Explainable Innovation Engine: Dual-Tree Agent-RAG¶
论文基本信息¶
- 标题: Explainable Innovation Engine: Dual-Tree Agent-RAG with Methods-as-Nodes and Verifiable Write-Back
- arXiv ID: 2603.09192
- 发表日期: 2026-03-10
- 作者: Renwei Meng
- 方向: 记忆检索 · 知识图谱 · Agentic RAG
- 类别: cs.AI
摘要（原文翻译）¶
检索增强生成（RAG）提升了事实可靠性，但大多数系统依赖平坦的文本块检索，对多步综合缺乏控制。本文提出可解释创新引擎，将知识单元从文本块升级为"方法即节点"（methods-as-nodes）。该引擎维护一个加权方法溯源树（weighted method provenance tree）用于可追溯推导，以及一个层次聚类抽象树（hierarchical clustering abstraction tree）用于高效的 top-down 导航。推理时，策略智能体选择显式综合算子（如归纳、演绎、类比），合成新方法节点，并记录可审计轨迹。验证-评分层剪枝低质量候选并将验证后的节点写回，以支持持续增长。在六个领域和多种骨干模型上的专家评估表明，该方法在可解释性和事实准确性上均优于现有方法。
核心贡献¶
- 方法即节点的知识表示：将知识的基本单元从文本块升级为可组合的方法（算子），支持多步推理的综合
- 双树架构：溯源树（可解释性）+ 抽象树（导航效率）
- 可验证写回机制：新生成的方法节点经过验证才写入，支持记忆的持续增长
- 可审计轨迹：所有推理步骤可追溯，满足记忆系统的可解释性需求
为什么重要¶
记忆系统面临一个根本矛盾：记忆越丰富，检索越容易迷失在信息海洋中。Explainable Innovation Engine 通过将记忆组织为"方法"而非"文本块"，使得检索和推理更加结构化。可验证写回机制确保新记忆（方法节点）的质量，防止记忆污染。这与记忆压缩/治理的研究方向高度互补。
与移动端/端侧的相关性¶
- 中等相关性：移动端记忆系统可受益于结构化记忆表示，减少非结构化文本检索的开销
- 知识图谱记忆：层次聚类抽象树适合移动端的轻量知识图谱存储
- 持续学习：可验证写回机制支持端侧持续学习新方法
参考文献¶
- 原论文: https://arxiv.org/abs/2603.09192