TRACE: Business Rule-Grounded Reasoning Curriculum for Knowledge-Preserving Parametric Tool Retrieval in Enterprise LLMs
TRACE：基于业务规则的推理课程实现知识保留的参数化工具检索
🧭 工具检索 · 业务规则推理 · 知识保存 ★ 深度解读
SAP Labs
通过两阶段课程与业务规则推理轨迹，在保持工具知识的同时实现单束解码的高召回工具检索
📌 工作参考价值（4 点）
- 业务规则注入推理轨迹的方法可迁移至电商推荐/搜索：将促销规则、禁售约束、新品权重等转化为“规则-推理-答案”训练数据，让模型在生成推荐或查询改写时显式引用规则，提升准确率和可解释性。
- 两阶段课程设计可缓解微调遗忘：先通过多格式记忆（LoRA）保持原始知识，再叠加推理增强任务，适合在推荐模型持续学习新业务规则时防止商品属性知识退化，确保工具/商品 ID 的语义锚定。
- 单束贪婪解码替代约束束搜索：将推理过程融入生成，避免推理时前缀 trie 约束，大幅降低延迟（~200× 吞吐提升），可直接部署于实时搜索推荐系统。
- 合成数据管道生成规则覆盖：通过 LLM 将领域专家编写的业务规则转化为多样化查询-推理对（显式、隐式、异常三种风格），可在规则较少时快速扩充训练数据，适用于电商意图识别、多意图查询路由等场景。