ఎడ్జ్ రకం అది తర్కం, గ్రాఫ్ ఇప్పటికే ఏమిటి లోడ్-బేరింగ్ అని తెలుసు. పునఃప్రాప్తి పది ప్రస్తావించిన వాస్తవాలలో ఏది కాల్ను నిజంగా నడిపించిందో ఊహించాల్సిన అవసరం లేదు — అధిక బరువు ఉన్న సపోర్ట్స్ ఎడ్జ్లు అలా చెబుతున్నాయి. వివరణాత్మక గ్రాఫ్లు శోధనను సాధ్యంగా చేస్తాయి. నార్మేటివ్ గ్రాఫ్లు న్యాయమూర్తిను సాధ్యంగా చేస్తాయి.
ఎందుకు నిర్ణయ గ్రాఫ్ "గ్రాఫ్ఆర్ఏజి-పర్ఫెక్ట్" గా ఉంది
అనేక టీమ్స్ సాధారణ ఎంటర్ప్రైజ్ గ్రాఫ్పై GraphRAGని ప్రయత్నించినప్పుడు విరమిస్తాయి. కారణాలు స్థిరంగా ఉంటాయి, మరియు ఒక నిర్ణయ గ్రాఫ్ వాటిలో ప్రతి ఒక్కదానిని నివారిస్తుంది:
| ఎందుకు సాధారణ GraphRAG కష్టపడుతుంది | ఎందుకు ఒక నిర్ణయ గ్రాఫ్ పనిచేయదు |
|---|---|
| గ్రాఫ్ చాలా పెద్దది (కోటి సంఖ్యలో నోడ్లు) | ప్రతి నిర్ణయానికి సంబంధించిన ఉపగ్రాఫ్ చిన్నది మరియు స్వయంగా సమగ్రంగా ఉంటుంది. |
| ఎడ్జ్లు తక్కువ సంకేతం ("related_to") ఉన్నాయి | ఎడ్జ్లు ప్రమాణాత్మకంగా ఉంటాయి మరియు తర్కాన్ని తీసుకెళ్తాయి |
| ప్రారంభించడానికి సహజ మూల నోడ్ లేదు | తీర్మానం మూల నోడ్. |
| సంచారం కు సహజంగా ఆపే స్థానం లేదు | ఒక నిర్ణయానికి సంబంధించిన సరిహద్దు అంతర్గతంగా ఉంటుంది — దాని వాదనలు, సాక్ష్యాలు మరియు ఉల్లేఖించిన నిబంధనలకు విస్తరించండి, తరువాత ఆపండి. |
గ్రాఫ్లో "ఏది ముఖ్యమో" దాని నిర్మాణంలో నిర్మితమైంది. అది GraphRAGకి అవసరమైన లక్షణం మరియు ఇది అరుదుగా పొందుతుంది.
హైబ్రిడ్ రిట్రీవల్ పైప్లైన్
వెక్టార్లు మరియు గ్రాఫ్లు ఇక్కడ ప్రత్యర్థులు కాదు. నిర్ణయ పునఃప్రాప్తి ఎంట్రీ పాయింట్లను కనుగొనడానికి వెక్టార్లను ఉపయోగిస్తుంది మరియు పూర్తి సందర్భాన్ని పొందడానికి గ్రాఫ్ నిర్మాణాన్ని ఉపయోగిస్తుంది. AIAgentreeలో ఇది ఐదు దశల పైప్లైన్ (మునుపటి-శోధన సేవలో పంపబడింది):
వెక్టార్ శోధన నిర్ణయ మరియు వాదన ఎంబెడింగ్స్ పై — సంబంధిత గత నిర్ణయాలను కనుగొనండి
సంరచిత ఫిల్టర్లు — అద్దెదారు, వర్గం, entidade రకం, ప్రాధమిక పరిపక్వత (కాబట్టి మీరు ధృవీకరించిన కేసులను పొందుతారు, ముసాయిదాలు కాదు)
గ్రాఫ్-సందర్భ విస్తరణ — ప్రతి నిర్ణయానికి సంబంధించిన వాదనలు మరియు సాక్ష్యాలను ఆకర్షించడానికి ప్రమాణాత్మక అంచులను నడవండి
ఫలిత-భారిత ర్యాంకింగ్ — ఫలితం బాగా వచ్చిన ఒక ఉదాహరణ, ఉపరితలంగా సమానమైన కానీ బాగా రాకపోయినదానికంటే పైగా ఉంటుంది
ప్యాకేజింగ్ — ఫలితాన్ని ఏజెంట్ లేదా సమీక్షకుడికి ఇవ్వడానికి సిద్ధంగా ఉన్న బౌండెడ్ డిసిషన్ ప్యాకెట్లలో సమీకరించండి
కఠిన పరిమితులు (గరిష్ట లోతు, గరిష్ట నోడ్లు, టైమ్ఔట్) విస్తరణను నియంత్రించడానికి సహాయపడతాయి. అవుట్పుట్ ఎప్పుడూ టోకెన్ల గోడ కాదు — ఇది పూర్తిగా, పోల్చదగిన నిర్ణయాల చిన్న సంఖ్య.
