证据引导的自适应图检索 EAGR
🧭 RAG · 证据引导的隐式图多跳检索 ★ 深度解读
IBM
用 VectorDB 元数据中的语义描述符构成隐式图，以积累证据动态选择检索方向，无需显式图或查询改写
📌 工作参考价值（4 点）
- 商品/内容知识库可离线用 LLM 抽取商品属性、卖点、适用人群、实体等作为 metadata 存入现有向量库；共享同一 descriptor 即形成隐式连边，无需构建商品知识图谱或专用 GraphDB。descriptor 必须 grounding 到原文，并做同义/人名归一，能低成本获得图遍历能力。
- 会话式导购/多跳商品搜索中，用「accumulated evidence」选择下一步要扩展的属性或关系，而不是重写整个 query 或遍历所有关联属性：让 LLM 基于已确认的用户约束和商品信息，从当前候选 descriptor 里只挑几个最可能补全信息缺口的方向，可显著节省检索预算。
- 回答/推荐理由生成前增加「充分性校验 + 证据链填空」：让 LLM 写出 (entity, attribute, value) 链，并强制每个 value 必须出现在已检索内容中，能拦截模型用参数记忆胡编，适合电商 QA、卖点解释和售后理由。
- 多跳检索结果按证据链重排，而非仅按 query 相似度：通过关系/属性间接命中的商品或内容，应优先展示能支撑最终结论的节点，可提升 RAG 上下文质量和推荐理由的可信度。
Jev-Mem：System-One 控制的 Agentic Memory 实现高效 AI Agent
🧭 Agent 记忆系统效率与效果优化 ★ 深度解读
Department of Computer Science, The University of Texas at Dallas
提出将高频记忆控制与生成式推理分离的 System-One/Two 记忆架构，在 LoCoMo 上以 6.6 倍构建提速和 36.7% 延迟下降取得最佳回答质量
📌 工作参考价值（4 点）
- 在电商/推荐 Agent 的用户记忆与客服长期记忆中，把“该不该存/归什么类/和哪条历史相关/该不该停”等高频小决策从 LLM 生成中拆出，换成轻量分类器、规则或小模型；LLM 只做最终答案/推荐理由合成，可大幅降低 Token 成本与延迟。
- 多关系图 memory（semantic/temporal/causal/entity）对用户行为、商品浏览、事件关系有直接迁移价值：保留原始行为不做过早过滤，用确定性索引先召回候选再让轻量模型判断关系，工程上可避免长对话场景 O(N) 全量 LLM 比较。
- 检索改成闭环：根据 query 动态给不同关系视图分配预算，并在证据充分或边际收益低时提前停止。适合搜索/推荐 Agent 在多轮交互中控制上下文成本，避免无关信息稀释推荐理由。
- 可参考其“写读同一控制平面”思想：在用户画像/会话状态记忆中，构建与检索使用同一套关系判断模块，避免两套逻辑不一致；对成本敏感的场景尤其值得落地。
RippleMem：从孤立检索到联想式回忆的长期 Agent 记忆系统
🧭 长期 Agent 记忆 · 联想式证据补全 ★ 深度解读
Communication University of China · Zhilian Yinghe Technology Co., Ltd. · State Key Laboratory of Media Convergence and Communication
把已召回记忆作为 cue，沿事件图局部扩展补全缺失证据，长期记忆 QA 精度显著提升
📌 工作参考价值（4 点）
- 在客服/导购 Agent 中，用户偏好、约束常分散在多轮多 session：一次检索容易只召回直接相关记忆，却漏掉安全约束（如海鲜过敏）。可借鉴「召回后把已召回记忆当 cue，用 LLM 判断缺失证据目标，再沿语义/结构化边局部扩展」的读阶段，避免无向图全局游走。
- 写入阶段把对话压缩为 cue-rich episodic units，结构化保存参与者/地点/时间，并建稀疏图：语义边 + 结构化边（Jaccard/时间衰减）。电商场景可把用户、商品、场景实体存为 cue，便于跨 session 关联，且比维护完整 KG 便宜约 30 倍。
