AutoViewMem：自配置正交视图的对话长期记忆框架
🧭 Agent 长期记忆 · 多视图写入组织 ★ 深度解读
National University of Defense Technology
在写入时用自配置低重叠语义视图组织长期对话记忆，使简单 top-K 检索即可稳定找到相关证据
📌 工作参考价值（4 点）
- 对电商导购 / 客服 Agent 的用户长期记忆，不要把所有对话日志压成一个 embedding；可借鉴 AutoViewMem 用多个语义视图（如偏好、预算、物流、售后、家庭结构）在写入时抽取结构化字段，降低后续检索的语义干扰。
- 视图选择可用 DPP 做低重叠、多样化的轻量 schema 选择：每 N 个会话块让 LLM 候选生成视图，再用同一 dense encoder 嵌入并选 top-K，工程成本可控，且能动态适应用户专属画像。
- 检索评估必须按 provenance / 证据 ID 去重，否则同一证据在不同视图下重复命中会虚高；落地时给每条记忆打 timestamp、view tag、source span ID，便于审计、回滚和线上诊断。
- 离线 consolidation 可用 embedding 相似度构图 + LLM 裁决合并冗余，但要保留 provenance 并谨慎处理时间版本与冲突；可异步执行，不改变在线检索链路，适合 Agent 长期记忆增量化维护。
超越 Top-k 技能检索：面向 LLM Agent 的多样性感知技能路由
🧭 LLM Agent 技能路由 · 多样性子集选择 ★ 深度解读
Virginia Tech · University of Southern California · Adobe Research · Dolby Labs · Texas A&M University
用 DPP 多样性选择与 query-residual 核，在技能路由中平衡相关性与非冗余，提升多技能任务覆盖
📌 工作参考价值（4 点）
- 在电商/广告 Agent 需要从大型技能/工具库中为复杂 query 选择多个互补技能时，不要只用 pointwise top-k；可加 DPP 选择步骤，用质量分 × 相似度核构造行列式点过程，平衡相关性与非冗余。
- 构造 DPP 相似度核时，先从技能 embedding 中减去 query 对齐分量（residual），避免惩罚因共享 query 相关性而相似的互补技能；对多技能任务尤其有效，可减少有用技能被误杀。
- 工程实现上，仅对检索到的 top-M 候选（如 50）做贪心 MAP，配合 incremental Cholesky 更新，开销小，适合线上 Agent 路由；候选集大小 M 和 residual 混合系数 λ 可调。
- 该方法对搜索/推荐中的多样性重排、多模型路由、多工具组合选择也有直接借鉴意义：在相关性分数基础上增加 query-conditioned 多样性约束，能提升列表对复杂意图的覆盖度。
回顾式 Harness 优化：基于轨迹重放的自偏好提升 LLM Agent
🧭 Agent 自进化 · Harness 优化 ★ 深度解读
City University of Hong Kong · Microsoft Research Asia
提出无需标注的回顾式 Harness 优化方法 RHO，通过自偏好对比轨迹选择最佳技能/工具更新，在软件工程、技术等多个领域显著提升 Agent 表现。
📌 工作参考价值（4 点）
- 无标注的 Agent 自优化管道：RHO 仅利用过去运行轨迹，通过自比较和自偏好选出最优 harness 更新，完全省去人工构造验证集。电商对话 Agent、多智体协作流水线可直接借鉴，从历史对话或操作痕迹中自动提炼更好的提示/工具/技能。
- DPP 挑选困难且多样样本：用 Determinantal Point Process 结合难度评分和语义多样性选取核心集，避免只挑困难而忽视类型覆盖。在推荐场景可类比地用于从海量离线日志中选出最具代表性且难例的样本进行复盘优化。
- Group Rollout + 双重诊断信号：对同一任务并行执行多次，通过“自验证”（单条轨迹中的错误步骤）和“自一致性”（多条轨迹间的冲突）提取结构化改进指令。这一技巧可用于推荐 Agent 的多路召回或结果比较，诊断模型飘移或策略分歧。
- Best-of-N Harness 提案与自偏好过滤：并行生成多个 harness 候选，并用自偏好评分选最优，避免单次编辑的不稳定。工程上相当于多个候选流水线并行评估，可用来做线上策略变更的安全上线。