VeriTrace: Evolving Mental Models for Deep Research Agents
VeriTrace：通过演化心智模型提升深度研究智能体
🧭 Agent 自我调节与认知图框架 ★ 深度解读
University of Cambridge · Technical University of Munich · The Alan Turing Institute
提出解释更新、偏差反馈、模式修订三个显式调节循环，让智能体的认知图持续逼近现实
📌 工作参考价值（4 点）
- 反馈驱动的结构化认知更新：将产品/品类知识建模为认知图，引入显式“解释更新”循环，对搜索/爬取到的信息分类（确认、矛盾、填补、意外），避免噪音累积并自动标记冲突，可直接用于电商知识图谱的持续验证与修正。
- 偏差感知的动态搜索策略：借鉴“偏差反馈”将搜索结果的期望–现实差距量化为四维信号，路由到五种策略（利用/验证/替换/转向/探索），可落地到推荐系统的多路召回编排，根据召回质量自动切换策略，减少盲目扩大召回的浪费。
- 框架级重构处理歧义与变化：“模式修订”允许在发现证据不匹配时重定义概念节点和关系（如拆分、合并、旋转维度），同时保留已有发现不变，可应用于电商问答中的意图重规划，当发现用户原意图与现实商品体系冲突时，自动重构查询结构而非强行填充错误框架。
- 可解释的证据溯源：认知图保存了任务ID到发现项的完整链路，写作时按节点提取证据子集并强制引用，适合生成式推荐中要求输出带出处的推荐理由，可直接迁移为带引用的解释生成机制。