ఏజెంట్ల కోసం పునరుద్ధరణ: MCP మరియు A2A
స్మృతి అనేది ఏజెంట్ దానిని తర్కిస్తున్నప్పుడు చేరగలిగితే మాత్రమే ఉపయోగకరంగా ఉంటుంది. AIAgentree నిర్ణయాన్ని పొందడానికి రెండు మార్గాలను అందిస్తుంది:
ఓవర్ MCP
మోడల్ కాంటెక్స్ట్ ప్రోటోకాల్ సర్వర్ search_precedents మరియు get_packet వంటి సాధనాలను అందిస్తుంది. ఒక ఏజెంట్ సంబంధిత మునుపటి నిర్ణయాలను అడుగుతుంది మరియు నిర్ణయ ప్యాకెట్లను ఇన్లైన్లో — ఆలోచన మధ్యలో, బ్యాచ్ ఉద్యోగంగా కాదు — అందుకుంటుంది.
ఓవర్ A2A
ఏజెంట్-తొ ఏజెంట్ ప్రతినిధిత్వంలో, నిర్ణయ ప్యాకెట్ పేమెంట్. ఒక స్వీకరించే ఏజెంట్, పంపిన వ్యక్తి యొక్క డేటాబేస్కు యాక్సెస్ లేకుండా, ఒక నిర్ణయానికి సంబంధించిన పూర్తి, స్వతంత్ర సందర్భాన్ని వారసత్వం పొందుతుంది.
ప్యాకెట్ డిజైన్ ద్వారా పోర్టబుల్గా ఉంది — ఇది నిర్ణయాన్ని అర్థం చేసుకోవడానికి మరియు దాన్ని అన్వయించడానికి అవసరమైన అన్ని విషయాలను కలిగి ఉంది, ఇది నమ్మక సరిహద్దు దాటడానికి సురక్షితంగా మారుస్తుంది.
కోడ్లో ఇది ఎలా కనిపిస్తుంది
ఏజెంట్ తీసుకోబోయే నిర్ణయానికి మునుపటి ఉదాహరణను పొందడం:
# 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)కచ్చితమైన లాగ్లను ప్రాంప్ట్-స్టఫింగ్ చేయడం లేదు. ఏజెంట్ గత నిర్ణయాలపై ఆలోచిస్తుంది, వాటి ఆలోచనతో పాటు. స్పష్టత కోసం ఈ స్నిప్పెట్ Python క్లయింట్ను ఉపయోగిస్తుంది — కానీ అదే పునరుద్ధరణ (get_packet, search_precedents) MCP SDK లేకుండా అందుబాటులో ఉంది, కాబట్టి MCP-స్థానిక ఏజెంట్ సాధనాలుగా నిర్ణయాలను వినియోగిస్తుంది.
