什么是AI决策追踪？
决策追踪是捕捉每个AI代理决策背后完整推理的实践，作为结构化、可审计的文物。与记录发生了什么的执行日志不同，决策追踪记录了为什么会发生——考虑的选项、咨询的证据、权衡的论点和选择的理由。AIAgentree通过决策包实现决策追踪：密封的记录，包含命题、论证树、证据快照、选择的理由和结果跟踪。决策追踪使得符合欧盟AI法案第12-14条，支持三种信任模式（人类在环中、人类在环上、完全自主），并通过先例作为基础设施创建机构记忆。该架构区分规范关系（支持/反对）与描述关系（提及/相关），使AI推理可查询、可比较和可引用。
大多数组织将日志（代理做了什么）与决策追踪（做了什么以及为什么）混淆。这个区别很重要，因为监管、治理和机构记忆都依赖于后者。
- •日志 记录执行事件 — API 调用、延迟、错误
- •决策追踪 捕捉结构化推理 — 选项、证据、理由、结果
- •决策包 是审计员可以查询和重放的密封文档
- •先例 自动从结构化决策中产生 — 作为基础设施的机构记忆
一位监管者刚刚要求提供您AI做出的最后100个决策。
您有30天的时间来回应。您实际上有什么？
原始论点，重述
AI决策需要凭证。记录并不等于问责。思维链并不是事实真相。
这些陈述仍然是正确的。但它们是不完整的。
问题"我们为什么要记录决策？"有一个显而易见的答案：合规、问责、调试。更难的问题是："当我们这样做时会发生什么？"
答案出乎意料：制度记忆变得自动化。不是作为你在其上构建的特性。也不是作为你后来附加的模块。作为数据模型的自然结果。
“决策”实际上意味着什么
决策不是模型输出。它不是API响应。它不是函数返回值。
一个决策是一个包含以下内容的结构化工件：
- •提案 — 正在决定的事项（批准贷款 #1234）
- •权衡证据 — 在决策时参考的事实，已被冻结
- •考虑的替代方案 — 评估并拒绝的选项
- •选择的理由 — 哪些论点影响了决策
- •记录的结果 — 之后发生了什么（即时、6个月、1年）
这就是AIAgentree所称的决策包——一个密封的、不可更改的记录，审计员可以查询、重放和引用。
日志无法告诉你的事情
| 执行日志 | 决策追踪 |
|---|---|
approve_loan(application_id=1234, score=0.87) | 提议： 批准贷款 #1234 优点： 收入验证通过 (权重：0.92) 优点： 3年工作历史 (权重：0.85) 缺点： 信用评分低于阈值 (权重：0.78) 例外： 高级分析师手动批准的例外 理由： 就业稳定性超过信用问题 结果 (6个月)： 0次逾期付款 |
| 发生了什么。什么时候发生的。花了多长时间。 | 为什么会做出这个决定。考虑了什么。之后发生了什么。 |
日志告诉你贷款已获批准。追踪信息告诉你为什么尽管信用评分存在问题仍然获批，谁授权了这个例外，以及这个决定的结果是否良好。
两个原始人
整个决策追踪系统基于两个原始元素：
原始 1：持久的推理记录
不是“模型所说的”。一个结构化论证图，包含主张、关系（支持/反对）、证据引用和层次结构。
原始 2：持久的结果记录
不是“模型返回200 OK。”一个封闭的决策记录，包含结果、理由论证、决策者和三重视野跟踪。
一旦你拥有了这两者，先例就不再是你“记住”的东西。它变成了你可以查询、比较和引用的东西。
为什么规范性优于描述性
上下文图存储描述性关系：“相关于”、“提及”、“拥有者”。决策论证图存储规范性关系：“支持”、“反对”。
这个区别是根本性的：
- •描述：“此票提到此客户”
- •规范性：“这一证据支持批准，因为它证明了持续的付款历史。”
规范结构使可解释性、治理和先例成为可能。描述结构使搜索和发现成为可能。两者都很有价值。只有一种结构能够实现机构判断。
先例是如何（机械地）产生的
飞轮
代理生成优缺点论证树
人类批准/拒绝 + 选择理由论证
决定已定 → 案件记录冻结
下一个决定：代理人搜索并引用该案例
先例成为新案件中的一个论点节点
