混合检索的融合税：稀疏-稠密融合何时有害的诊断分析
🧭 混合检索 · sparse-dense 融合诊断 ★ 深度解读
Independent Researcher, Bothell, WA, USA · Independent Researcher, Issaquah, WA, USA
系统量化 BM25+密集检索融合在单查询上的损失，发现即便平均提升，13-48%查询反受损
📌 工作参考价值（4 点）
- 不要默认 RRF：若目标 domain 的 dense 检索明显强于 BM25，用 dense-heavy score interpolation（α=0.6-0.7）比 RRF 更稳；RRF 只在两路强度接近时更合适。
- 上线前做 per-query fusion 损益审计：统计比单独 dense 差的 query 占比（该论文 8-21%），尤其对风险敏感的商品搜索/广告召回；不要只看平均 nDCG。
- 不要依赖便宜 query 特征做跨 domain 路由：同一特征在不同 sparse-dense 平衡下方向会翻转，跨 dataset AUC 仅 0.59，路由收益不可靠；可考虑更重的 LLM judge 或在线评估。
- 排序第二级 reranker 不一定能修复第一级融合损失：先在目标域确认 reranker 可靠性；若 reranker 可靠，约 71-90% 原受损 query 被修复但会引入新 hurt query，需持续监控。
因果引导的知识图谱检索 Agent 用于问答
🧭 Agent 因果检索 · 知识图谱 QA ★ 深度解读
University of North Carolina at Charlotte
提出 CARA，以证据对回答的因果贡献替代纯文本相似，引导 KG 检索 Agent 并融合多轨迹
📌 工作参考价值（4 点）
- 在电商商品知识图谱或导购 Agent 中，把召回/排序的相似度信号替换或补充为因果相关性评分：对候选商品/证据问“加入它是否实质性改善对用户 query 的回答/推荐，去掉它是否损失关键证据”，可有效过滤“相关但不必要”的商品，减少推荐噪音，尤其适合长尾 query 和复杂约束场景。
- 采用多 Agent 并行探索 + RRF 融合：多个 agent 用不同初始锚点和子查询独立遍历，最后用 reciprocal rank fusion 聚合，比简单的 count-based vote 更鲁棒；可迁移到多策略召回/多路搜索融合，成本可控且提升召回稳定性。
- 聚焦探索与成本控制：因果评估能减少无效 hop 和工具调用，但会引入 LLM 评估延迟；业务落地时可对候选批量评估、只对 top-k 邻居调用因果模块，或用轻量模型/规则做初筛后再评估，在效果与延迟间取平衡。
- 论文在 STaRK 的 AMAZON 电商数据集上验证有效，其 causal prompt 设计（明确“不是文本相似”，给出 0-0.2 无关、0.9-1.0 决定性等评分量表）可直接参考迁移到电商 QA、导购知识库检索等场景。
MemoryCPT：面向成本-性能权衡的端到端Agent记忆框架
🧭 Agent记忆优化 · 成本与性能权衡 ★ 深度解读
香港科技大学 · 香港科技大学(广州) · 腾讯LIGHTSPEED STUDIOS · 香港中文大学
通过离线蒸馏记忆构建 + 在线GRPO摘要优化，在长对话问答中同时提升答案质量并大幅降低推理成本
📌 工作参考价值（4 点）
- 离线记忆构建与在线检索分离：将记忆压缩为可复用的片段（episodic + semantic），整体记忆构建成本可以在多次查询间摊销，适合电商Agent持续对话或长期用户画像维护，避免每次请求重复处理全量历史。
- RRF融合稠密与稀疏检索：在商品知识库或用户行为记忆中，结合 embedding 和 BM25 两种信号做初步召回，再用 LoRA 摘要器压缩，能有效降低下游 LLM 的 token 消耗——可直接用于客服意图识别或推荐语生成前的背景筛选。
- GRPO 训练成本感知摘要策略：用加权奖励（F1 + token节省）训练摘要模型，使 agent 学会“用最少且最关键的上下文回答问题”。在电商搜索结果摘要生成或广告文案自动适配中，可以借鉴此方法，在字数限制下优化信息含量。
- QPC 指标量化智能密度：在评测推荐解释、Agent 回答或 query 扩展时，除看准确率，也应关注单位推理成本的产出，便于在工程上做模型选型与预算控制——尤其是当需要高频调用大模型时。