ఫుల్ స్టాక్ పంపబడింది
మేము ఆకర్షణీయమైనదానికంటే ఖచ్చితమైనదే మక్కువ. ఇవాళ ప్రత్యక్షంగా ఉన్నది:
నిర్ణయాన్ని పట్టుకోవడం & తిరిగి పొందడం
- ✓నార్మేటివ్ నిర్ణయ-ట్రేస్ డేటా మోడల్ (టైప్డ్ ఆర్గ్యుమెంట్ ఎడ్జెస్)
- ✓హైబ్రిడ్ ప్రీసిడెంట్ శోధన (ముందు ఉన్న ఐదు దశల పైప్లైన్)
- ✓ప్రాధమిక వాదనగా గత నిర్ణయాన్ని ఉల్లేఖించండి — ప్రాధమిక ఉల్లేఖన
- ✓నిర్ణయ ప్యాకెట్ అసెంబ్లీ
- ✓MCP + A2A పై పునరుద్ధరణ
- ✓తప్పుల నిరూపణ, జోడించడానికి మాత్రమే అనుమతించే నిర్ణయ రికార్డులు
సంస్థాగత జ్ఞాపక ఫ్లైవీల్
- ✓ఆటోమేటిక్ ఫలిత ఫీడ్బ్యాక్ — వెబ్హుక్ + పోలింగ్ ఇంజెక్షన్ నిర్ణయాలపై ఫలితాలను తిరిగి రాస్తుంది
- ✓ఫలిత-నాణ్యత స్కోరింగ్ — మంచి ఫలితాలతో ఉన్న నిర్ణయాలు ప్రాధమికత శోధనలో ఎక్కువగా ర్యాంక్ అవుతాయి
- ✓వాదాల ప్రభావం — ఏ వాదాలు సానుకూల ఫలితాలకు దారితీసినాయో ట్రాక్ చేయండి
- ✓ఆటో-సజెస్ట్ చేసిన ప్రీసిడెంట్స్ — సీల్ సమయానికి సంబంధిత మునుపటి నిర్ణయాలు వెలుగులోకి వచ్చాయి
పూర్తి మూసివేసిన లూప్ ఫ్లైవీల్ ప్రత్యక్షంగా ఉంది: ఫలితాల ఫీడ్బ్యాక్ పూర్వ ర్యాంకింగ్లలోకి తిరిగి ప్రవహిస్తుంది, వాదనల ప్రభావితత్వం ఏమి పనిచేసిందో చూపిస్తుంది, మరియు ఏజెంట్లు ఒక నిర్ణయాన్ని ముద్రించేటప్పుడు సంబంధిత పూర్వ ఉదాహరణలను ఆటో-సజెస్ట్ చేయబడతాయి. గ్రాఫ్ సబ్స్ట్రేట్ ఇది సాధ్యమవుతుంది — మరియు ఇప్పుడు స్వయంగా మెరుగుపడే పొర దాని పై నడుస్తోంది.
ఇది ఏమి భర్తీ చేయదు
- •మీ వెక్టర్ డేటాబేస్ — ఇది పైప్లైన్లోని ఒక భాగం, దశ 1
- •మీ డాక్యుమెంట్ RAG — విధానాలు మరియు మాన్యువల్ని పొందడం ఒక వేరే పని
- •అవగాహన సాధనాలు — స్పాన్లు, ఆలస్యం, మరియు టోకెన్ మీట్రిక్స్ ఇంకా LangSmith/Langfuse మొదలైన వాటికి చెందుతాయి.
డిసిషన్ గ్రాఫ్ఆర్ఏజి వీటిలో అందరి మీద ఉంది మరియు వీటిలో ఎవరూ నిల్వ చేయని ఆర్టిఫాక్ట్ను పట్టిస్తుంది: దాని తర్కం intactగా అందుబాటులో ఉన్న నిర్మిత నిర్ణయం.
అధికంగా అడిగే ప్రశ్నలు
AI నిర్ణయాల కోసం GraphRAG అంటే ఏమిటి?
