面向时序决策的轨迹感知检索智能体

我们研究用大语言模型（LLM）智能体从长篇、时序结构化文本中进行决策的问题。标准的检索增强生成（RAG）流水线将时序上下文切分为孤立的片段，丢弃了对正确下游决策往往至关重要的时序结构。我们提出TLM（Trajectory Language Model），一个闭环智能体框架，利用SHAP引导的反馈迭代精炼证据集。其关键技术贡献是在检索到的chunk嵌入上建立潜增长曲线模型（LGCM），为检测轨迹趋势、转折点与信息缺口提供了可解释的机制。我们证明，在评分器校准假设（实践中近似成立）下，迭代精炼过程使赋予正确标签的概率单调不减。在实验上，TLM在三个时序性决策任务上评估：医学问答、财报电话会超预期预测与隔夜股票跳空预测。TLM在医学任务上大幅优于零样本LLM基线与标准检索增强方法，并在两个金融任务上带来持续且具有经济意义的收益。