#Task Dependency Graph

2 篇

Org-Agent: Beyond Personal Assistants Towards Organizational Agents

Org-Agent：组织级多用户智能体的约束中心推理框架

🧭 组织级多用户 Agent 约束感知调度 ★ 深度解读

The Department of Computing, The Hong Kong Polytechnic University, Hong Kong SAR

提出约束中心的组织级智能体框架，用任务依赖图加约束感知工具同时提升跨用户决策与记忆利用

📌 工作参考价值（4 点）

多角色协作工作流：把运营、风控、商品等多方请求拆成原子子任务并构造 Task Dependency Graph，拓扑排序后先解决依赖（如先取库存/风控结论再出促销方案），可避免 LLM 一次性处理全部上下文时的遗漏与冲突。
显式建模组织约束：将用户身份、权限、信息归因、时效、冲突解决规则做成节点属性或元数据过滤条件，执行时按 asker 身份过滤记录（如 author=UserID + phase），能显著降低越权泄露和错误归因，适合客服/审批类 Agent。
证据获取工具三件套：相似度评分（lexical+semantic，α=0.5 平衡）+ 条件过滤 + 关系遍历（reply/decision 边），比纯 RAG 或全量建图更准且成本更低；多轮对话、售后记录、团队消息流检索可直接复用。
执行记忆 Read/Write：把前置节点结果写进 structured records/running summary，下一节点组装上下文时读取；在选品→定价→投放等长链路推荐 Agent 中维护执行记忆，可减少重复检索和上下文丢失。

Agent | 2026-09-27 | HF Daily | score 8/10

个性化任务依赖图缓解多任务推荐中的信号衰减

🧭 多任务学习 · 任务依赖图 ★ 深度解读

Huawei Technologies Co., Ltd.

PTDG以低秩动态任务图和因果GCN消息传递，缓解多任务推荐深层转化目标的信号衰减

📌 工作参考价值（4 点）

在电商/广告多目标转化（点击→加购→下单→支付）中，不要用全局固定漏斗依赖；用低秩分解（rank q≈T/3）从 item/user/scenario 特征生成动态任务邻接矩阵，再叠加因果掩码，能适配不同商品/场景的转化路径差异。计算上每个 item 只增加一次低秩矩阵乘法和 GCN 传播，在线延迟仅 +8 ms，适合 serving SLA。
借鉴因果掩码+自适应 shortcut 的消息传递：在任务图上允许 Click→Pay 等跳过中间环节的捷径，避免深层稀疏目标信号被层层衰减；这比固定层级 AITM 更灵活，尤其适合稀疏深层目标（支付、复购）的 CVR 预估。
APM 结构化解耦共享参数：根据任务正样本率设置 mask 率，稀疏任务 mask 率更高（如低至 0.7），密集任务低（0.2），并线性 warm-up。相比 PCGrad 等梯度投影，训练开销几乎为零，推理无额外参数，可直接替换 MMoE/PLE 的共享底层。
用 EMA 归一化每个 task loss 权重（loss / EMA(loss)）是稳定多任务训练的轻量 trick，可以快速在现有 MTL 模型中验证。

RecSys | 2026-09-04 | cs.IR | score 9/10