组织建立了一个“我们如何决策”模式的库
模式使安全自动化成为可能（基于先例的自主性）
您获得的机构记忆是正常使用的副产品，而不是作为一个单独的举措。
从存储到可检索：决策作为图形
捕捉决策只是价值的一半。另一半是将其取回——这就是数据模型发挥作用的地方。因为每个决策都作为规范性论证图存储（通过支持/反对边连接的主张），它成为一种一流的检索基础，而不仅仅是一个档案。
将向量搜索指向原始日志，你会得到“块状汤”——不连贯的片段，引用了结论却忽略了反对意见、批准者和先例。相反，从决策图中检索，你会得到一个有限的决策包：命题、支持和反对的理由、证据和结果，完整无缺。这就是GraphRAG用于AI决策——先例是你可以查询和引用的内容，而不仅仅是你希望记住的东西。（关于检索基础的更多信息：什么是决策检索。）
信任的三种模式
企业不会在一夜之间将决策交给人工智能。它们通过不同的模式逐步推进：
人机协作
代理人协助，人类决定。代理人生成推理；人类做出最终决定。
人类在环中
代理决定，人类监督。代理做出决策；人类可以审查并覆盖。
完全自主
代理决定，人类定期审核。已有足够的先例证明自主操作是合理的。
模式进展是基于证据的：置信度 ≥ 95%，相似先例 ≥ 5 且结果一致，模式已建立并验证。这不是“信任但要验证。”这是“验证，然后信任，然后继续验证。”
这对企业人工智能技术栈意味着什么
企业上下文堆栈
- •层 C：审议 — 为什么会做出这个决定？利弊分析树、先例引用、证据来源
- •层 B：决策沿革 — 决定了什么？结果、信心、评估的政策、批准
- •层 A：操作背景 — 谁/什么参与其中？实体、关系、时间状态（CRM，ERP）
大多数团队构建 A。有些构建 B。几乎没有人能很好地构建 C。AIAgentree 提供 C。
三种连接方式 — SDK 只是其中之一
决策追踪不是一个为期6个月的咨询项目——也不需要我们的SDK。有三种连接方式：
- •MCP (代理原生) — 作为工具的完整生命周期，端到端：创建追踪，记录推理，封存决策 (
create_trace,append_events,seal_decision) 并立即检索决策包 (get_packet,search_precedents) — 无需安装库 - •REST API — 任何语言，任何运行时，零依赖（SDK是对这些端点的一个薄包装）
- •SDK (Python / TypeScript) — 人体工学选项，自动提取您代理输出中的推理
SDK路径是最简短的写法——大约十行的决策追踪：
from aiagentree import AgentreeClient
client = AgentreeClient(api_key="ask_...", base_url="https://api.aiagentree.com", tenant_id="acme")
# Trace your agent's decision point
trace = client.start_trace(
agent_id="discount-agent",
workflow_id="discount_approval",
entity_type="request",
entity_id="4521",
)
trace.add_input("discount", 0.18, source="crm")
trace.add_step("s1", title="SEV-1 incident yesterday", category="evidence", confidence=0.9)
trace.add_step("s2", title="Customer flagged as churn risk", category="evidence", confidence=0.85)
trace.add_step("s3", title="Exceeds standard 15% threshold", category="risk", confidence=0.7)
