GraphRAG для AI рішень
GraphRAG (графово-посилене отримання з доповненням) отримує контекст, проходячи через граф знань, а не лише ранжуючи текстові фрагменти за векторною схожістю. Для рішень AI граф є нормативним графом аргументів: рішення, пов'язані з аргументами за і проти, які їх підтримували або заперечували, наведеними доказами та згаданими прецедентами, через типізовані ребра (підтримує, заперечує, спростовує). Отримання починається з векторного пошуку для знаходження відповідних рішень, а потім розширюється вздовж цих ребер, щоб повернути повний, обмежений пакет рішень, а не роз'єднані фрагменти.
Питання не в "чи повинні ми зберігати рішення AI?" — а в "в чому ми їх зберігаємо?" Зберігайте їх як текст, і ви отримаєте суп з фрагментів векторного RAG. Зберігайте їх як нормативний граф аргументів і отримання повертає обмежений, аудиторський пакет рішень.
- •Вектор RAG над журналами повертає відключені фрагменти — він пропускає контраргумент, затверджувача, прецедент
- •Граф рішень GraphRAG отримує рішення з його обґрунтуванням через типізовані ребра
- •Граф рішень є рідкісним GraphRAG-досконалим субстратом: природні кореневі вузли, високосигнальні ребра, обмежені підграфи
- •Відправлено: гібридний пошук прецедентів, пакети рішень, отримання MCP/A2A, зворотний зв'язок щодо результатів, ранжування з урахуванням результатів, ефективність аргументів, автоматично запропоновані прецеденти — повний маховик
Вашому агенту потрібно знати, як ви вирішили в останній раз.
Ви націлюєте його на векторне сховище журналів. Він отримує шість фрагментів. Жоден з них не містить причину.
Проблема вилучення, яку ніхто не називає
Кожна серйозна агентна система зрештою потребує пам'яті: здатності згадувати, як подібна ситуація була вирішена раніше, і діяти послідовно. За замовчуванням у 2026 році це векторний RAG — вбудувати все, отримати топ-k найбільш схожих фрагментів, вставити їх у контекстне вікно.
Для документів це працює. Для рішень це тихо провалюється. І провал є структурним, а не проблемою налаштування.
Рішення — це не абзац. Це маленька мережа відносин: пропозиція, аргументи за і проти, докази, на які спирався кожен аргумент, хто затвердив виняток і який минулий випадок він наслідував. Якщо спростити це до текстових частин і вбудувати їх, то отримані фрагменти будуть з відносинами обірваними. Ви отримуєте висновок без контраргументу. Ви отримуєте затвердження без обґрунтування. Ви отримуєте речення, яке згадує прецедент, без самого прецеденту.
Це те, що практики називають "супом з частин." Саме тому пошук лише за векторами в журналах рішень виглядає впевнено, але є тонко ненадійним.
Часниковий суп проти пакета рішень
| Вектор RAG повертає | Граф рішень GraphRAG повертає |
|---|---|
| …"повернення коштів було затверджено для преміум-клієнта" (0.83) …"поріг для автоматичного затвердження становить $200" (0.79) …"ескалація інцидентів SEV-1 на рівень 2" (0.74) | Пропозиція: Схвалити повернення #4521 ($240) ПРО: Преміум-клієнт, дійсний дефект КОН: Перевищує поріг автоматичного схвалення $200 Перевищення: Схвалено старшим аналітиком (політика P-12) Прецедент: посилається на справу #1234 (схвалено, 0 повернень) Результат (6 міс): збережено, без суперечок |
| Три правдоподібні фрагменти. Немає зв'язків між ними. Чи був цей повернення вище порогу? Хто його скасував? Що сталося далі? Частини не можуть сказати. | Одна обмежена упаковка. Міркування, виняток, прецедент і результат — пов'язані. |
Різниця не в моделі вбудовування або розмірі частини. Це субстрат. Один зберігає текст про рішення; інший зберігає рішення як структуру.
