《LangChain Chat with Your Data》-Document Splitting

本研究采用混合方法，系统地识别并量化了LLM回应的三个关键特征（解释、来源、不一致性）对用户信任的影响。明确了解释会普遍增加信任，而来源和不一致性是减少过度信任的有效机制。提供了关于用户如何解释LLM解释、如何进行来源点击以及解释和来源之间交互作用的细致见解。

本文通过定性研究揭示了家庭对 Generative AI agent 的真实期待：安全不应是监控，而应是嵌入日常照护角色中的协作支持。论文提出的多 agent 框架与隐私原则，为未来家庭 AI 系统设计与 Agent Safety 研究提供了重要的人本参考。Agent Memory 的隐私设计，与本文提出的四项标准结合。对齐本文提出的 MAS 框架设计和实现特定的 AI Agent demo。

DOC框架通过详细提纲生成器和详细控制器的双重机制，显著改善了长篇故事生成的连贯性。将创作负担从生成阶段转移到规划阶段：通过层次化详细提纲提供更可靠的全局指引实现精细的生成控制：确保生成内容忠实于详细提纲，同时保持创造性建立高效的人机协作模式：在高层次规划阶段与人类互动，而非逐段干预低层次提纲遵循：无法始终严格遵循提纲的所有细节事实一致性：角色名称、性别等基本事实可能出现不一致提纲质量波动：提纲叶

论文引入了两种与人类社会动态相似的智能体特质：“随和型”（easy-going）和“过度自信型”（overconfident）。适应性强，与不同类型的智能体兼容，有助于形成和谐的社会结构。倾向于高估自身能力，忽视潜在风险，并抵制他人意见。论文探讨了两种多轮协作下的思维模式：“辩论”（debate）和“反思”（reflection）。多个智能体提出观点，交换意见，进行集体论证并最终达成共识。这种模式

CogMG通过LLM与KG的协作，既减少了LLM的“幻觉”，又解决了KG的知识覆盖问题。

本节介绍了使用 LangChain 对 LLM 问答应用进行评估。

Question Answering

向量知识库与知识图谱的结合

摘要： 复旦大学团队提出BookWorld系统，通过多智能体模拟将静态小说文本转化为动态交互世界。该系统从小说中提取角色画像、世界观设定和地理结构，构建角色智能体（自主决策）和世界智能体（全局调度），支持角色驱动的故事生成。核心创新包括：1）增量式角色关系更新与四元组世界观建模；2）基于地理图的动态路径规划与事件触发；3）记忆检索机制增强行为连贯性。实验表明，BookWorld生成的故事在角色一致