AI Papers Daily

#Scientific Literature

3 篇

FootprintRAG: Visual Analytics for Evidence Context Refinement in RAG-based Scientific Literature Exploration

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。

RAG | 2026-09-17 | cs.HC | score 6/10

RAGVisual AnalyticsLLM AgentEvidence RefinementScientific LiteratureProvenance

GRAFT: Graph-Distilled Generative Retrieval for Facet-Aware Scientific Literature Exploration

GRAFT：面向多维 facet 的科学文献探索图蒸馏生成式检索

🧭 生成式检索 · 图蒸馏与 facet 归因 ★ 深度解读

King's College London

将多维 facet 论文关系图蒸馏进生成式检索器，用 coverage-aware 蒸馏与 graph-RRF 保留覆盖和归因，免索引推理

📌 工作参考价值（4 点）

• 多面关系建模：把商品/内容之间的关系显式拆成多个 facet（如功能、场景、风格、人群），每条边带类型+强度；召回/推荐时按 facet 分别检索并保留「为什么推荐」的 provenance，直接输出推荐理由。
• 生成式推荐 ID 设计：用自然语言 facet-item/卖点短语作为 DocID，而非数字 cluster ID，能显著复用 LLM 先验；论文中自然语言 DocID 比 numeric codebook R@20 高 2.4×。
• 解决长尾/冷启动的 coverage-aware distillation：生成式训练里若只按边均匀采样，稀疏图会导致 16% item 从未被作为 target 训练；落地时可采用 min-coverage floor + reverse-neighbour fallback 补齐全量商品覆盖，尤其对冷启动物品有效。
• 用 graph-RRF 做多路召回融合：对每个 facet 的生成候选按 RRF 打分后乘以 query-candidate 图边权重，无边的候选归零过滤；可借鉴到商品知识图谱/关系图与生成式推荐融合，防止模型生成「幻觉邻居」；论文中 graph-RRF 相比 plain fusion R@20 +13.38%。

GenRec | 2026-08-23 | cs.IR | score 8/10

Generative RetrievalGraph DistillationFacet-aware RetrievalCoverage-aware DistillationGraph-RRFScientific Literature

Multi-Turn Agentic Scientific Literature Search via Workflow Induction

基于工作流归纳的多轮智能体科学文献搜索

🧭 Agent 工作流生成 · 多轮搜索

University of Illinois Urbana-Champaign · Together AI · University of Pennsylvania · Stanford University

PaperPilot将多轮文献搜索构建为可执行、可编辑的DAG工作流，结合用户反馈实现高效可控的搜索对齐

📌 工作参考价值（4 点）

• 将搜索过程显式化为可编辑的DAG工作流（关键词搜索→引用扩展→过滤→重排序→证据提取），可为电商搜索/推荐Agent提供可解释、可调控的交互式搜索链路，便于开发者调试与用户定制。
• 利用用户反馈调整工作流结构（如增加查询扩展或调节评分权重）的思路，可迁移到电商多轮查询改写与召回路自适应，例如基于前一轮推荐结果的隐式反馈动态插入过滤或重排序模块。
• 训练采用监督工作流模仿（从人工工作流中学习）与偏好优化（对生成的工作流进行可控破坏并学习偏好）的组合方式，可借鉴到电商工具调用Agent的训练中，提升工作流生成的准确性和执行稳定性。
• 工作流执行错误率从9.5%降至0%，表明显式结构化调用比纯推理更可靠；在电商客服、导购助手等场景中，可设计类似的结构化操作链，降低非法操作风险，提升系统鲁棒性。

Agent | 2026-07-01 | cs.IR | score 7/10

Agentic SearchWorkflow InductionMulti-turn InteractionPreference OptimizationDAGScientific Literature