基于 LLM 的高效子图检索用于多跳知识库问答
🧭 MCTS + LLM 图检索 · 多跳 KBQA
用 MCTS 将子图探索转为树搜索，结合 LLM 引导节点筛选，在 WebQSP 上 Hits@1 达 78.88% 并提升效率
📌 工作参考价值（3 点）
- 在电商商品知识图谱的多跳推理或可解释召回中，可借鉴 MCTS 将子图扩展变成树搜索：对每个候选节点计算 relevance score 并回传剪枝，避免按 hop 全量扩张带来的候选爆炸，显著降低线上推理延迟。
- LLM 不做最终答案生成，而是作为搜索方向 refine 器：每一步用 LLM 判断当前节点/关系是否与 query 相关，可减少纯符号搜索的盲目性；类似思路可用于 RAG 的图索引检索或 query 到 KG 的映射，控制 LLM 调用成本。
- 节点评分反馈机制可作为召回阶段的 hard filtering：先粗召回，再用轻量打分/LLM 过滤不相关节点，适合 latency 敏感场景；在商品图谱问答或导购 Agent 中可先 MCTS 缩小候选，再进精排。
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。
双超图索引：桥接知识孤岛以支持 RAG 多跳推理
🧭 RAG 索引 · 超图聚合
School of Software Engineering, Xi'an Jiaotong University · State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, and Institute of Artificial Intelligence and Robotics, Xi'an Jiaotong University · EHV Power Transmission Company of China Southern Power Grid Co., Ltd
提出 Dual-Hypergraph Indexing，以双层超图与双路径聚合提升多跳 RAG 的逻辑连贯性与推理能力
📌 工作参考价值（4 点）
- 在商品/内容知识库 RAG 中，可显式分离实体-关系事实层（商品属性、品牌、活动事实）与深层洞察层（增长归因、趋势结论），避免单条事实孤岛导致多跳推理断裂。
- 用 5 维拓扑指标 + adaptive thresholding 做 hub 聚合，可迁移到用户-商品异构图或类目树，自动发现核心类目/品牌/场景簇，提升召回与解释性。
- 对于时效敏感场景（大促、热销榜、活动节奏），采用滑动窗口 + greedy exploration 聚合时间链，让索引保留时序演变，防止旧事实污染新推理。
- 评估多跳 RAG 时，除了单条证据命中，应增加逻辑连贯性、因果链完整性等指标，可设计跨 session/行为链的业务 QA 集。
EnSI-RAG：实体结构索引的长文档问答检索增强框架
🧭 长文档 RAG · 实体结构索引 ★ 深度解读
University of Illinois Urbana-Champaign
用实体中心 passage 和 entity-structure index 做检索句柄，把证据定位与答案生成解耦，提升长文档 QA 精度
📌 工作参考价值（4 点）
- 商品/店铺知识库构建：不要用固定 chunking；对每个商品/SKU/商家建实体中心 passage，抽取 type + property/relation/aspect（如价格、规格参数、店铺关系），用 [entity][type][field:value]→psg_id 建离线索引。线上从原始 passage 生成答案，避免表格拆散、属性与值分离。
- 多跳对比/选购问答：把同类商品对比、品牌关系、优惠条件建模为 relation 或双向 relation（如替代品、配件、belongs_to），保留一对多 set-valued 映射而不是折叠成唯一记录；LLM 只做证据合成，不负责搜索。
- 工程实现：offline LLM 抽取成本高但可摊销；online 只需 1 次 retrieval planning + 1 次 generation，适合高 QPS 场景。对商品 spec 表使用 row-level 而非 table-level 粒度；检索深度未必越大越好，可先从小 k 开始调。
- 属性粒度按域选择：标准化粗粒度属性能减少稀疏性，但法律/精确规格类需保留细粒度；电商可对标准品类用粗粒度类目属性，对参数敏感品类保留原始参数名。
链式递归语言模型实现多轮推理
🧭 多步推理 · 新鲜推理链架构
University of Maryland
将长上下文推理拆成多轮新鲜调用，通过摘要与黑板传递状态，避免错误累积
📌 工作参考价值（3 点）
- 在电商对话Agent中，将复杂查询（如多条件筛选+排序）拆成子任务，每个子任务独立调用LLM，用黑板共享中间结果，对抗长上下文遗忘
- 商品知识图谱多跳推理（如“同等价位好评率最高品牌”）可采用新鲜推理根，每步仅关注相关子图，阻断错误传播
- 推荐解释生成需融合多源信息，可引入可检查可修正的中间产物机制（如结构化摘要），提升解释准确性与可调试性
DualG-MRAG：解耦宏观推理与微观匹配的多模态检索增强生成
🧭 多模态RAG · 宏观-微观图解耦
SKLCCSE, School of Computer Science and Engineering, Beihang University
双层次图框架解耦宏观拓扑推理与微观证据匹配，抑制多模态RAG中的检索噪声
📌 工作参考价值（4 点）
- 宏观-微观图解耦架构：可迁移到电商多模态知识图谱构建，宏观层建模商品、品类间拓扑关系，微观层存储细粒度属性（如颜色、材质），分开处理避免全局推理时被局部噪声干扰，同时保留精确匹配能力。
- 查询驱动的GNN消息传递检索：作为意图感知的多模态召回模块，以用户查询为起点在图上游走传播相关性，替代单纯向量相似度匹配，更适合需要多跳证据链的复杂推荐场景（如“适合户外旅行的轻便双肩包且防水”）。
- 动态规划解码显式推理路径：不再给LLM灌输零散文档块，而是提取“图片A→属性B→场景C”的结构化路径，可提升生成式推荐或问答的可解释性，便于业务调试与用户信任。
- 细粒度视觉特征的层级使用：微观图保留局部视觉证据，宏观图仅用粗粒度表示，避免图规模爆炸；在商品搜索中可对详情图做类似分层，平衡效率与精度。
T2MLR：带时序中层循环的 Transformer
🧭 中层时序循环增强Transformer隐式推理
Princeton University · Princeton Language and Intelligence
在Transformer中层引入跨时间步的隐状态循环，缓解自回归信息瓶颈，提升推理性能
📌 工作参考价值（4 点）
- 可将中层循环引入现有LLM，通过微调提升多步推理任务性能，无需重新预训练，适合在已有Agent系统中以低成本增强模型推理能力。
- 局部循环设计（仅对20%的中间层做递归）既有效又轻量，可作为工程优化思路：在微调大模型时只改装关键的中间层块，减少额外计算开销。
- 隐状态跨步传递的机制可借鉴到需要跨轮次保持中间运算状态的应用，如对话Agent的长期上下文理解、多轮谈判策略规划等。
- 实验表明，改装1.7B模型并微调即可大幅提升数学推理，该方法也可尝试用于电商搜索中的复杂意图解析或多条件过滤推理。