FIRME：基于注册锚定记忆图演化异构投资者知识
🧭 Agent 持久记忆 · 实体对齐知识图谱
The Vanguard
用注册锚定记忆图解决知识图谱中同一关系表面形式不同导致的历史碎片化问题，提升跨期实体对齐与证据积累
📌 工作参考价值（4 点）
- 可借鉴 registry-anchored 的实体管理思路：在电商/推荐场景中，同一商品、用户、话题常以不同表面形式出现在搜索、评论、会话、交易等来源，建立 canonical identity + persistent alias 的注册表能避免关系历史碎片化，让跨渠道、跨会话证据持续积累。
- deterministic updates 对强化、休眠、再激活的总结方法可以迁移到用户兴趣或商品热度的时间衰减模型：不依赖重训 embedding，而是在图谱层维护带时间戳的聚合状态，降低工程复杂度。
- rule-based fusion 结合固定 ontology 的做法可作为轻量级替代：在没有大量标注的情况下，把非结构化文本（如客服对话、商品评论）与结构化信号（如购买、现金流）对齐，适合快速搭建可解释的领域知识层。
- 关注 provenance 与 round-trip 诊断：在 Agent 或 RAG 系统中输出必须可溯源，FIRME 保留 source/time/context 并提供提取忠实度检验，这对线上推荐解释、风控审计有直接参考价值。
RSIHub：可组合的 Agent 进化方法框架
🧭 Agent 进化框架与实验治理 ★ 深度解读
University of California, Berkeley · University of Science and Technology of China · Douyin Group · Shanghai Jiao Tong University · Beijing Institute for General Artificial Intelligence
开源框架将 Agent 进化策略与执行评估解耦，支持公平对比、溯源与受保护评测
📌 工作参考价值（4 点）
- 在电商/广告 Agent 迭代中，把「策略改动面」和「评估面」分开：对 prompt、工具、编排做自动进化时，将评测器、数据切分、认证记录放在框架侧，禁止 mutate 触碰评估配置；这能避免上线 Agent 优化时因评测漂移导致错误归因。
- 借鉴 train/gate/sealed 三分法：用 train 产生反馈、gate 做准入、sealed 做 held-out 报告。搜索推荐场景中，可对应历史反馈窗口、回放准入窗口、未来线上 sealed 时段；防止对历史日志过拟合，暴露 query 改写/文案生成的泛化问题。
- 建立轻量 provenance/lineage：每个候选版本绑定 commit、recipe snapshot、模型版本、数据集指纹、split 与得分，便于回溯和审计；框架独占开销 <0.02% 生成时间，可集成进现有 MLOps。
- 复用 recipe+operator 组合模式：把进化策略写为算子，用配置声明 mutable surface，能让 A/B 对比不同 prompt/策略搜索算法时少写端到端实验代码，团队可快速替换单个策略组件。
FootprintRAG：科学文献探索中RAG证据上下文精炼的可视化分析系统
🧭 RAG 证据上下文可视化精炼
Computer Network Information Center, Chinese Academy of Sciences · University of Chinese Academy of Sciences · Hangzhou Institute for Advanced Study, UCAS · University of Technology Sydney · Western Sydney University
将RAG证据上下文显式化为可检查、可修订对象，通过LLM-agent与可视化视图支持多轮检索、证据精炼与溯源摘要生成
📌 工作参考价值（4 点）
- 在商品知识库问答或客服 RAG 场景，把检索到的证据片段（商品属性、用户评论、政策条款）显式呈现为可勾选/排除的候选列表，生成前允许业务人员修正证据上下文，减少隐式过滤导致的错误答案。
