SSR：面向 LLM 编排多智能体系统的结构化信号检索器
🧭 多智能体 Agent 发现的确定性检索
Institute of Computing – State University of Campinas, Brazil
用 Agent Card 结构化字段 + IDF 权重 + 倒排信号索引，在不训练的情况下压缩候选上下文，实现可扩展 Agent 发现
📌 工作参考价值（4 点）
- 在多 Agent 推荐/搜索编排中，Agent 注册表规模增长时，不要把所有 Agent Card 都塞进 LLM 上下文：可提取 capability-bearing 字段（如技能、工具描述）构建结构化倒排索引，先做确定性候选预筛，只把 top-k 卡片交给 orchestrator，能直接降低 token 成本、延迟和上下文超限风险。
- 对电商/广告场景中的工具或子 Agent 路由，IDF 加权的结构化稀疏检索比 embedding 检索更轻量、可追溯、无训练成本，适合需要审计和冷启动的服务发现模块；可用类似方式给商品类目、服务能力字段建索引。
- 论文的 Inverted Signal Index 思路可复用到 RAG 或推荐召回：只对高区分度字段/信号显式打分，避免全量候选逐一过模型，在保证效果的同时减少计算量；其 MS MARCO 实验中显式打分段落减少 96.8% 的结果说明了这一点。
- 端到端编排中维持紧凑候选上下文是工程上的关键约束：即使上游检索指标不变，控制送入 LLM 的候选数量也能避免全量 catalog 带来的 operational failure，这对生产级 Agent 系统和高并发广告出价/推荐链路都有参考价值。
EMBL AI 图书馆员：面向 AI 代理的生命科学文献知识层
🧭 面向 AI 代理的文献检索 · 证据提取
EMBL Rome, European Molecular Biology Laboratory · European Bioinformatics Institute (EMBL-EBI) · Sapienza University of Rome · Uppsala University · Heidelberg University
将结构化文献搜索升级为自然语言证据检索层，大幅提升科学代理的问答、验证与综合性能
📌 工作参考价值（4 点）
- 领域知识层架构可迁移至电商导购 Agent：将核心思想——用 LLM 将自然语言问题分解为互补子查询，对接现有搜索引擎 API，并以“证据”而非整篇文档返回——直接用于构建商品知识检索层，为电商对话推荐 Agent 提供精准的商品属性、评价摘要或政策依据。
- 子查询规划与合并策略：借鉴其 LLM 动态生成多个子查询、去重并汇聚证据的方式，可用于复杂推荐解释或多条件检索场景，避免 Agent 硬编码搜索语法，提升召回覆盖率和信息密度。
- 评估方法启发：论文使用的 Citation F1 指标可用于推荐系统生成解释时的引用准确率评估，尤其适合需要引用原文（如用户评价）的场景，可设计类似的证据覆盖度与精确度指标。
- 实时检索与证据定位流水线：该工作结合了现有搜索引擎的实时检索与 LLM 的精读定位，方案轻量且无需重新索引，电商领域可直接套用此模式，将商品搜索 API 与 LLM 结合，为 Agent 提供“事实性回答”能力，降低幻觉风险。