GLOBE：用可演化结构化记忆优化生成式搜索中的商品列表
论文AI 评分 68/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇投稿至 EMNLP 2026 REALM 研讨会的论文提出 GLOBE 框架，用于生成式搜索场景下的商品列表优化。该框架不再把结构化商品信息当作自由文本处理，而是把优化知识存进一本可演化的手册，手册中记录的是按字段划分的显式行为。每轮由 Editor 应用相关行为并接收排名反馈，Reflector 把反馈转成行为更新；Moderator 剔除冗余提案，Curator 提交被采纳的改动，持续有害的行为会被停用。实验显示，结构化行为优于整体式提示优化，反馈驱动的演化与审核进一步提升效果并降低下行风险，学到的行为在未见过的商品类目上仍然有效。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题：经验停留在提示里
论文针对的是生成式搜索下的商品列表优化：语言智能体不仅要改写列表，还要跨不同类目保留成功策略、持续自我改进。现有做法把结构化列表当成自由文本来处理，有效策略散落在提示、搜索轨迹或改写结果中，没有被积累成可复用的智能体记忆。GLOBE 的出发点是把这些隐性经验变成显式的、按字段划分的行为，集中存放在一本会随使用而演化的手册里。
四个角色构成闭环
每一轮优化中，Editor 从手册中取出相关行为应用到当前任务，并接收基于排名的反馈；Reflector 负责把这份反馈转换成对行为的更新。为让执行在真实场景中可靠，框架还设置了两道关卡：Moderator 剔除重复冗余的提案，Curator 决定哪些改动正式写入手册，而那些被反复证明有害的行为会被停用。这样，单轮反馈就被转化为持久的、按字段限定的优化记忆，而不是一次性消耗在提示里。
实验结论与适用范围
实验对比显示，按字段组织的结构化行为效果优于把优化目标塞进单一提示的整体式做法；加入反馈驱动的演化与审核环节后，效果继续提升，同时下行风险有所下降。论文还报告，学到的行为在训练中未出现过的商品类目上依然有效，说明这种记忆演化方式具备一定的可迁移性，也让优化过程更可解释。该文被 EMNLP 2026 的 REALM 智能体语言模型研讨会接收。
为什么值得看
把提示词里的隐性经验沉淀为可复用、可审核、可迁移的显式行为库，为电商列表优化提供了可解释的智能体记忆方案。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。