Чому нормативні межі змінюють усе
Генеричні графи знань зберігають описові зв'язки: "згадки", "пов'язані з", "належать". Вони повідомляють, що дві речі пов'язані, але не чому це важливо.
Граф рішень зберігає нормативні ребра — відносини несуть міркування:
- •підтримує / протистоїть — цей аргумент наблизив або віддалив рішення від результату
- •спростовує — ці докази прямо суперечать цій заяві
- •кваліфікує / залежить_від — це виконується лише за умови
Оскільки тип краю є міркуванням, граф вже знає, що є несучим. Витяг не повинен вгадувати, який з десяти згаданих фактів насправді спровокував виклик — краї supports з високою вагою це підтверджують. Описові графи дозволяють пошук. Нормативні графи дозволяють судження.
Чому граф рішень є "ідеальним для GraphRAG"
Більшість команд, які намагаються використовувати GraphRAG на загальному корпоративному графі, здаються. Причини є послідовними, і граф рішень уникає кожної з них:
| Чому загальний GraphRAG має труднощі | Чому графік рішень не працює |
|---|---|
| Граф є величезним (мільйони вузлів) | Кожен підграф рішення є малим і самодостатнім. |
| Краї мають низький сигнал ("related_to") | Краї є нормативними і несуть в собі міркування. |
| Немає природного кореневого вузла для початку. | Рішення є кореневим вузлом |
| Перетворення не має природної точки зупинки. | Границя рішення є внутрішньою — розширте до його аргументів, доказів та наведених прецедентів, а потім зупиніться. |
Графік має "те, що має значення", вбудоване в його структуру. Це властивість, яка потрібна GraphRAG і рідко отримується.
Гібридний конвеєр отримання
Вектори та графіки тут не є суперниками. Витягування рішень використовує вектори для знаходження точок входу та графічну структуру для отримання повного контексту. У AIAgentree це п'ятиетапний процес (включений у сервіс пошуку прецедентів):
Векторний пошук за векторами рішень та аргументів — знайдіть кілька відповідних минулих рішень
Структуровані фільтри — орендар, категорія, тип сутності, термін дії прецеденту (щоб ви отримували перевірені справи, а не чернетки)
Розширення граф-контексту — проходьте по нормативних межах, щоб залучити аргументи та докази кожного рішення
Рейтинг з урахуванням результату — прецедент, результат якого виявився успішним, займає вищу позицію, ніж на перший погляд схожий, який не вдався.
Упаковка — зберіть результат у обмежені пакети рішень, готові для передачі агенту або рецензенту
Жорсткі обмеження (максимальна глибина, максимальна кількість вузлів, тайм-аут) запобігають неконтрольованому розширенню. Вихідні дані ніколи не є стіною токенів — це невелика кількість повних, порівнянних рішень.
Витяг для агентів: MCP та A2A
Пам'ять корисна лише тоді, коли агент може до неї звернутися під час міркування. AIAgentree надає доступ до прийняття рішень двома способами:
Над MCP
Сервер протоколу контексту моделі надає інструменти, такі як search_precedents та get_packet. Агент запитує відповідні попередні рішення та отримує пакети рішень в режимі реального часу — під час міркування, а не як пакетну задачу.
Понад A2A
У делегуванні від агента до агента пакет рішень є корисним навантаженням. Агента-отримувач успадковує повний, самодостатній контекст рішення без доступу до бази даних відправника.
Пакет є портативним за дизайном — він містить усе необхідне для розуміння та застосування рішення, що саме по собі робить його безпечним для передачі через межу довіри.
Як це виглядає в коді
Отримання прецеденту для рішення, яке агент збирається прийняти:
# 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)Ніякого заповнення підказками сирих журналів. Агент міркує над попередніми рішеннями, з їхнім обґрунтуванням. Фрагмент використовує Python-клієнт для ясності — але той же процес отримання (get_packet, search_precedents) доступний через MCP без SDK, тому агент, що працює на MCP, споживає рішення як інструменти.
