X-SYNTH: Beyond Retrieval -- Enterprise Context Synthesis from Observed Human Attention
X-SYNTH：基于人类注意力的企业上下文合成框架
🧭 人类注意力驱动的企业上下文合成 · 行为序列学习
Workfabric AI
将员工数字行为序列作为隐式相关信号，在销售线索识别中将真线索率从 9.5% 提至 61.9%，假线索率降至 18.8%。
📌 工作参考价值
- 隐式行为信号作为相关性金标准：无需人工标注，利用员工在邮件、Slack、CRM中的操作序列和驻留时间等隐式反馈，直接训练相关模型，可迁移至电商搜索/推荐中的用户行为建模。
- 个人行为基线建模（DTS）：为每个用户构建包含域注意力、节奏、短长期偏差等维度的滚动数字孪生签名，可检测异常兴趣漂移，适用于个性化重排序或异常检测。
- 多过滤器软路由机制：根据查询和用户DTS通过轻量MLP动态选择七种注意力过滤器（比例、反向、差分等），类似MoE但条件于用户状态，可用于多策略检索或推荐融合。
- 管线级反馈归因：分解终端反馈至各阶段（范围确定、模态选择、检索、合成），仅更新被归因失败的阶段，避免错误信号污染，适合多阶段Agent系统优化。
动机
企业AI代理常受限于检索范式：当任务需要从分散的交互记录中综合上下文（如发现新销售线索），基于查询-文档相似度的检索几乎失效。前沿模型在销售线索识别任务中真线索率仅9.5%，假线索率高达90.5%——推理能力并非瓶颈，缺少一个原则性的相关信号才是根本原因。
方法关键点
- 人类注意力作为隐式相关信号：捕捉每位员工的数字化交互序列（访问应用、操作内容、驻留时间等），这些行为痕迹天然包含隐式奖励信号，且比人工标签更可靠。
- 数字孪生签名（DTS）：为每位员工维护一个滚动行为画像，包含域注意力分布、行为节奏、历史基线、责任推断和短/长期偏差，形成个性化上下文基准。
- 七种注意力过滤器：比例（高停留）、反向（该关注却未关注）、差分（偏离自身基线）、循环（重复回访）、比较（快速切换相似项）、顺序（工作流异常）、集体（群体共识/离群），分别捕捉不同行为语义。
- 个性化疗询路由：对每个（查询，员工）对，三层MLP接收查询嵌入和DTS，输出七个过滤器的软分配分布，同一查询在不同人身上激活不同过滤器。
- 四阶段 Agent 管线：主题范围确定 → 个性化模态选择 → 注意力和内容加权检索（二者的乘积）→ 带注释的证据合成；并通过阶段级故障归因实现闭环学习。
关键实验
- 数据集：五名知识工作者的真实数字交互日志，25天共~2亿token，构造302个实例（210个真实机会，92个负例）。
- 基线：直接输入完整交互序列给GPT-4o-mini（小LLM）和Claude Opus 4.6（前沿LLM）。
- 结果：小模型未辅助时TLR为0%，加上X-SYNTH后升至57.1%；前沿模型从未辅助的9.5% TLR提升至61.9%（6.5倍），假线索率从90.5%降至18.8%，多挽回110个真实线索。
- 失败分析：未辅助模型主要失败于企业专属词汇缺失、交互流过大无法全量输入、以及跨天/跨人信号整合困难，而DTS条件化的注意力过滤解决了这三个结构性缺陷。
最值得记住的一句话：企业上下文合成不是检索问题，而是相关性问题，人类注意力是其最可靠的真相。