#grounding

4 篇

Every Edge Needs a Quote: Building a Quote-Grounded Knowledge Graph of Healthcare Software Adoption with Language-Model Agents

每条边都要有引文：用语言模型代理构建医疗软件采用情况的引文支撑知识图谱

🧭 LLM Agent 构建引文支撑知识图谱

Medical Physics Unit, Department of Oncology, McGill University · Toboggan Labs

构建每边必有逐字引文的知识图谱流程，以确定性爬取、预算化ReAct agent、分层grounding和多模型投票达到0.94精度/0.71召回

📌 工作参考价值（4 点）

在商品/品牌关系抽取中，强制每条三元组都有源页面逐字引文，并用字符串匹配定位证据，可大幅提高 KG 可追溯性和线上信任度，适合电商商品知识补全、竞品客户案例采集。
借鉴其分层 grounding：先用宽松抽取器高召回，再用 referent step 读整页解决“只提到一侧”的指代问题，叠加确定性规则过滤明显错误，最后用多模型投票九准则裁决，可复用到商品属性、合作品牌、集成关系等抽取任务。
使用预算化 ReAct agent 搜索全网，配合确定性爬取厂商官网，在成本可控的前提下扩大证据覆盖，可用于监控竞品动态、构建行业采用图谱或生成可引用证据的推荐理由。
用投票生成的置信度分数替代固定规则，在相同精度下保留更多正确关系，并缓解长上下文退化与 run-to-run 方差；工程上可将长文档拆成有界窄模型调用，用字符串匹配证据做锚定。

Agent | 2026-10-23 | cs.IR | score 6/10

ExtractBench：模式引导的企业文档提取评测基准

🧭 文档信息提取 · 评测基准

RunLLAMA AI

首个同时评估值准确率、记录完整性、溯源和成本的模式引导提取基准，揭示长文档截断与成本权衡

📌 工作参考价值（4 点）

电商文档自动化中的评测设计：直接复用 value F1 与 grounding F1（word-level、page-level）评估发票、订单、表格等复杂文档的提取质量，尤其关注长列表字段的完整性截断问题，可避免线上漏单。
成本与精度权衡的工程选型：参照论文对商业 VLM（如 GPT-4o、Claude）与编程代理（coding agent）的成本/精度对比，在实时性要求高的电商场景用 VLM，在离线批处理用 coding agent，或使用 LlamaExtract Agentic Plus 这类成本仅为 1/10 的系统。
Schema 驱动 Agent 的落地验证：论文中 schema 即 JSON Schema 定义字段与类型，可直接用于电商的 SKU 属性提取、报关单信息提取等有明确 schema 的场景，强化 Agent 的指令遵循与证据追溯。
挑战场景的针对性优化：根据 13 种挑战标签（如扫描件、手写、密集文本）细分指标，定位自身业务中的高难度文档类型，针对性地调优预处理或模型选型。

Eval | 2026-07-30 | HF Daily | score 6/10

零幻觉，由构造保证：面向可信企业AI的幻觉感知分层监查

🧭 幻觉感知的多层防御RAG架构

FlowX.AI

提出HALO六层防御架构，将幻觉视为可容错系统属性，通过接地生成、证据信心和校准拒答实现企业AI零幻觉

📌 工作参考价值（4 点）

电商/广告搜索中LLM生成内容（如商品属性、广告语）易出现幻觉，可借鉴证据基置信度：要求输出中事实片段明确对应检索到的原始文档片段，不依赖模型自身置信度，并在验证失败时触发校准拒答，避免向用户展示错误信息。
生成式推荐或 Query 推荐系统可采纳多信号验证层：同时用LLM裁判和基于源文档的硬校验（如实体匹配、数值对齐）对生成结果打分，双重把关后再决定是否放出。
全链路可追溯（检索、工具调用、生成）对推荐系统的 debug 和审计极有价值：快速定位究竟是检索错误还是生成错误导致幻影推荐。
持续监查与漂移检测适合推荐系统线上效果维护：定期采样对比历史基线，发现生成质量下滑或幻觉率超标时自动告警，并触发重生成与统计验证，形成闭环优化。

RAG | 2026-07-20 | cs.CL | score 7/10

交互缩放：为测试时计算确立第三轴

🧭 Agent 交互范式与评估接地 ★ 深度解读

Pine AI · University of Washington

提出测试时计算的第三轴——交互缩放，用外部工具反馈打破内部计算天花板

📌 工作参考价值（4 点）

用可测量的外部仪器替代 VLM 截图评估：在商品图、banner 广告、着陆页等视觉物料生成场景，直接测量 DOM bounding box 检测重叠、溢出、对齐等问题，避免截图裁切导致评估盲区。
引入执行反馈闭环提升代码生成：推荐系统配置、排序策略、特征工程等代码模块，可接入 pytest 或类似执行环境，将失败断言与 traceback 作为反馈信号，驱动模型迭代修复直至 100% 通过率。
Proposer–Reviewer 分离架构控制成本和方差：让提议模型专注生成，审查模型仅接受结构化缺陷信号（如元素重叠列表）而非原始 stderr，可减少约 28% 的 token 消耗并消除种子间方差。
内部推理或采样饱和时，转向外部交互获取新信息：当推荐解释、搜索 query 生成等依赖模型已有知识无法进一步提升时，引入可执行的验证工具（如搜索引擎校验、数据库查询）可突破信息天花板。

Agent | 2026-07-13 | cs.AI | score 8/10