TIDE: Proactive Multi-Problem Discovery via Template-Guided Iteration
TIDE：通过模板引导迭代的主动多问题发现框架
🧭 主动式多问题发现 · 模板引导迭代
KAIST · DeepAuto.ai
结合迭代发现与可复用思想模板，从上下文中覆盖并精确识别多个隐藏问题，并给出可执行方案
📌 工作参考价值
- 迭代式主动发现：将单次预测拆成多轮，每轮基于已发现结果推进一步，可借鉴到电商/推荐中的用户兴趣探索，避免总是推荐最热商品，用类似逐轮“去重”方式打通长尾物品曝光。
- 模板化推理模式：从历史成功解决案例中抽取出可重用的“问题模式—证据链”模板，可迁移为推荐系统的解释模板或主动推送的消息模板，提升可解释性及行动建议的针对性。
- 证据+行动捆绑输出：每个发现的隐藏需求都附有支撑文档证据及具体执行动作，可用于构建可审计的推荐理由或客服Agent的主动建议，避免空泛推测。
- 跨模型模板复用：生成的模板在不同LLM间可直接迁移，价值在于工业场景中更换底层模型时，无需重新积累案例，降低冷启动成本。
动机：现有LLM代理多为被动响应，仅在用户明确请求时才行动，而实际工作场景（如个人工作区、代码仓库）中大量关键问题隐藏在上下文里，未被发现且数量未知。单次预测会偏向最显著问题，遗漏次要问题，且缺乏可复用的推理模式，导致覆盖有限、精准度不足。因此需要主动从上下文发现多数量的隐藏问题，并给出可执行的解决方案。
方法关键点：
- 思想模板：从已解决的案例中蒸馏出可重用推理模式，每个模板包含问题类名、结构化模式及证据流（观察信号的顺序与连接方式），相当于给问题发现提供了一个类目化的先验。
- 迭代发现：将发现过程拆成多轮，每轮生成少量候选（如k个），并显式条件于上一轮已发现的累积状态，迫使模型跳过已覆盖的问题，去探索新问题，从而系统性地提高覆盖。
- 结构化输出：每个候选包含问题描述、支撑证据文档集合、具体执行动作，一站式完成识别、定位和方案规划。
实验结果：在个人工作区（150个问题，30个实例）和软件仓库（146个问题，20个实例）两个真实场景上，TIDE在检索、识别、解决三个子任务上全面优于单智能体单轮基线及并行多智能体基线，覆盖度和F1均大幅领先。以GPT-5 mini为例，工作区检索F1从54.32提升至70.46，仓库检索F1从10.34提升至18.61。消融实验表明迭代主要贡献于覆盖，模板主要贡献于精度，且模板具备跨模型（GPT与Gemini）迁移能力。缩放分析表明增加计算预算时TIDE持续提升，而并行多智能体则早期饱和。
核心洞见：多问题主动发现必须通过显式的、条件累积状态的迭代过程来实现，而非单次预测或并行猜测；可复用的抽象模板是提升每个预测质量的关键。