GraphRAG (గ్రాఫ్-ఎన్హాన్స్డ్ రిట్రీవల్-ఆగ్మెంటెడ్ జనరేషన్) కేవలం వాక్య భాగాలను వెక్టర్ సమానత్వం ద్వారా ర్యాంక్ చేయడం కాకుండా, ఒక జ్ఞాన గ్రాఫ్ను దాటించి సందర్భాన్ని పొందుతుంది. AI నిర్ణయాల కోసం, గ్రాఫ్ ఒక నార్మేటివ్ ఆర్గ్యుమెంట్ గ్రాఫ్ — నిర్ణయాలు, వాటిని మద్దతు ఇచ్చిన లేదా వ్యతిరేకించిన ప్రో/కాన్ ఆర్గ్యుమెంట్లు, ఉల్లేఖించిన సాక్ష్యాలు, మరియు సూచించిన ప్రాధమికాలు, టైప్ చేసిన ఎడ్జ్ల ద్వారా కనెక్ట్ చేయబడ్డాయి (మద్దతు, వ్యతిరేకం, ఖండన). రిట్రీవల్ సంబంధిత నిర్ణయాలను కనుగొనడానికి వెక్టర్ శోధన నుండి ప్రారంభమవుతుంది, తరువాత ఆ ఎడ్జ్ల ద్వారా విస్తరించి, విడిపోయిన స్నిప్పెట్ల బదులు పూర్తి, పరిమిత నిర్ణయ ప్యాకెట్ను తిరిగి ఇస్తుంది.
డిసిషన్ GraphRAG వి లాగ్లపై వెక్టర్ RAG కంటే ఎలా వేరుగా ఉంది?
వెక్టార్ RAG పాఠ్యపు భాగాలను (లాగ్లు, ట్రాన్స్క్రిప్ట్లు, డాక్యుమెంట్లు) ఎంబెడ్ చేస్తుంది మరియు అత్యంత సమానమైన భాగాలను టాప్-k గా తిరిగి ఇస్తుంది. ఆ భాగాలు అనుసంధానించబడలేదు — ఒక పొందిన స్నిప్పెట్ ఒక నిర్ణయానికి సంబంధించిన ముగింపును ఉటంకించవచ్చు కానీ దానిని Nearly తిరగద్రోపించిన కౌంటర్ ఆర్గ్యుమెంట్, మినహాయింపు ఆమోదించిన వ్యక్తి లేదా దానికి ఆధారంగా ఉన్న ప్రీసిడెంట్ను మిస్ చేయవచ్చు. డిసిషన్ గ్రాఫ్ RAG నిర్ణయాన్ని దాని తర్కం intact గా ఉన్న నిర్మిత యూనిట్గా తిరిగి పొందుతుంది, ఎందుకంటే సంబంధాలు మొదటి-తరగతి టైప్డ్ ఎడ్జ్లుగా నిల్వ చేయబడతాయి, ప్రోస్లో అర్థం చేసుకోకుండా వదిలివేయబడవు.
నిర్ణయ ప్యాకెట్ అంటే ఏమిటి?
ఒక నిర్ణయ ప్యాకెట్ అనేది గ్రాఫ్ నిర్ణయ పునరుద్ధరణ యొక్క పరిమిత అవుట్పుట్: ఒక నిర్ణయానికి సంబంధించిన స్వతంత్ర, నిర్మిత ప్రతినిధి, ఇందులో ప్రతిపాదన, ప్రో/కాన్ వాదన చెట్టు, సాక్ష్యం మరియు దాని మూలం, అంచనా వేయబడిన విధానాలు, దానిని ఆమోదించిన వ్యక్తులు, ముద్రిత ఫలితం మరియు ఉల్లేఖించబడిన ఏదైనా నిబంధనలు ఉన్నాయి. ఇది ఏజెంట్ (లేదా ఆడిటర్) లాగ్ లైన్ల కుప్పల బదులు పొందే విషయం. AIAgentree నిల్వ చేయబడిన నిర్ణయ ట్రేస్ నుండి నిర్ణయ ప్యాకెట్లను సేకరిస్తుంది.
ఒక నిర్ణయ గ్రాఫ్ GraphRAG కోసం మంచి ఉపరితలంగా ఎందుకు ఉంది, సాధారణ సంస్థ గ్రాఫ్లు ఎందుకు కాదు?
