张宁豫 Ningyu Zhang

定位：Knowledge-Augmented LLMs / LLM Agents / Deep Research / Knowledge Editing / Knowledge Graphs。

1. 老师信息

研究概括

结合其参与的 OmniThink、KnowAgent 和 EasyEdit，可以将研究重点概括为：

围绕大模型的知识获取、知识更新和知识利用，研究更可靠的内容生成与智能体规划。

三项工作分别对应长文生成中的信息扩展、行动知识约束下的智能体规划，以及大模型知识编辑。

2. 方向关键词

申请定位建议：关注 RAG、Deep Research 或 Agent 的同学，可以把研究问题落在“知识如何被组织和使用”上。若主要希望研究 Retriever 训练或大规模排序系统，建议先确认团队当前是否有对应课题。

3. 团队及合作代表作

下面选三项，分别覆盖深度信息获取、智能体规划、模型知识更新。

3.1 OmniThink：通过扩展与反思提升长文质量

OmniThink 针对检索增强写作中信息浅、重复多和覆盖不足的问题，通过迭代扩展与反思逐步加深对主题的理解，再生成长篇文章。论文重点考察知识密度，并结合连贯性、深度及人工评价分析生成质量。

申博时值得读的重点：

• • 下一轮检索主题怎样从已有信息中产生；
• • 新信息怎样进入文章结构；
• • 如何区分真正的信息增量与重复内容。

研究计划切入建议：可以考察有限搜索预算下的信息覆盖率，或研究新证据加入后如何调整文章提纲。这些是可延伸问题，并非已公布的招生课题。

3.2 KnowAgent：用行动知识约束智能体规划

KnowAgent 面向智能体的规划幻觉问题，引入行动知识，并利用这些知识指导模型的行动过程，减少不符合任务或环境约束的规划。正式发表版本与早期预印本的作者顺序有所调整，署名信息应以最终论文为准。

申博时值得读的重点：

• • 行动知识如何表示；
• • 知识约束如何进入规划和学习过程；
• • 任务失败究竟来自知识缺失、规划错误还是执行错误。

研究计划切入建议：将固定行动知识扩展为可更新的经验库，检验智能体是否能利用过去的失败记录减少重复错误。

3.3 EasyEdit：大模型知识编辑框架

EasyEdit 提供统一的知识编辑框架，用于实现、比较和评价不同编辑方法。对于希望研究模型知识更新的申请者，它提供了可以直接开展实验的基础工具。

研究计划切入建议：比较知识编辑与外部检索的适用边界。例如，面对频繁变化的事实，什么时候值得修改模型，什么时候保留在外部知识库更合适。

面谈建议确认三件事：

1. 1. 新生主要参与哪条研究线，是否有明确项目任务；
2. 2. GPU、API 和数据资源如何申请；
3. 3. 助研补贴、会议差旅及延期阶段的支持如何安排。

4. 学术关系网与发表情况

以下只列论文能够确认的合作关系，不把共同署名自动解释为师生关系。

作者关系可在原论文中核实。

这些代表成果包含正式研究论文和系统演示论文。申请时可根据个人优势选择偏算法、数据、评价或开源系统的切入点，不必把所有研究方向同时写进邮件。

5. 适合的申请人画像

以下是根据公开研究提出的准备建议，并非导师公布的录取门槛。

两类材料最有用

一项完整研究成果：能说明问题、方法、基线、个人贡献和失败案例，最好附代码或实验报告。

一页研究设想：围绕一个问题展开，例如“新证据如何触发重新规划”，给出可验证的实验设计。

只有应用 Demo 的同学，建议先补充测试集、对照实验和错误分析。

6. 学校、学院和位置

张宁豫的官方所属单位为浙江大学软件学院，公开办公地址为杭州西溪校区。办公地址不能直接等同于所有学生的培养地点，报考前应确认对应项目的实际学习、住宿和实验安排。

申请入口

浙江大学研究生招生部门公布的 2026 年各学院博士招生简章汇总中，包含软件学院的独立招生简章。该材料属于往年政策，只能用于了解流程。

7. 奖助、学费与科研支持

8. 申请难度和套磁判断

申请判断

建议按高竞争目标准备。这是基于所选研究问题和成果类型给出的准备建议，并非基于个人录取率。

套磁前，建议至少完成下列一项：

• • 复现 OmniThink，分析信息覆盖、重复内容与搜索成本；
• • 扩展 KnowAgent，统计约束违反、任务失败和恢复过程；
• • 使用 EasyEdit，对比知识编辑与检索增强的效果。

联系材料

• • CV 与成绩单；
• • 一篇论文或一项代表项目；
• • 一页研究匹配说明。

邮件标题示例：

2027级博士申请咨询—姓名—学校—知识增强智能体 / 大模型知识更新

联系邮箱：zhangningyu@zju.edu.cn。(person.zju.edu.cn)

9. 总结

张宁豫适合关注“知识与大模型、智能体怎样结合”的申请者。OmniThink、KnowAgent 和 EasyEdit 提供了三条可直接阅读与复现的路径：信息扩展、知识约束规划、模型知识更新。

如果你已有 RAG、Agent 或知识图谱经历，申请材料可以重点回答：

你发现了什么知识利用问题，准备怎样解决，又如何验证改进有效？

2027 年名额、报考归属和培养条件尚需单独确认，不根据导师职称或开源项目数量推断录取与资助。