因果思维链：通过上下文隔离缓解注意力泄漏
🧭 因果推理 · 上下文隔离 CoT
Università della Svizzera Italiana · ETH Zurich · University of Oxford
提出 CausalCoT 推理框架，将问题拆成 DAG 原子子问题并在隔离上下文中求解，提升因果敏感度与解释忠实度
📌 工作参考价值（4 点）
- 在电商推荐/广告的 LLM 解释生成或 Agent 多步决策中，可借鉴 DAG 分解：把复杂任务拆成原子子问题，每个节点只喂直接依赖的上下文，降低无关信息通过注意力污染推理路径的风险。
- 对于多步 query 改写、选品推理等场景，用隔离上下文能减少模型“直接查答案再补理由”的虚假解释，使中间步骤对局部输入更敏感，便于定位错误节点。
- 可复用 test-time intervention 机制：线上发现某个推理节点输出错误时，只需修正该节点即可按依赖图向下游传播，无需重新生成整条推理链，利于实时策略调整。
- 架构上可采用结构化依赖图作为推理骨架，与现有 CoT 或 ReAct 类流程兼容，额外成本主要在子问题拆解和上下文裁剪，适合对可信度和可审计性要求高的推荐解释或风控审核逻辑。
互补记忆痕迹框架 CMT-RAG：用于多轮多跳对话 RAG
🧭 对话记忆与检索协同 · 子问题级 trace ★ 深度解读
中山大学 · 深圳循环智能研究院 · 香港大学
用子问题级记忆痕迹对齐对话记忆与检索，通过 SSM+DAG 实现跨轮依赖跟踪和证据复用
📌 工作参考价值（3 点）
- 子问题级记忆单元设计：在电商对话推荐或搜索中，可借鉴 trace 结构（子问题、关键词、依赖、证据 ID），将用户意图分解为可检索的细化单元，避免全文历史重放导致的上下文稀释。
- 依赖图驱动的证据复用：每次对话轮次通过 DAG 节点链接前序推理步骤，直接复用之前检索到的段落 ID，减少重复检索，提升长对话的响应速度与一致性，适合多轮商品对比或参数补充场景。
- SSM 生成器替代 Transformer 重编码：使用 Mamba-2 维护回合级隐状态，将推理时延降低近一半，适合对延迟敏感的在线服务；同时通过课程学习 + DPO 微调适配特定下游 Reader，可落地到需要结构化计划生成的 Agent 工作流中。
DataFlow-Harness：用可编辑DAG弥合NL2Pipeline鸿沟的代码智能体平台
🧭 Agent辅助的代码生成与流水线构建
Peking University · Institute for Advanced Algorithms Research Shanghai · Zhongguancun Academy
通过类型化增量突变和MCP落地，引导LLM代理构建可持久编辑的数据流水线DAG，成本与延迟大幅降低。
📌 工作参考价值（4 点）
- 流水线即DAG而非脚本：推荐系统中的特征工程、模型训练、数据回流等流水线常以一次性脚本实现，维护成本高。借鉴DataFlow-Harness，可将LLM生成的流水线固化为可编辑、可复用的DAG，便于版本控制和协作。
- MCP结构化工具暴露：Agent与平台交互时，通过MCP（Model Context Protocol）暴露算子注册、状态等，确保工具调用类型安全。电商Agent场景中，可类似将召回、排序、特征库等组件注册为MCP工具，让LLM可靠编排。
- 增量突变降低生成风险：直接生成完整脚本易出错，改为指导Agent进行类型化增量操作（添加/删除节点、连线），可提升流水线构建成功率。在复杂推荐流水线（多路召回、重排、实验配置）中，这种可控构建思路能减少调试成本。
- Skills编码隐性过程知识：对于依赖领域经验的流水线步骤（如数据分桶、采样策略），可沉淀为Skills指导Agent，减少Prompt工程负担。电商搜索推荐中如索引构建、特征拼接等流程可借鉴。
基于工作流归纳的多轮智能体科学文献搜索
🧭 Agent 工作流生成 · 多轮搜索
University of Illinois Urbana-Champaign · Together AI · University of Pennsylvania · Stanford University
