TRACE：基于时态证据图的对话数据状态感知查询处理

背景

在当前的人工智能应用场景中，尤其是长时对话型助手与AI代理（AI agents）领域，对话数据正逐步演变为用户状态的持久性来源。这些助手需要在多个会话、长时间跨度甚至跨天的工作流中持续追踪用户意图、偏好与决策历史。然而，查询这类动态数据面临巨大挑战：对话本身天然具有演化特性——计划随时可能被修订、用户偏好可能随时间改变、后期消息经常会取代或直接矛盾先前信息。现有长时记忆管道（long-memory pipelines）多将记忆直接建模为独立文本对象或向量对象（vector objects），此种方法在检索阶段常出现语义相似但已过时（stale）的证据，难以支撑状态感知（state-aware）的推理逻辑。TRACE框架正是在此背景下提出，旨在通过对时序证据图谱（temporal evidence graphs）的查询处理，系统性解决上述问题。

核心内容

TRACE 是一个专为动态对话数据设计的状态感知查询处理框架。其核心思想是将对话建模为一个分层的图谱结构，该结构覆盖事件（events）、会话（sessions）和主题（topics）三个层级，同时融合有向时间（typed temporal）、因果（causal）、更新（update）和矛盾（contradiction）四类关系标注。图谱中的每一个事实节点都携带有效性注解（validity annotations），以此实现“历史可访问但当前态被折扣”的双重处理：历史查询可检索过时事实，而当前状态答案则自动对已过期的证据给予折扣。

在查询执行阶段，TRACE 采用混合检索机制：首先基于向量检索召回（vector-based note retrieval）候选证据片段，再通过图谱引导的证据搜索（graph-guided evidence search）进行结构化证据重建。整个过程生成带有效性注解的支持路径（validity-aware support paths），并将这些路径融合进混合上下文（hybrid context），最终供答案生成模型使用。此设计将词法召回（lexical recall）与证据重建（evidence reconstruction）完全分离，实现了对长时历史对话进行有界（bounded）查询时推理的可扩展性。

实验部分在长对话查询-回答（long-conversation query-answering，QA）基准数据集上验证了TRACE的性能。结果显示，TRACE 在时序推理（temporal reasoning）和多跳推理（multi-hop reasoning）方面均取得显著提升。进一步的消融实验（ablations）证实，图谱层次结构的重要性、带更新感知的种子检索（update-aware seeding）以及路径接地证据（path-grounded evidence）的贡献尤为关键。

关键要点

• TRACE 将对话建模为分层时序证据图谱，覆盖事件、会话、主题三个层级，并标注时间、因果、更新、矛盾四类有向关系；
• 每条事实均携带有效性注解，实现“历史可访问但当前态被折扣”的双重有效性处理；
• 查询时结合向量检索与图谱引导搜索，生成带有效性注解的支持路径，并融合成混合上下文供生成模型使用；
• 设计将词法召回与证据重建分离，支持对长时历史对话的 bounded（有界）查询时推理；
• 在长对话 QA 基准上，TRACE 显著提升了时序与多跳推理能力；
• 消融实验证明图谱层次结构、更新感知种子检索以及路径接地证据是关键组件。

意义与影响

TRACE 提出的状态感知图谱查询范式，为解决长时对话记忆中的时序演化、矛盾更新与历史可追溯性问题提供了系统性、可扩展的解决方案。其将证据图谱的结构化推理与向量召回的灵活性相结合，突破了现有管道中“语义相似即有效”的局限，直接提升了AI代理在复杂用户状态追踪场景中的可靠性与准确性。实验验证其在多跳与时序推理上的实用优势，意味着未来此类系统可更安全高效地处理跨会话的持续性交互需求，推动对话式 AI 从短期问答向长期自主代理的演进。