Повний стек відправлено
Ми віддаємо перевагу точності, а не вражаючим результатам. Ось що доступно сьогодні:
Захоплення та отримання рішень
- ✓Нормативна модель даних слідів рішень (типізовані ребра аргументів)
- ✓Гібридний пошук прецедентів (п'ятиетапний процес вище)
- ✓Цитування прецеденту — посилання на минуле рішення як на аргумент першого класу
- ✓Збірка пакету рішень
- ✓Отримання через MCP + A2A
- ✓Записи рішень, що не підлягають змінам і лише додаються
Інституційний пам'яті маховик
- ✓Автоматичний зворотний зв'язок про результати — вебхук + інгестія опитування записує результати назад на рішення
- ✓Оцінка якості результатів — рішення з хорошими результатами займають вищі позиції в пошуку прецедентів
- ✓Ефективність аргументів — відстежуйте, які аргументи призвели до позитивних результатів
- ✓Автоматично запропоновані прецеденти — відповідні попередні рішення, що з'явилися під час запечатування
Повний замкнутий контур маховика активний: зворотний зв'язок результатів повертається до попередніх рейтингів, ефективність аргументів виявляє, що спрацювало, а агенти отримують відповідні прецеденти, які автоматично пропонуються, коли вони ухвалюють рішення. Графова основа робить це можливим — і тепер шар самовдосконалення працює поверх цього.
Що це не замінює
- •Ваша векторна база даних — це компонент конвеєра, крок 1
- •Ваш документ RAG — отримання політик і посібників є іншою роботою
- •Інструменти спостереження — спани, затримка та метрики токенів все ще належать LangSmith/Langfuse та іншим.
Граф рішень GraphRAG знаходиться поверх усіх них і захоплює артефакт, який жоден з них не зберіг: структуроване рішення, яке можна відновити з його обґрунтуванням.
Часто задавані питання
Що таке GraphRAG для рішень ШІ?
GraphRAG (графово-посилене генерування з доповненням) отримує контекст, проходячи через знаннявий граф, а не лише ранжуючи текстові фрагменти за векторною схожістю. Для рішень ШІ граф є нормативним графом аргументів — рішення, аргументи "за" і "проти", які їх підтримували або заперечували, наведені докази та посилання на прецеденти, з'єднані типізованими ребрами (підтримує, заперечує, спростовує). Отримання починається з векторного пошуку для знаходження відповідних рішень, а потім розширюється вздовж цих ребер, щоб повернути повний, обмежений Пакет Рішень, а не відокремлені фрагменти.
Чим рішення GraphRAG відрізняється від векторного RAG щодо журналів?
Вектор RAG вбудовує фрагменти тексту (журнали, транскрипти, документи) і повертає найсхожіші фрагменти з топ-k. Ці фрагменти відокремлені — отриманий фрагмент може цитувати висновок рішення, але пропустити контраргумент, який майже його скасував, людину, яка затвердила виняток, або прецедент, на який воно спиралося. Decision GraphRAG отримує рішення як структуровану одиницю з його обґрунтуванням, оскільки зв'язки зберігаються як типізовані ребра першого класу, а не залишаються неявними в прозі.
Що таке пакет рішень?
Пакет рішень — це обмежений вихід графічного отримання рішень: самодостатнє, структуроване представлення одного рішення, що містить пропозицію, дерево аргументів "за" і "проти", докази та їх походження, оцінені політики, людей, які його затвердили, закрите рішення та будь-які прецеденти, на які посилаються. Це те, що агент (або аудитор) отримує замість купи рядків журналу. AIAgentree збирає Пакети рішень з збереженого сліду рішень.
Чому граф рішень є хорошим субстратом для GraphRAG, коли загальні підприємницькі графи не є такими?
