面向多智能体系统的企业 RAG 知识层：先组织后检索
🧭 企业 RAG · 多 Agent 知识组织
Cognizant, Plano, Texas, USA
将本体置于 artifact 层，用元数据注册表与导航超图先组织后检索，实现结构化消歧避免跨服务规则混淆
📌 工作参考价值（4 点）
- 结构化过滤优于向量排序：在电商/广告 RAG 中，同名词如「优惠券」「活动价」在不同业务线含义不同，向量检索容易返回高相似但错误上下文的片段。可先解析查询到 artifact ID 或业务域，用元数据约束候选集，让错误来源的内容不进入排序，而非依赖打分压过。
- 轻量元数据注册表替代重型本体：不要一开始就构建内容级实体关系图，成本高且难以维护。利用生成式语料自带的 provenance（来源服务、组件、域、类型）做稀疏元数据索引，几天内即可上线，适合快速迭代的推荐/广告知识库。
- 超图定义在文档/规则 artifact 而非实体上：跨服务旅程查询（如从商品详情到订单到售后）可以用 artifact 超图导航，先确定相关 artifact 集合，再做向量检索，避免实体链接爆炸。
- 新服务按约定接入：设计一套轻量 schema（服务名、域、类型），新接入业务线只要按约定注册元数据即可扩展，无需重新训练或构建图，适合多业务线快速扩展的 Agent 工作流。
基于任务超图学习互补智能体组用于缺失模态下一兴趣点推荐
🧭 多 Agent 任务超图驱动的 POI 重排 ★ 深度解读
Swinburne University of Technology · Australian Catholic University · University of Tennessee · University of Tokyo · Deakin University
用任务超图动态选择互补 Agent 组，在缺失多模态 POI 重排中带来 8.4–9.1% NDCG@20 相对提升
📌 工作参考价值（5 点）
- 可把重排拆成明确任务类型（全局状态更新、候选对比、缺失模态补偿），再用超边记录 task-target-members，既便于策略学习，也便于做成本约束和消融。
- 采用固定角色 Agent + 共享冻结 LLM + 角色级 LoRA，并用任务局部状态隔离多任务执行，适合在线 Serving 中复用同一 LLM 骨干而不互相污染。
- 广播候选级共享结果再指导下轮操作，比各 Agent 独立评分后融合或单控制器顺序取证据更有效；在复杂候选排序场景可以用类似的成员间共享证据机制。
- 两阶段训练值得复用：先监督 warm-up 学 executor 和 ranking head，再固定 executor 用 PPO 学 task/member/operation/stopping 策略，并把 computation cost 直接加入 reward，得到可解释的质量-成本曲线。
- 缺失模态处理建议显式保留 mask，区分“缺失”和“零值特征”，只利用可用证据更新候选状态，不改原始模态；这比丢弃 mask 或插补更稳健。
非对称动态路由：平衡超图RAG中的推理深度与计算效率
🧭 查询自适应超图RAG路由
School of Software Engineering, Xi’an Jiaotong University · State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University · EHV Power Transmission Company of China Southern Power Grid Co., Ltd
提出意图条件路由框架ADR，用轻量分类器动态调度三种非对称拓扑遍历算子，减少48.7% token和45.3%延迟
📌 工作参考价值（4 点）
- 在电商知识问答/导购Agent中，对用户query做轻量意图分类：事实型查询（如“某商品材质”）走局部事实锚定，减少全图遍历；对比/推荐理由类查询走自底向上邻接扩散，获取关联实体；策略/选品建议类查询走自顶向下洞察接地，引入高层抽象知识。
- 可复用“非对称遍历算子”设计：不同意图对应不同图计算代价，避免静态RAG对所有查询执行同等深度检索，显著降低prompt token和端到端延迟，适合高并发在线推荐场景。