- 引入多轮检索轨迹可视化：记录每轮 query 变体、召回、重排和采纳/丢弃状态，便于调试 RAG pipeline，定位漏召回或误排序原因，类似检索评估矩阵。
- 用 LLM-agent 自动化证据评估与补充候选生成：对每条证据打分并基于语料级证据空间推荐 ERS 排名补充候选，可迁移到广告文案生成中的素材/卖点证据挖掘与推荐。
- 摘要生成支持 provenance-aware，每条结论可追溯到来源证据单元，适用于电商导购内容合成或商品推荐理由解释，增强可信度与合规性。
CONTINUITY：可组合 LLM Agent 安全控制的安全上下文合约
🧭 Agent 安全控制组合验证
ZAST.AI
用 assume-guarantee 合约与认证安全上下文，保证 LLM Agent 跨组件端到端后果完整性
📌 工作参考价值（4 点）
- 在电商/广告/搜索的 LLM Agent 系统中，跨工具、跨组件调用（商品库、广告投放 API、用户数据）时必须显式传递认证上下文，不能依赖组件内部假设；可借鉴「签名 root grant + 接收回执」模式防止授权被中途丢弃或重放。
- 设计多 Agent 协作或工具编排时，采用 assume-guarantee 合约显式声明每个组件的输入前置条件和输出保证，避免单组件安全测试通过但组合后出现上下文断裂；适合安全敏感的推荐策略、召回和排序服务。
- 引入 transformation witness（字段级来源和变换证明）应对数据血缘要求：例如商品信息经清洗、聚合、过滤后产生推荐结果时，能追溯每个字段的修改链，满足合规审计。
- 工程实现上，可信核心仅 1.5K LOC，验证延迟在毫秒级（proof 4.21ms，端到端 7.17ms），可嵌入实时推荐链路做安全校验，无需引入重型可信执行环境。
MIVAIS：多智能体混合主动式可视分析研究环境
🧭 多智能体混合主动可视分析平台
ETH Zürich, Switzerland
提出MIVAIS双层平台，标准化多智能体状态同步与通信，并自动记录多模态人机协作溯源数据
📌 工作参考价值（3 点）
- 借鉴其集中式 World State + Agent Registry + Communication Channels 架构，将多智能体推荐/搜索系统中的状态同步从各服务私有化改为共享“世界状态”，降低 agent 开发与联调成本；特别是加入 Permission Guard 可统一控制人机协作中 agent 的写权限，适合电商导购/客服等半自主场景。
- 采用声明式实验配置（YAML 定义任务、角色、数据采集）与自动多模态溯源（应用状态、屏幕录制、音频、传感器）建设 Agent 系统的用户研究/在线评估闭环，避免为每次实验重复埋点。
- 其自动回放与交互时间线可用于事后分析用户与推荐/搜索 agent 的协作过程，定位“用户在何时拒绝或修正 agent 建议”的序列模式，对优化生成式推荐交互有直接参考价值。
VeriPhy：面向世界模型评估与改进的可审计物理验证智能体
🧭 Agentic 物理推理验证与证据溯源
Carnegie Mellon University · Georgia Institute of Technology · Northeastern University · Adobe Research
用类型化物理义务和冻结专家证据做可溯源三态裁决，覆盖 228/304 个真实生成缺陷
📌 工作参考价值（4 点）
- 在商品短视频/广告创意质检中，可借鉴「先用纯文本 planner 生成 typed obligations 和静态 plan，再调用冻结专家工具」的架构：先定义必须验证的物理/视觉义务（如商品完整露出、文字可读、动作合理），避免 LLM 自由观察导致的遗漏和幻觉。
- 把每次模型判断封装为携带 provenance 的 evidence record，并输出 supported/contradicted/unknown 三态，而不是 scalar score；这样业务审核、badcase 复盘、合规审计能定位到具体帧/轨迹/OCR 证据，便于追责和修正。
