通过图结构与证据支撑细化个性化深度研究查询

用户请求作为深度研究的规范，塑造了需要寻求的证据和如何进行综合。在个性化深度研究中，这些规范还需要反映用户的个人目标、约束、偏好和评估标准。用户背景可以嵌入到深度研究管道中，也可以作为输入提供给研究规范。我们专注于后者，先将用户请求细化为个性化的研究规范，再将其传递给不变的深度研究代理。这需要解决三个耦合决策：哪些框架因素是相关的，可用的用户背景是否足够支持它们，以及是否检索用户的记忆、询问用户还是停止并重新调整查询。对于训练，G-STEER 将框架因素组织为意图诱发图中的启发式目标，在跨越多样依赖关系和证据条件的轨迹上学习澄清策略。该策略在平衡目标覆盖与证据获取成本之间产生细化后的查询。实验表明，G-STEER 在整体加权的目标覆盖方面表现最强，并且在评估的所有 DRAs 上实现最高的下游报告个性化，而询问用户的问题数量仅为强澄清基准的一半。