- 若已有商品知识图谱或用户-商品异构图，可参考ADR的层次路由思路：在召回/排序前置一个轻量分类器，动态决定图扩散深度与方向，平衡效果与算力，尤其利于边缘部署或成本敏感业务。
- 结果表明动态路由能在保持推理质量前提下节省近50% token，对依赖LLM做导购解释、推荐理由生成的业务，可降低API成本并提升响应速度。
超图嵌入索引：高效稠密向量检索
🧭 向量检索 · 倒排索引
Sodhana
HEI 按高激活潜维度组合组织文档，用倒排索引生成候选并保留语义排序
📌 工作参考价值（4 点）
- 在电商向量召回中，可将商品/用户 embedding 的高激活维度组合构造成倒排索引，替代或混合 HNSW，降低线上粗排阶段延迟与内存占用；适合作为大规模候选生成层。
- 采用多个互补超图（不同维度子集、不同激活阈值、不同语义簇）做多路召回，再融合重排，能提升长尾商品或冷门内容的覆盖，避免单超图维度增加带来的组合爆炸。
- 引入 activation diversity 作为诊断指标：评估当前训练出的 embedding 是否适合坐标倒排索引；若 diversity 低，可考虑加稀疏正则、维度解相关或调整训练目标，使向量更可索引。
- 该框架对 embedding 的稀疏/高激活特性有依赖，在业务中可先对已有向量做激活分布分析，判断是否值得迁移到倒排索引路线。
HyperAgent4POI：动态语义消息传递的多智能体超图缺失模态推荐
🧭 缺失模态补全 · 超图消息传递 · LLM增强推荐 ★ 深度解读
Swinburne University of Technology · Tongji University · Singapore University of Technology and Design
在超图层内用冻结Llama+LoRA联合完成模态补全与软关联细化，有效应对POI多模态缺失
📌 工作参考价值（4 点）
- 缺失模态补全与消息传递层内耦合：电商商品描述、图片常缺失，可借鉴DSMP在每层GNN/超图传递时利用LLM根据当前邻域上下文动态补全，使用冻结主干+LoRA适配器，既避免重训大模型又比一次补全更准确。
- 软关联学习控制拓扑漂移：推荐图中交互边常有噪声，DSMP通过有界候选池（固定K_ret）、软关联分数和保守KL正则，允许层内拓扑可微调整。可迁移到物品共现或查询-文档超图，用阈值筛选控制图规模，提升高阶关系挖掘的鲁棒性。
- 离线LLM语义增强，在线无LLM延迟：角色提示词和LoRA操作仅在训练/离线刷新时运行，最终节点表示缓存用于点积排序，线上不调用LLM。在搜索推荐系统中，可离线用LLM丰富商品或用户表征，在线直接检索缓存向量，兼顾效果与性能。
- 可插拔角色适配器与消息接口：聚合、拓扑、补全等语义操作使用同一冻干主干但各自独立的LoRA，模式高度复用。在商品属性补全、用户兴趣演化等任务，可定义不同提示模板和LoRA适配器，保持主干参数冻结，大幅减少训练参数量，适合多任务和轻量化部署。
工具并非孤岛：基于超边预测的LLM Agent集合级工具检索
🧭 Agent工具检索的集合级重定义与超图建模 ★ 深度解读
Shanghai Jiao Tong University · The Hong Kong Polytechnic University
将工具检索重构为查询条件超边预测，以工具集合整体为单位评分，并捕捉基数依赖的工具交互
📌 工作参考价值（4 点）
- 把工具集当作整体来打分：在电商 Agent 场景（如比价+下单+物流查询）中，不要只按单个 API 相关性召回，可参考 HYSET 的超边预测思想，对候选工具子集做联合评分，直接优化「工具集合是否完整覆盖任务」指标。
- 用基数特异性交互矩阵捕捉工具间依赖：多工具任务中，工具之间的互补性随集合规模变化。可以用一组按集合大小索引的交互矩阵（即 M2, M3, M4 …）来建模这种动态依赖，参数开销远小于显式高阶张量。
- 执行反馈可作为弱监督信号：即使只有部分标注数据，也可以在线采集工具调用链的最终任务成功与否作为奖励，通过 reward-weighted self-training 持续优化检索模块，尤其适合随时新增 API 的电商工具库。
- 两阶段推理兼顾效率与集合评分：先用轻量双编码器做 top-K 初筛，再用集合重排序在缩减后的空间里显式对比不同大小、不同组合的候选工具集，推理延迟可控（12 ms/query），可直接嵌入生产级 Agent 管线。