- 将 critic verdict 作为 refinement 接口写回生成：在广告文案/视频生成中，不要只用总分 reward，而用结构化失败证据（哪句文案、哪个时刻、哪条义务 violated）驱动 prompt/policy 更新。
- 用 frozen low-level expert（OCR、分割、计数等）而非端到端大模型做测量，可降低幻觉并复用现有服务；在商品属性校验、广告落地页一致性检查中可落地。
LineageRAG：构建带来源锚定的证据谱系增强 GraphRAG
🧭 GraphRAG 多跳证据溯源与锚定
XiaoLab, Beijing University of Posts and Telecommunications · Xi'an Jiaotong University
为每个证据需求构建显式谱系并通过原文字段锚定来源，显著改善多跳检索与生成效果
📌 工作参考价值（3 点）
- 在电商知识图谱/商品属性图上做多跳推理时，可先将用户 query 拆成多个证据需求（如品类、属性、场景约束），并在图谱遍历中保留每个候选与需求的绑定关系，避免最终结果只覆盖部分意图。
- Agent 做多步检索/推荐解释时，可借鉴 lineage completion：用已检索片段的 provenance 选择互补证据，并强制对每个需求提供原文字段支撑，缺少支撑的需求触发补召回或降低置信度，从而提高可解释性和防幻觉能力。
- 工程上可把“需求初始化 → 需求条件检索 → 谱系补全 → 来源锚定”拆成独立模块，在电商 RAG pipeline 中输出带有引用来源的结构化证据链，便于 debug、评估和线上链路追踪。
LEDGERMIND：基于结构化证据账本的溯源约束多模态智能推理
🧭 溯源约束的多模态Agent推理框架
The Hong Kong University of Science and Technology (Guangzhou) · The University of Hong Kong · Tsinghua University · University of Sussex
将多模态Agent轨迹构建为溯源约束状态机，用结构化证据账本限制推理，提升准确性与轨迹忠实度
📌 工作参考价值（4 点）
- 在电商商品问答或推荐解释等场景中，可借鉴结构化证据账本约束Agent的推理链：要求每条中间论断必须引用来自工具调用（如商品数据库、图像识别）的确定证据，防止产生“幻象接地”式的错误推荐理由。
- 自适应双路分发器根据查询复杂度动态选择推理深度，可迁移至搜索/推荐系统中的多模态查询处理：简单意图走轻量路径，避免过度调用昂贵模型，兼顾效率与准确性。
- 事件触发验证与修复引擎可应用于实时纠错：当监测到推理过程中的证据不一致时，仅允许基于已有账本条目的修复操作，杜绝凭空捏造信息，保障推荐理由的事后可审计性。
- 三层接地协议（实体级、数值级等校验）可直接用于商品属性抽取与校验，确保生成的商品描述或推荐文案中实体名称、数值参数等与原始多模态信息严格一致，降低事实性错误。
ProvenAI：生成答案中证据的来源原生追踪
🧭 RAG归因 · 多跳问答透明度
University of Arizona
提出三层透明度框架，独立测量答案正确性、引用忠实度与文档影响力，揭示引用-影响差距
📌 工作参考价值（4 点）
- 推荐解释的可信度评估：借鉴 leave-one-resource-out 消融方法，量化推荐理由（如商品评论、属性）对最终推荐的实际影响，避免“引用了但没起作用”的虚假解释。
- Agent 多步推理审计：在多步搜索或决策 Agent 中，对每步检索结果进行消融，度量每条知识对最终动作的因果贡献，构建真正可追溯的决策链。
- 引用忠实度作为线上指标：设计答案与引用内容的一致性得分，作为 RAG 系统生成质量的持续监控指标，及时捕捉生成幻觉或引用虚标。
- 多层透明度框架迁移：将透明度拆分为结果质量、解释正确性和信息实际影响力三个独立维度，分别测量，可用于电商搜索排序的解释面板或 Agent 调试工具。
为什么邻域重要：Agentic GraphRAG 中的遍历上下文与溯源
🧭 RAG ★ 深度解读
University of Southern Denmark
发现 Agentic GraphRAG 中最终引用实体虽必要却不充分，答案还依赖未引用的遍历上下文与图结构