సామాన్య సంస్థ జ్ఞాన గ్రాఫ్లను అన్వేషించడం కష్టం: అవి విస్తృతంగా ఉంటాయి, వాటి అంచులు తక్కువ సంకేతం కలిగి ఉంటాయి ('సంబంధిత' అనేది ఏమైనా తర్కాన్ని తెలియజేయదు), సహజ మూల నోడ్ లేదు, మరియు విస్తరణకు స్పష్టమైన ఆపివేత పాయింట్ లేదు. ఒక నిర్ణయ గ్రాఫ్ ఈ నాలుగు సమస్యలను నివారిస్తుంది: ప్రతి నిర్ణయం ఒక సహజ మూల, అంచులు ప్రమాణాత్మక మరియు అధిక సంకేతం కలిగి ఉంటాయి (సమర్థిస్తుంది/విరోధిస్తుంది/తిరస్కరిస్తుంది నిజమైన తర్కాన్ని కలిగి ఉంటాయి), మరియు ఒకే నిర్ణయానికి చెందిన ఉపగ్రాఫ్ చిన్నది మరియు సహజంగా పరిమితమైనది. గ్రాఫ్ ఇప్పటికే 'ఏది ముఖ్యమో'ని సంకేతీకరించింది, కాబట్టి పునఃప్రాప్తి ఏమి చేర్చాలో తెలుసుకుంటుంది.
ఇది నా వెక్టర్ డేటాబేస్ లేదా RAG స్టాక్ను భర్తీ చేస్తుందా?
లేదు. వెక్టర్ శోధన అనేది నిర్ణయ గ్రాఫ్ RAG యొక్క ఒక భాగం, దానికి పోటీగా కాదు — ఎంబెడింగ్స్ సరైన ప్రవేశ బిందువులను కనుగొంటాయి, తరువాత గ్రాఫ్ నిర్మాణం పూర్తి సందర్భాన్ని పొందుతుంది. AIAgentree మీ ఆపరేషనల్ సిస్టమ్స్ మరియు మీ ఉన్న RAG కోసం నిర్ణయ స్థాయిలో ఉంది. ఇది ఆ సిస్టమ్స్ చరిత్రాత్మకంగా నిల్వ చేయని ఒకే ఒక ఆర్టిఫాక్ట్ను పట్టిస్తుంది మరియు తిరిగి పొందుతుంది: నిర్మితమైన నిర్ణయం స్వయంగా.
ఏం పంపబడింది?
ఈ పోస్ట్లో వివరించిన ప్రతీది పంపబడింది మరియు ప్రత్యక్షంగా ఉంది: ప్రమాణ నిర్ణయ-చిహ్న డేటా మోడల్, హైబ్రిడ్ ప్రీసిడెంట్ శోధన (ఒక ఐదు-దశా పైప్లైన్: వెక్టర్ శోధన → నిర్మాణాత్మక ఫిల్టర్లు → గ్రాఫ్-సందర్భ విస్తరణ → ఫలిత-భారిత ర్యాంకింగ్ → ప్యాకేజింగ్), ప్రీసిడెంట్ ఉల్లేఖన (గత నిర్ణయాన్ని మొదటి-తరగతి వాదనగా ఉల్లేఖించడం), నిర్ణయ ప్యాకెట్ అసెంబ్లీ, MCP మరియు A2A ద్వారా ఏజెంట్లకు అందించిన పునరుద్ధరణ, ఆటోమేటిక్ ఫలిత ఫీడ్బ్యాక్ (వెబ్హుక్ + పోలింగ్ ఇంజెక్షన్), ప్రీసిడెంట్ ర్యాంకింగ్లను పెంచే ఫలిత-నాణ్యత స్కోరింగ్, వాదన-ప్రభావితత్వ ట్రాకింగ్ (ఎలాంటి వాదనలు మంచి ఫలితాలకు దారితీస్తాయో), మరియు సీల్పై ఆటో-సజెస్ట్ చేసిన ప్రీసిడెంట్లు. పూర్తి 'సంస్థాగత జ్ఞానం ఫ్లైవీల్' ప్రత్యక్షంగా మరియు మూసివేయబడింది.
ఏ విధంగా ఏజెంట్లు అర్థం చేసుకునే సమయంలో నిర్ణయాలను పొందుతారు?