PaperPilot将多轮文献搜索构建为可执行、可编辑的DAG工作流，结合用户反馈实现高效可控的搜索对齐
📌 工作参考价值（4 点）
- 将搜索过程显式化为可编辑的DAG工作流（关键词搜索→引用扩展→过滤→重排序→证据提取），可为电商搜索/推荐Agent提供可解释、可调控的交互式搜索链路，便于开发者调试与用户定制。
- 利用用户反馈调整工作流结构（如增加查询扩展或调节评分权重）的思路，可迁移到电商多轮查询改写与召回路自适应，例如基于前一轮推荐结果的隐式反馈动态插入过滤或重排序模块。
- 训练采用监督工作流模仿（从人工工作流中学习）与偏好优化（对生成的工作流进行可控破坏并学习偏好）的组合方式，可借鉴到电商工具调用Agent的训练中，提升工作流生成的准确性和执行稳定性。
- 工作流执行错误率从9.5%降至0%，表明显式结构化调用比纯推理更可靠；在电商客服、导购助手等场景中，可设计类似的结构化操作链，降低非法操作风险，提升系统鲁棒性。
多智能体计算机使用：用 DAG 分解与并行执行提升长程 GUI 任务
🧭 Multi-Agent 计算机使用 · DAG 任务分解 ★ 深度解读
Carnegie Mellon University
提出多智能体计算机使用框架 MACU，通过 DAG 子任务分解、并行子代理和持续重规划，在桌面和网页导航基准上大幅超越串行单一代理
📌 工作参考价值（4 点）
- 借鉴 DAG 分解与重规划范式：对电商自动化任务（如多源比价、竞品监控、跨店铺信息收集）可构建 manager-worker 架构，用 LLM 将复杂任务拆成有向无环图，根据中间结果动态增减/重写节点，避免单一串行 Agent 陷入死胡同。
- 利用并行子 Agent 加速长周期任务：对需要同时查询多个商品页、不同平台价格的任务，可派发同类 GUI 子 Agent 并行执行，收集结果后由 manager 汇总，显著降低端到端耗时（论文中 Odysseys 任务墙钟时间减少约 1.5 倍）。
- 部分可观测状态管理技巧：通过虚拟机快照、文件系统 diff 和截图传递保留关键中间状态，解决 web/GUI 环境中下游子任务无法重新观测状态的难题，可直接用于需要跨页面保持登录态、购物车状态的电商场景。
- 推理预算灵活分配：发现多智能体系统的成功率和行动数呈更好的 scaling 趋势，在复杂任务上允许更多并行/重试能解锁串行 Agent 无法解决的任务，可指导电商自动化系统的资源调度策略。
AutoSci：面向全科研生命周期的记忆中心多智能体系统
🧭 Agent · 多智能体协作与自进化科学发现 ★ 深度解读
Peking University
提出 AutoSci，通过结构化持久记忆、流程控制、多智能体增强与自进化，实现跨项目可复用的全周期科研自动化。
📌 工作参考价值（4 点）
- 借鉴 SciMem 的分区记忆设计：长期知识记忆（领域/论文/概念/方法/研究者等实体）与活跃研究记忆（想法/实验/稿件/评审）分离，电商 Agent 可类比用户兴趣图谱、商品知识库与当前会话状态的隔离，避免上下文污染与幻觉。
- SciDAG 的多智能体 DAG 编排模板：通过可复用的算子图（生成、辩论、精炼、评审等）自适应执行复杂任务，可用于推荐系统中的多路召回融合、策略辩论、解释生成等，条件边实现动态流程控制。
- SciEvolve 的自进化机制：将用户反馈、实验失败等信号转化为版本化更新，可迁移到 Agent 系统的持续优化中，例如定期分析对话失败模式，自动调整 prompt、工具选择或流程步骤，提升系统鲁棒性。
- 信任守护（Trust Guard）设计：对记忆写入进行形式与内容双重验证，可引入到电商知识库更新或模型生成内容的校验环节，避免错误信息传播至下游决策。
SPIN：通过迭代导航实现工业任务的结构化LLM规划
🧭 Agent ★ 深度解读
University at Albany · Kwansei Gakuin University · IBM
一种规划包装器，结合DAG验证与基于前缀的模拟器-批评家停止策略，提升工业LLM代理的执行效率与结构正确性