#Hierarchical Decomposition

3 篇

Hi-Q: Hierarchical Evidence-guided Query Refinement for Multi-Hop Question Answering

Hi-Q：面向多跳问答的层级证据引导查询细化

🧭 多跳问答的 query 粒度控制 ★ 深度解读

POSTECH

将query粒度作为控制变量，用检索证据支持信号决定是否分解，构建依赖有序的查询树，在全语料多跳QA上显著超过图RAG与迭代检索

📌 工作参考价值（4 点）

在电商多跳 query（如“送妈妈生日礼物”）召回中，不要预先固定拆成 N 步；先让 reader 基于召回商品判断当前 query 是否可由证据支持，不可答才触发分解。这种“证据条件触发”比按复杂度静态 Routing 更抗漂移，且无需训练分类器。
分解时强制依赖顺序：左分支先解析前提实体/属性（品牌、品类、用户特征），把结果写入 history，再生成右分支 query；工程上用 append-only history 保证下游检索可见前置答案，降低召回干扰。
增加一个语义覆盖 verifier：每次二元分解后检查左右子 query 是否完整保留父 query 意图，最多修复一次；在营销活动规则拆解、多条件商品匹配中可减少意图丢失。
成本工程：采用短 rationale + 限制递归深度（dmax=1 或 2）的 cost-matched 版本，可在几乎同数量 LLM call 下比迭代检索更准且 API 成本低近一个数量级；优先在 root 节点先试答，可避免大部分不必要展开。

QueryRec | 2026-08-31 | cs.IR | score 8/10

从计算机使用轨迹中归纳任务模型

🧭 Agent 技能归纳与任务建模

Stanford University · Carnegie Mellon University

提出 TMI，自动从交错的低层级操作轨迹中分离潜在任务并构建分层目标与控制流模型，显著提升智能体技能迁移

📌 工作参考价值（4 点）

在电商客服/运营自动化等 computer-use agent 场景中，可借鉴 TMI 从员工真实操作日志（点击、输入、页面跳转）自动归纳标准作业流程（SOP）及其子目标层次，即使用户同时处理多个任务也能分离，用于构建可复用的 agent 技能库。
技能迁移路径值得复用：先归纳出结构化任务模型（目标分解+控制流），再将其转化为 agent 可调用的技能或 few-shot 示例；论文显示该方式在 held-out 任务上相对最强基线提升 30.0%，说明结构先验对泛化有帮助。
任务模型同时包含目标层次和执行流程，比端到端 policy 更可审计、可解释，适合风控/合规要求高的电商自动化流程（如营销活动配置、订单异常处理）。
低层事件抽象成步骤、再聚类/归纳分层目标的做法，可作为用户行为序列建模中从点击流恢复用户意图/任务的参考，辅助电商场景下的多会话用户建模与 query 理解。

Agent | 2026-08-20 | cs.CL | score 7/10

对抗POMDP中LLM智能体设计：上下文、推理与层次结构的成本效益研究

🧭 LLM Agent 架构设计：上下文工程与层次分解优于深度推理

Carleton University · Defence R&D Canada · Cistel Technology

在对抗性部分可观察环境中，程序化状态抽象与无推理工具的层次分解性能最佳，推理跨层次分布导致性能级联下降。

📌 工作参考价值（4 点）

在构建推荐或电商Agent时，优先实现程序化状态跟踪层（如用户行为序列压缩、环境状态摘要），而非将原始日志直接输入LLM。论文表明状态抽象比原始观察提升76%平均回报且成本效益高。
对于多Agent系统，采用层次化分解（主Agent协调多个专业化子Agent），但避免在每个子Agent中嵌入复杂的自我反思工具，否则可能引发“推理级联”，导致性能显著下降和令牌成本激增。
成本优化时，上下文工程（特征提取、状态压缩）的性价比通常高于增加推理步骤（如CoT、自我批评），尤其在高吞吐量在线推理场景。
将推理工具集中在顶层协调器而非分发给底层执行器，以保持系统稳定性和效率。

Agent | 2026-05-15 | cs.LG | score 7/10