#Heterogeneous Data

4 篇

Toward Agentic Retrieval-Augmented Generation for Enterprise Retail Workflows over Heterogeneous Data Sources

面向企业零售异构数据工作流的Agentic RAG评估基准与框架

🧭 Agentic RAG · 多源异构零售问答评测 ★ 深度解读

KAIST · Cluvion · GS Retail

提出RetailBridge多源零售QA基准与RetailRAG框架，定位跨源链式为瓶颈

📌 工作参考价值（4 点）

在电商 Text-to-SQL / 数据分析 Agent 中，先构建并注入 auto-schema briefing：包括列类型与示例值、类别枚举、跨表 join 键、派生指标公式，可提升 planner 路由和 SQL 生成准确率。
采用 source-routed plan chaining：对复杂查询一次性生成显式依赖链，支持 SQL→文本→SQL 的中间结果传递；简单查询走快速通道，控制 API 调用成本。
失败恢复用 diagnostic plan revision：只定位并局部修正失败步骤，保留已完成步骤，避免整体 replan；把失败类型划分为 schema mismatch、filter 过严等，可显著降低 token 消耗并提高成功率。
构建内部评测集可借鉴 RetailBridge 的合成管线：用 persona 仿真生成订单/评论/客服交互数据，再用 entity-linked/answer-linked 算子递归组合出多跳查询，按推理深度、跨源数和证据模态分层，便于诊断 agent 短板。

RAG | 2026-10-18 | cs.IR | score 8/10

DataSpace：面向异构工作区可验证分析的数据智能体基准

🧭 数据智能体多模态分析基准

HKUST(GZ) · Tsinghua University

提出首个统一异构多模态证据发现、完整表格输出与确定性评估的数据智能体基准，最佳准确率仅 66.34%

📌 工作参考价值（4 点）

Agent | 2026-08-03 | HF Daily | score 7/10

Setoka：面向异构数据的个性化 Agent 分层用户理解基准

🧭 Agent 记忆系统与用户理解评估 ★ 深度解读

East China Normal University · The Chinese University of Hong Kong

首个心理学驱动的分层基准，评估记忆 Agent 从显式事实到人格特质的跨源推理能力

📌 工作参考价值（4 点）

记忆系统选型与分层设计：在电商/Agent场景中，简单事实检索（如用户偏好标签）用精确数据库查询即可，但跨多源行为聚合（如长期购物节奏、品类偏好漂移）需要带时间上下文的结构化记忆；更抽象的用户人格推理（如价格敏感性、冲动消费倾向）则需图结构记忆以显式关联分散证据，建议按查询抽象层次选择或组合多种记忆结构。
评估体系分层化：不要仅用整体准确率验收记忆系统，而应分解为单记录召回、多记录拼接、长周期聚合、跨类别泛化四个层次分别评估，暴露系统短板（例如当前系统情景记忆与行为模式得分骤降），尤其注意区分回答率与准确率，避免模型置信度误判。
异构用户数据的合成与一致性保障：可利用“事件锚定生成树”方法，先生成连贯的行为模式再扩展为多源记录，确保消息、日志、社交图等不同数据表围绕同一核心事件一致，可用于构造内部评测集，规避真实用户隐私问题。
人格/行为推理的显式建模：如果业务中需要推断用户深层特质（如新用户冷启动时的人格化推荐），可借鉴心理量表到行为模式的规则映射，将大五人格或消费相关特质转化为可观测的行为频率证据，建立从底层日志到高层画像的因果链，提升可解释性与冷启动效果。

Agent | 2026-07-29 | cs.CL | score 8/10

RHELM：真实、异构、演化的长期记忆评测基准

🧭 LLM长期记忆评估基准 ★ 深度解读

Renmin University of China · Microsoft

提出LOOP模块驱动动态多源对话，定义27项记忆特征，揭示LLM在真实场景中的严重记忆缺陷

📌 工作参考价值（4 点）

用户画像动态演化机制：LOOP模块的“规划-推演-演化-修剪”循环可复用于电商Agent的用户画像更新，通过概率化正面/负面结果推演，使对话长期一致且状态动态演变，避免画像僵化。
异构记忆融合设计：借鉴RHELM将对话流与外部文档（报告、邮件）在时间线上对齐的做法，在推荐或客服系统中整合多源信息（用户聊天、浏览记录、工单），提升对用户全维理解。
误导查询压力测试：引入“记忆条件误导查询”维度，主动构造与用户历史状态冲突的请求，检测模型是否盲目遵循指令。可移植到电商Agent的意图冲突检测，避免对已退货商品继续推荐或执行矛盾操作。
Verifier辅助数据质检：在合成训练或评估数据时，采用分阶段Verifier自动校验语义一致性，可降低人工成本并保障数据质量，适合大规模生成式推荐场景的数据管线。

Eval | 2026-05-29 | cs.IR | score 8/10