మోడల్ కాంటెక్స్ట్ ప్రోటోకాల్ (ఎంసీపీ) మరియు ఏజెంట్-టు-ఏజెంట్ (ఏ2ఏ) ప్రతినిధిత్వం ద్వారా. AIAgentree అనువర్తనాలు వంటి search_precedents మరియు get_packet ను MCP సర్వర్ పై ప్రదర్శిస్తుంది, కాబట్టి ఒక ఏజెంట్ సంబంధిత మునుపటి నిర్ణయాలను ప్రశ్నించగలదు మరియు అది తర్కిస్తున్నప్పుడు నిర్ణయ ప్యాకెట్లను ఇన్లైన్లో పొందుతుంది. A2A ప్రతినిధిత్వంలో, నిర్ణయ ప్యాకెట్ అనేది ఏజెంట్ల మధ్య బదిలీ చేయబడే స్వతంత్ర ప్యాకేజీ, కాబట్టి ఒక స్వీకరించే ఏజెంట్ పంపిన వ్యక్తి యొక్క డేటాబేస్కు యాక్సెస్ లేకుండా నిర్ణయానికి సంబంధించిన పూర్తి కాంటెక్స్ట్ను వారసత్వం పొందుతుంది.
సంబంధిత అంశాలు
సంబంధిత వ్యాసాలు
ఏఐ నిర్ణయాలకు రసీదులు అవసరం: ఏఐ పాలనలో నిర్ణయ అనుసరణ ఎందుకు కోల్పోయిన పొర
ప్రతి ఆర్థిక లావాదేవీకి ఒక రసీదు ఉంటుంది. ప్రతి చట్టపరమైన ఒప్పందానికి ఒక సంతకం ఉంటుంది. కానీ లక్షల మంది ప్రజలను ప్రభావితం చేసే AI నిర్ణయాలు? కనిపించవు. నిర్ణయాల అన్వేషణ ప్రతి AI నిర్ణయానికి వెనుక ఉన్న WHYని పట్టుకోవడం ద్వారా దీనిని మార్చుతుంది.
EU AI చట్టం ఆర్టికల్ 6: మీ AI ఏజెంట్స్ కోసం అధిక-ఆపద వర్గీకరణ అంటే ఏమిటి
EU AI చట్టం యొక్క ఆర్టికల్ 6 మీ AI వ్యవస్థ "అధిక-ఆపత్తి"గా ఉన్నదా అనే విషయాన్ని నిర్ణయిస్తుంది — మరియు తప్పనిసరి ఆడిట్ ట్రెయిల్ అవసరాలను ప్రారంభిస్తుంది. మీ ఏజెంట్లు క్రెడిట్, ఉద్యోగం, విద్య లేదా ఆరోగ్య సంరక్షణ గురించి నిర్ణయాలు తీసుకుంటే, మీరు డిసెంబర్ 2027 కు ముందు అనెక్స్ III వర్గీకరణను అర్థం చేసుకోవాలి.
ఏం అంటే AI పరిశోధన సంయోజన?
గ్రాఫ్ ఆధారిత నిర్ణయ పునఃప్రాప్తి పరిశోధనను కలుస్తుంది: అనేక మోడళ్ల ఫలితాలను ఒక నిర్మిత, లక్షణిత సమ్మేళనంలో కలపడం.
AIAgentree టీం
నిర్ణయ మౌలిక వసతి
AIAgentree టీం AI ఏజెంట్ల కోసం నిర్ణయ ట్రేసింగ్ మరియు పునరుద్ధరణ మౌలిక వసతిని నిర్మిస్తోంది. మా లక్ష్యం AI తర్కనను కనిపెట్టడం, ఆడిటబుల్, పునరుద్ధరించదగిన మరియు మెరుగుపరచదగినదిగా చేయడం.
మీ ఏజెంట్లకు పునరుద్ధరించదగిన మెమరీ ఇవ్వండి.
నిర్ణయాలను లాగ్గా కాకుండా గ్రాఫ్గా పట్టించండి — మరియు వాటిని పరిమిత నిర్ణయ ప్యాకెట్లుగా పునరుద్ధరించండి. ఉచిత స్థాయి అందుబాటులో ఉంది, క్రెడిట్ కార్డు అవసరం లేదు.
ఉచితంగా ప్రారంభించండి