Генеричні графи знань підприємств важко обходити: вони величезні, їхні зв'язки мають низький сигнал ('related_to' не передає жодного міркування), немає природного кореневого вузла, а розширення не має очевидної точки зупинки. Граф рішень уникає всіх чотирьох проблем: кожне рішення є природним коренем, зв'язки є нормативними та високосигнальними (підтримує/протистоїть/спростовує передають фактичне міркування), а підграф одного рішення є малим і природно обмеженим. Граф вже кодує 'що мало значення', тому пошук знає, що включати.
Чи замінює це мою векторну базу даних або стек RAG?
Ні. Векторний пошук є компонентом рішення GraphRAG, а не конкурентом — векторні представлення знаходять правильні точки входу, а потім графова структура отримує повний контекст. AIAgentree знаходиться на рівні прийняття рішень поверх ваших операційних систем і вашого існуючого RAG для документів. Він захоплює та відновлює той артефакт, який ці системи історично не зберігали: саме структуроване рішення.
Що відправляється?
Усе, що описано в цьому пості, вже реалізовано та працює: нормативна модель даних про рішення, гібридний пошук прецедентів (п'ятиетапний процес: векторний пошук → структуровані фільтри → розширення контексту графа → ранжування за вагою результатів → упаковка), цитування прецедентів (цитування минулого рішення як першокласного аргументу), складання пакетів рішень, доступ до даних через агенти через MCP та A2A, автоматичний зворотний зв'язок про результати (вебхук + отримання даних через опитування), оцінка якості результатів, що підвищує ранжування прецедентів, відстеження ефективності аргументів (які аргументи призвели до хороших результатів) та автоматично запропоновані прецеденти на печатці. Повний "інституційний пам'яті маховик" працює та є замкнутим циклом.
Як агенти отримують рішення під час інференції?
Через Протокол Модельного Контексту (MCP) та делегування агент-до-агента (A2A). AIAgentree надає інструменти, такі як search_precedents та get_packet через сервер MCP, тому агент може запитувати відповідні попередні рішення та отримувати Пакети Рішень в процесі міркування. У делегуванні A2A Пакет Рішення є самодостатнім вантажем, що передається між агентами, тому отримуючий агент успадковує повний контекст рішення без доступу до бази даних відправника.
Суміжні теми
Суміжні статті
Рішення ШІ потребують квитанцій: чому відстеження рішень є відсутнім шаром в управлінні ШІ
Кожна фінансова транзакція отримує квитанцію. Кожен юридичний контракт отримує підпис. Але рішення ШІ, які впливають на мільйони людей? Невидимі. Відстеження рішень змінює це, фіксуючи ЧОМУ за кожним рішенням ШІ.
Стаття 6 Закону ЄС про ШІ: Що означає класифікація високого ризику для ваших агентів ШІ
Стаття 6 Закону ЄС про штучний інтелект визначає, чи є ваша система ШІ "високим ризиком" — і активує вимоги до обов'язкового ведення аудиторського сліду. Якщо ваші агенти приймають рішення щодо кредитів, працевлаштування, освіти або охорони здоров'я, вам потрібно зрозуміти класифікацію Додатку III до грудня 2027 року.
Що таке синтез досліджень ШІ?
Де прийняття рішень на основі графів зустрічається з дослідженнями: об'єднання результатів кількох моделей в одну структуровану, атрибутовану синтезу.
Команда AIAgentree
Інфраструктура рішень
Команда AIAgentree створює інфраструктуру для відстеження та отримання рішень для AI агентів. Наша місія — зробити AI міркування видимими, аудиторськими, доступними для отримання та покращення.
Дайте своїм агентам пам'ять, варту отримання.
Захоплюйте рішення як граф, а не журнал — і отримуйте їх як обмежені пакети рішень. Доступний безкоштовний рівень, без необхідності кредитної картки.
Почати безкоштовно