键值分离超图证据组织：多跳RAG的可复用控制机制
🧭 多跳RAG证据组织
Faculty of Computing, Harbin Institute of Technology
提出HKVM-RAG，用超图键值分离组织多跳证据链，作为独立于密集检索的证据控制信号，在三个多跳QA基准上显著提升F1。
📌 工作参考价值（4 点）
- 商品关系路径管理：电商中商品间存在“配套/替代/互补”等多跳关系（如手机→充电器→快充协议）。可借鉴超图建边将多条关系链聚合为高维键，分离存储商品描述文本作为值，检索时直接从键定位完整关系路径，避免中间实体断裂。
- Agent决策链缓存与复用：多Agent协作时，单代理的推理链（如“用户意图→查询改写→API调用”）可视为多跳证据。将成功执行链的LLM中间结果缓存为超边键，对应执行结果作为值，形成经验库。新任务时用查询匹配超边键，直接拉取完整决策链，降低重复推理开销。
- 结构化信号与密集检索融合：本工作证明超图检索分数可作为有效控制信号，与冻结的密集检索器（ColBERTv2）配合。在推荐场景，可将知识图谱子图结构分数与语义向量召回分数简单融合，用轻量控制器（如XGBoost）学习组合权重，提升召回相关性而不必重训检索器。
- 固定子层实验协议：论文固定了证据元组缓存、候选段落、Reader等变量，仅改变键结构，这种对照实验设计范式可用于评估公司内部不同知识组织方式（如图索引vs向量索引），快速定位瓶颈。
个性化动态超图增强的KAN-Transformer多行为序列推荐
🧭 多行为序列推荐 · 超图与KAN ★ 深度解读
Hangzhou Dianzi University · Sanya Traditional Chinese Medicine Hospital · Rocket Force University of Engineering · NetEase Inc.
融合个性化动态超图与KAN-Transformer，同时捕捉行为异质高阶关系和细粒度非线性模式
📌 工作参考价值（4 点）
- 动态行为权重超图：针对电商多行为（浏览、加购、购买），根据用户历史行为计算个性化权重，加权 item 相似度矩阵构建动态超边，有效捕捉用户特定的高阶行为关系，可直接增强推荐系统中辅助行为的利用效率。
- KAN 替换 FFN：用 Kolmogorov-Arnold Network 替代 Transformer 中的前馈网络，按输入维度学习独立的径向基函数组合，为不同潜在行为模式提供专用响应函数，解决标准 FFN 的“共享映射”问题，在行为序列建模中可提升细粒度拟合能力。
- 双分支融合架构：超图分支捕获结构与共现关系，KAN-Transformer 分支建模时序与非线性偏好演化，通过可学习的融合系数平衡两者，适用于电商场景中复杂行为序列的联合建模。
- 行为权重先验：对各行为类型预设差异化初始权重（如购买=1，加购=0.7，浏览=0.3），与数据集动态匹配，可作为工业级多行为推荐的基础配置，降低噪声行为干扰。
ForestHG-Trace：大规模森林场景中可追踪的长期生态推理框架
🧭 Agent 长期推理 · 工具增强 · 可审计执行
Xi'an Jiaotong University · Xidian University · Zhejiang University
用生态超图和工具增强的 LLM Agent 实现可审计的长期推理，将问答转化为可执行分析流程
📌 工作参考价值（4 点）
- 工具化推理链可移植至电商分析 Agent：将复杂查询拆解为过滤、聚合、比较等确定性原子工具，每条操作可追踪和审计，适用于竞品分析、用户行为归因等场景。
- 超图表示捕获高阶关系：使用超图建模实体间的多边交互（如用户会话超图、商品共现超图），比场景图更能表达复杂的生态或业务结构，可提升 Agent 对上下文的推理精度。
- 执行深度是长链推理的核心瓶颈：论文指出多步工具调用的深度显著影响成功率，提示在 Agent 工程中需重点优化长链规划、中间状态管理和错误恢复。
- 构建可执行的评估基准：为 Agent 推理任务设计带有中间步骤验证的 Benchmark（如 ForestTraceQA），可借鉴到电商领域构造复杂查询的审计型评测集，推动模型从端到端预测转向可验证执行。