- 工程实现上，建图采用增量式候选池（语义近邻 + 结构化倒排），每节点最多 K 条边，避免 O(N²)；证据装配用固定权重排序 + 固定 evidence budget，上下文 token 可控。query-time 控制器额外引入 LLM 延迟，可异步或缓存。
- 复用结论：关联/图检索只有在「evidence-conditioned」补全（有明确缺失支撑目标）时才有效，单纯加图或递归检索容易召回相关但不支持答案的记忆；业务里可用 missing-support target 约束扩展方向。
面向知识图谱的图语言模型增强检索生成
🧭 图增强检索生成 · 多跳推理
Institute of Computational Linguistics, Heidelberg University · Aleph Alpha Research
微调图语言模型检索器在多跳知识图谱RAG中取得跨领域SOTA，泛化性优于GNN和向量检索
📌 工作参考价值（4 点）
- 图增强召回：在商品知识图谱上构建GLM检索器，将商品、属性、类目作为节点，微调后可直接用于多跳推理类推荐（如“适合露营的防晒帐篷”），提升跨品类泛化。
- 检索器架构选择：单跳场景优先用高效向量检索（如双塔）；涉及多关系推理时改用GLM或GNN检索器，并关注图覆盖度与推理深度的权衡。
- 跨域迁移能力：若业务需快速扩展到新领域（如从服装到美妆），可利用GLM检索器的语言理解优势做zero/few-shot迁移，减少重新标注成本。
- 训练效率与覆盖的平衡：GNN检索器能用更少训练资源达到更高图覆盖率，适合冷启动或图谱频繁更新的场景；GLM检索器在充足数据下随参数量增大性能提升明显，适合主赛道长期投入。
多粒度自适应图证据的智能体多模态RAG
🧭 多模态长文档RAG · 图证据与智能体控制
Beijing Institute of Technology
基于证据图与在线预算控制的多粒度多模态RAG，在长文档QA中动态平衡证据覆盖与噪声
📌 工作参考价值（4 点）
- 多粒度证据图构建：将文档拆解为页面与元素节点，编码布局、阅读顺序、章节层级等结构关系，可迁移到商品详情页的复杂多模态信息检索，例如将商品主图、详情图、参数表、评论链接为图，提升问答或推荐理由生成时的证据定位
- 在线证据控制器与预算机制：按预算迭代激活、搜索、剪枝证据，避免固定Top-k导致的噪声或遗漏。电商场景中可将此法用于动态组装推荐解释/导购上下文的证据片段，在有限令牌内提升说服力
- 多模态证据渲染为结构化输入：将文字、表格、图片等证据统一格式化后馈入大视觉语言模型，启发电商推理时可把商品图文、参数、问答截图等异构信息规范渲染，增强模型理解一致性
- 证据覆盖与噪声的显式权衡：通过预算-性能曲线分析最佳工作点，推荐系统面对长商品详情、长用户评论时，可借此思路为LLM推理设定预算、平衡信息量与推理成本
面向半结构化知识库的计划引导图检索与自适应融合重排序框架
🧭 半结构化知识库检索 · 图与文本融合
University of Michigan
提出三阶段GRASP框架，通过计划引导图检索、条件融合稠密检索和重排序，大幅提升半结构化知识库检索性能。
📌 工作参考价值（4 点）
- 电商搜索场景可直接复用：Amazon 产品搜索属于典型的半结构化知识库，查询常同时包含自由文本与结构化约束（如品牌、类别），GRASP 将查询解析为图遍历计划 + 文本条件，再融合稠密检索与重排序，可直接迁移到电商搜索系统，提升带约束查询的 Hit@1。
- 图计划生成模块的低成本实现：GRASP 使用 LLM 将自然语言查询转换为逻辑图计划，但不依赖 LLM 在线推理，而是将计划离线生成后作为融合的先验，这在工程上可以预先计算常见查询模式，减少线上延迟与成本。
- 自适应融合与重排序的架构设计：利用计划条件加权融合图分支与文本分支的候选集，再通过微调重排序模型做最终排位，该模块化设计可独立应用于现有文本-图混合检索系统，只需注入计划向量即可控制融合权重，无需端到端重训。
- 重排序器微调的数据构造技巧：GRASP 用推理时暴露的候选分布合成困难负样本，以微调重排序模型，这种基于检索结果的负采样策略对提升排序准确性很有效，可直接借鉴到推荐/广告的排序模型训练中。