ActionRAG：面向 LLM Agent 长期记忆的证据精炼图扩散
🧭 LLM Agent 长期记忆 · 图扩散检索 ★ 深度解读
Actioneer
结合谨慎图索引与查询时接收者归一化图扩散，在 MemoryAgentBench 上以 55.1 平均分刷新检索式记忆 agent 表现
📌 工作参考价值（4 点）
- 查询时把向量召回视为 proposal 而非最终结果：用双通道（实体+三元组）召回后在局部图上做 receiver-normalized diffusion 重排序，能恢复多跳关联且不引入 LLM 调用；适合电商会话中“用户问某商品是否适用于某场景”这类需要跨事实推理的 query。
- 索引阶段做标签调和 + 分层实体消解（精确名+类型匹配优先，模糊匹配仅限唯一候选）能显著降低商品/类目/属性图中的实体碎片，避免后续图检索被重复节点稀释。
- 冲突消解与事实更新：将时间短语归一化为绝对日期并存入事实描述而非节点，保留 source chunk 指针，可支撑价格/优惠/状态变更等需要区分新旧事实的场景。
- seed protection 与 hub-penalized flux 两个参数化 trick 可直接借鉴：保护原始高分证据不被图扩散淹没；对高连接度实体（爆款商品/热门类目）施加惩罚，避免 flux 补全被 hub 主导。
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。
HARP：面向查询的CVE优先级分层自适应排序与偏好融合框架
🧭 偏好自适应排序 · LLM 排序器
University of Virginia · NEC Laboratories America
利用历史标注样本隐式捕捉组织偏好，通过图证据与多视图LLM融合对CVE进行查询驱动排序
📌 工作参考价值（4 点）
- 隐式偏好建模：真实业务中用户/组织的偏好难以用文字 prompt 完整表达，但历史行为、已标注样本是现成的偏好信号。可借鉴 HARP 的做法：用 support bank 做 few-shot 检索注入，而不是费力写偏好描述。
- 多视图打分 + 可学习融合权重：将排序信号拆成 global / segment / individual 等多视图，并在推理时用少量支撑样本动态拟合融合权重。这套机制可以直接迁移到电商搜索或推荐的多目标融合（GMV、CTR、转化率、多样性），避免固定加权带来的偏好漂移。
- 图证据检索增强 LLM 排序：对候选 item 先从知识图谱取关系、属性等结构化证据，再喂给 LLM，可显著提升可解释性和排序稳定性。在商品、内容、广告候选上可以构建 domain KG（类目、品牌、用户行为关系）做类似增强。
- Query-conditioned ranking 框架：用自然语言查询作为排序条件，结合候选特征进行 LLM 打分，适合搜索广告、个性化推送等场景，尤其当查询意图需要与历史交互偏好一起建模时。
MobileMem：移动端长期记忆基准与知识引导数据合成框架
🧭 面向移动设备 Agent 的长期记忆基准与数据合成 ★ 深度解读
OPPO · OpenKG
提出移动端长期记忆基准 MobileMem 与合成框架 KEME，系统评估端侧记忆系统在多跳、时序、偏好推理上的能力。
📌 工作参考价值（4 点）
- 复合记忆架构可迁移到电商用户画像：论文提出的“系统级记忆层（blackboard）+ 应用级记忆（cognitive offloading）”两层架构，很适合电商/推荐场景。应用侧（如订单、搜索、浏览、客服对话）先做初筛，只上报有长期价值的用户事件，系统侧构建跨域用户知识图谱，既节省算力又保护隐私。
- 用 KEME 合成长期用户轨迹：缺少跨 session 真实交互数据是推荐/Agent 评测痛点。KEME 的 persona + knowledge anchors + temporal event graph 能生成时间一致、偏好演化的长周期用户行为序列，可用于模拟用户兴趣漂移、跨 app 关联行为，训练或评测个性化模型。
- 记忆系统选型结论直接可用：实验显示 HippoRAG2 与 A-MEM 显著优于 NaiveRAG 和 Long Context，核心在于保留原始交互细节 + 增强检索（实体关系图 PageRank / 丰富元数据）。在构建用户长期记忆库时，不要过度压缩摘要，应保留细粒度证据并用关键词、标签、图结构辅助召回。