trace.seal("d1", action="approved", confidence=0.9)该追踪已被封存、加盖时间戳并可查询。当下一个类似请求到达时，可以检索并引用该先例。
合规角度
欧盟人工智能法案对高风险人工智能系统规定了具体要求：
- •第12条 — 自动记录，能够追踪决策和识别风险
- •第13条 — 向部署者和用户提供透明度和信息
- •第14条 — 允许干预和理解的人类监督措施
决策追踪通过捕捉结构化推理、证据来源、人类监督行为和结果记录来满足这些要求——以监管机构可以实际查询和理解的格式。
2027年12月截止日期： 附件III下的高风险AI系统必须遵守日志记录和可追溯性要求。如果您的AI代理在信用、就业、教育或医疗保健方面做出决策，时间已经开始计算。
决策追踪无法解决的问题
决策追踪位于操作上下文之上。它并不替代：
- •CRM/ERP系统 — 你仍然需要你的记录系统
- •可观察性工具 — LangSmith、W&B、Arize 仍然监控模型健康状况
- •身份解析 — 您仍然需要跨系统的实体链接
这些工具在不同层面上解决不同的问题。AIAgentree 捕捉到它们都需要但历史上没有存储的一个工件：决策本身。
如何开始
识别你的高风险决策点
哪些代理决策会影响客户、合规或收入？从这里开始。
集成10行SDK
用追踪捕获包装您现有的代理逻辑。无需重写。
回答监管机构的问题
选择一个代理并问：“如果监管机构要求提供最后100个决定，我能回答吗？”
常见问题
什么是AI代理的决策追踪？
决策追踪捕捉每个AI决策背后的完整推理——考虑的选项、咨询的证据、权衡的论点和选择的理由——作为结构化、可审计的文物，称为决策包。与记录发生了什么的日志不同，决策追踪记录了为什么会发生。
决策追踪与日志或可观察性有什么不同？
日志记录执行事件（API调用、延迟、错误）。可观察性工具监控系统健康。决策追踪捕捉推理的规范结构——哪些论点支持或反对决策，引用了哪些证据，以及哪些理由主导了结果。这是知道“贷款已批准”和知道“为什么这个贷款在信用评分担忧下被批准”的区别。
什么是决策包？
决策包是AIAgentree的核心文物：一个密封的、不可变的记录，包含命题（做出了什么决定）、论证树（优缺点推理）、证据快照（在决策时被冻结）、选择的理由（哪些论点支持了决策）和结果跟踪（之后发生了什么）。这是监管者或审计员理解和重放决策所需的一切。
决策追踪如何帮助满足欧盟AI法案的合规性？
欧盟AI法案第12-14条要求高风险AI系统维护日志，以允许决策的可追溯性。决策追踪通过捕捉结构化推理、证据来源、人类监督行为和结果记录来满足这些要求——以监管者可以实际查询和理解的格式。
AI治理中的三种信任模式是什么？
三种模式代表一种进展：模式1（人类在环中），代理协助但人类决定；模式2（人类在环上），代理决定并有人类监督；模式3（完全自主），代理决定并定期审计。模式之间的进展是基于证据的，受信心评分、先例一致性和结果跟踪驱动。
先例在决策追踪中如何运作？
当决策作为结构化文物被捕捉时，先例自动产生。可以通过类别、实体引用、论证标签或政策约束检索相似的过去决策。这些先例成为新决策中的一流论证节点——它们可以被引用、挑战或覆盖，就像任何其他理由一样。机构记忆随着每个决策而累积。
集成AIAgentree需要多长时间？
您可以通过三种方式连接：通过MCP作为代理原生工具（无SDK，无库），REST API（任何语言，零依赖），或Python/TypeScript SDK（大约十行，自动提取推理）。完整生命周期——创建追踪、记录推理、密封决策并立即拉回决策包——仅通过MCP工作，端到端，无需任何库。没有为期6个月的咨询项目；这是您添加到现有代理堆栈的基础设施层。
相关主题
相关文章
AIAgentree团队
AI治理
AIAgentree团队正在为AI代理构建决策追踪基础设施。我们的使命是使AI推理可见、可审计和可改进。