#Stateful Retrieval

3 篇

Retrieval as Traversal: Value-Indexed Memory for Stateful Long-Context Agents

检索即遍历：有状态长上下文Agent的价值索引记忆

🧭 有状态长上下文Agent的记忆检索机制

Technical University of Munich · Nanjing University

提出价值索引记忆与局部遍历检索，分离内容与地址，验证有状态检索比无状态更易学习

📌 工作参考价值（4 点）

在对话式推荐或 Agent 多轮任务中，可借鉴“局部遍历”思想：维护一个可移动的检索头/游标，利用相邻步骤记忆重叠，减少重复全局检索开销；工程上可将向量索引组织为图结构，让查询在图中局部游走而非每次全量 ANN。
分离“记忆内容”与“地址几何”的框架可用于商品/内容 embedding 索引优化：定义价值为内容信息增益，地址距离为访问成本，用带成本正则的索引目标自动布局，让高互补且高价值的 item 在索引中靠近，冗余 item 自然分散，提升检索效率和多样性。
论文证明有状态检索在简单任务上比无状态绝对寻址收敛更快（0.59M vs 0.94M/2M+ steps），提示在需要高频连续检索的推荐/搜索场景，引入检索状态可能降低学习难度，值得在召回模块做小规模实验验证。
整体主要是学术贡献，业务可迁移性有限，上述思想可作为架构探索的参考，但需注意论文只测试了简单固定几何环境。

Agent | 2026-10-29 | cs.AI | score 6/10

RAFT：面向故障排查 Agent 的有状态检索增强框架

🧭 有状态 RAG 检索层用于故障排查 Agent

Microsoft

将历史案例建模为有向时间线条目链，在条目级检索匹配中间状态，显著提升案例命中率

📌 工作参考价值（5 点）

将长流程业务数据（如售后工单、客服会话、广告异常处理）建模为有向时间链条目，用条目级 embedding 检索，能匹配中间状态而非仅整篇相似度，提升问题定位精度。
检索时返回锚定在匹配状态的父案例轨迹，而不是完整长文档，可减少无关上下文噪声，降低后续 LLM 推理成本与干扰。
利用可配置相似性表示构建案例级图，可连接相似案例用于图检索或辅助导航，适合构建案例库的推荐和聚类功能。
只评估检索层（Case Hit）而非整个 Agent 系统，无需生产部署即可快速迭代检索策略；在业务中可先离线验证检索质量，再集成到在线 Agent。
合成数据结合真实标签数据（如 Jira duplicate labels）验证迁移性，对有标签的真实业务数据可低成本验证方法有效性。

RAG | 2026-09-17 | cs.AI | score 7/10

从抽取到导航：间接无限深度的渐进式检索

🧭 图导航召回 · 间接无限深度探索 ★ 深度解读

Kuaishou Technology · Unaffiliated

将推荐召回建模为跨请求状态演化的图导航过程，突破单次查询的深度限制，缓解搜索漂移

📌 工作参考价值（4 点）

用状态接力绕过延迟天花板：将召回视为有状态的多轮探索，通过Redis缓存上一请求的搜索前沿节点，注入下一次请求的种子集，在用户多次交互中累积探索深度而不增加单次延迟。电商/广告场景中，可对同一会话内的翻页、重搜、换词请求复用图游走状态，逐步渗透长尾商品。
图硬负采样对抗搜索漂移：在训练时从协同图与语义图中采样拓扑接近但无正交互的邻居作为硬负例，结合pairwise margin loss，让判别器学会区分“结构近但意图远”的节点，抑制多跳导航中的累积误差。在自身召回模型里可直接引入图结构硬负例，提升检索精度。
意图锚点融合近期与遗忘兴趣：初始化触发集时，将用户近期曝光项与历史中出现但近期缺失的品类项合并，避免兴趣窄化。广告推荐中可借鉴，用关键品类标签补齐近期未覆盖类目，确保召回起点同时兼顾实时意图与沉睡兴趣。
双图异构导航实现互补探索：同时构建协同图（Swing i2i）和语义图（多模态LLM embedding），融合行为相似性与内容相似性路径。电商场景下，协同图保证物理关联，语义图通过画像/标题/视觉相似性发现跨类目商品，适合新品冷启动与跨域推荐。

RecSys | 2026-06-29 | cs.IR | score 8/10