#dynamic programming - AI Papers Daily

When Should AI Agents Ask? Clarification Requests Under Limited Human Attention

何时 AI 代理应该提问：有限人类注意力下的澄清请求

🧭 多智能体共享人类注意力时的提问协调

The University of Sydney Business School, The University of Sydney · Amazon

提出 Pairwise Coordination Policy 协调多智能体共享有限人类注意力时的提问时机与排序，成本接近最优

📌 工作参考价值（4 点）

在多个 AI agent 并行处理推荐/广告/生成任务且需要人工确认偏好、约束或补全信息时，不要逐个 agent 独立决定是否提问；PCP 用成对任务延迟矩阵估计全局等待成本，能显著降低人工等待与任务闲置带来的总成本。
工程上可以先离线计算单任务和双任务的最优策略与成本表，运行时仅根据当前待解决需求做组合近似，避免动态规划维度爆炸；适合作为 agent 调度与澄清模块嵌入现有 LLM agent 框架。
业务中可复用“先做不依赖缺失信息的部分，再决定 search 或 ask”的框架：如果 agent 有其他可做工作，提前提问可能反而降低总延迟；若可通过查询历史记录/知识库低成本解决，则优先 search，否则 ask。
人类注意力是瓶颈时，不要用 agent-by-agent 排序，而应基于所有等待问题动态调整优先级；PCP 的近似保证和合成基准上的 0.07% 最优差距说明这种成对近似已经足够用于实际调度。

MultiAgent | 2026-10-30 | cs.HC | score 7/10

QESChunker：用问答证据监督统一重叠与非重叠 RAG 分块

🧭 RAG 分块 · 监督式索引构建

Alibaba Group · Taobao (China) Software Co., Ltd.

将 RAG 分块形式化为问答证据效用最大化的监督组合优化，非重叠用 DP 精确解，重叠用贪心近似解

📌 工作参考价值（4 点）

RAG 知识库/商品文档分块别再只用固定长度或段落：沉淀业务侧 question–evidence pairs（客服问句-答案片段、售后手册标注、商品属性问答），用 QESChunker 思路以“完整证据召回率”为预算约束优化每个文档的 chunk 边界；非重叠版可用 DP 解，适合电商知识库规模。
重叠 chunk 的组合优化是 monotone submodular，贪心有 (1-1/√e) 近似，工程上可先用 LLM 生成 question-evidence 对，再做监督式 chunking，不必等真实 query 日志，冷启动友好。
论文验证指标是 complete-evidence recall，对应客服/导购 Agent 中“是否一次检索取回完整答案证据”，建议在业务评估里加这个指标，而不只看 top-k 命中。
混合 retriever 固定条件下该方法优于 heuristic，可作为 Agent 检索底座预处理：先离线构建 document-specific chunk index，不增加在线复杂度，适合商品手册、店铺政策等更新频率低的语料。

RAG | 2026-10-27 | cs.IR | score 7/10