- 按错误类型定位瓶颈：用 MemTrace 等归因工具区分提取错误、检索错误、生成错误，可指导优化方向。实际系统中多数失败可能来自上游提取或下游生成，而非只优化检索器。
大型技能库的智能体检索：知识图谱为何未能超越强排名器
🧭 Agent 技能检索与知识图谱 ★ 深度解读
Praetorian
在技能检索中，知识图谱因边候选源于同一嵌入邻域而无法扩展排名器的召回边界
📌 工作参考价值（4 点）
- 优先构建强混合排名器：在技能检索系统中，先投入资源做好 BM25 + 语义嵌入的融合排名器，而不是急于构造知识图谱。混合排名器本身能覆盖词汇和语义差距，成本低且有效。
- 评估集要避免作者回声：由阅读过技能库的作者编写的查询集会因术语重复而严重高估检索准确率，实验中关键词排名器被夸大 44 个百分点。评估时应使用非回声、真实场景的查询集。
- 知识图谱的边源不要与排名器共享：若要使用知识图谱辅助检索，其候选边生成必须源自排名器未使用的信号（如共现记录、跨模态数据），否则图谱仅能重排已有结果，无法增加新召回能力。
- 关注方向性关系的准确性：图边中 requires、precedes 等方向性关系的错误率可能高达 17–33%，若直接用于指导下一步动作，可能产生严重误导，需在落地前充分审计。
基于 Token 共现图的轻量高效 GraphRAG 框架
🧭 Token 共现图高效 GraphRAG
Università Politecnica delle Marche, Ancona, Italy · Università di Modena e Reggio Emilia, Modena, Italy
用 token 滑动窗口共现构造 KG 取代 LLM 抽取，实现多跳推理 RAG 的索引与推理开销大幅降低
📌 工作参考价值（4 点）
- 电商搜索查询扩展：用滑动窗口统计商品标题或查询日志的 token 共现，低成本构建词项联系图，辅助召回阶段的 query 扩展或相关性特征，替代繁重的实体识别链路。
- 多轮交互式推荐：迭代实体驱动的检索策略可迁移至多轮对话推荐，从已召回商品或上下文抽取桥接属性（类目、品牌等）逐步精炼检索，提升复杂需求满足率。
- 长尾知识构建：在攻略、搭配推荐等场景，需要从多篇内容拼接证据，可借鉴无 LLM 的共现图快速索引文档段落，通过神经重排序确保证据链准确，同时控制在线推理延迟。
- 工程落地降本：方法省去了 LLM 抽取实体和关系的高频调用，索引时间、推理延迟和 prompt 长度显著降低，适合对成本和延迟敏感的生产环境直接复用。
知识图谱增强的记忆检索实现长上下文建模
🧭 长上下文建模 · 动态知识图谱增强记忆检索 ★ 深度解读
University of New South Wales · Hong Kong University of Science and Technology (Guangzhou) · University of Southampton · Technology Innovation Institute · Mohamed Bin Zayed University of Artificial Intelligence
构建动态上下文知识图谱，融合结构、语义与上下文记忆，长文本困惑度降8.5%且内存效率提升2-2.5倍
📌 工作参考价值（4 点）
- 多记忆银行与融合检索：可借鉴其 contextual/semantic/structural 三组记忆并行检索并学习融合权重的设计，在电商会话或 Agent 长程对话中将短期键值对、长期语义块与图谱关系嵌入混合，提升对“同一设备、不同状态”等实体级依赖的检索精度。
- 动态知识图谱构建流水线：NER + 关系抽取 + 实体合并 + 置信度过滤的在线构图方法，能迁移至商品知识库、故障诊断等场景，实时将用户描述的设备、错误码、操作链抽成结构化关系，辅助对话 Agent 理解因果链条。
- 图-文跨模态融合：利用 R-GCN 编码结构嵌入再与 LM 文本嵌入做交叉注意力融合，可参考用于推荐系统中物品画像的增强——将商品知识图谱的拓扑信息与文本描述对齐后作为 item 表征，改善冷启动或跨领域推荐。
- 内存与延迟的折中分析：论文量化了实时构图带来的延迟成本（比纯记忆检索高约2倍），但内存节省显著；对离线可预计算场景（如固定文档集），可先构图再供线上使用，启发式地平衡精度与吞吐，适合电商推荐离线索引生成。