喜讯 | 人工智能学域杨萌林助理教授项目入选2026年度CAAI-蚂蚁科研基金(AGI专项)

近日，2026年度CAAI-蚂蚁科研基金（AGI专项）入选名单正式公布，香港科技大学（广州）人工智能学域杨萌林助理教授申报的“面向复杂任务Agent的自适应检索规划与多轮知识获取方法研究”项目成功入选，展现了人工智能学域在Agent智能体领域扎实的研究积累与前沿技术布局。

为推动人工智能领域产学研深度融合，鼓励高校学者与产业界协同攻关，中国人工智能学会携手蚂蚁集团共同设立“CAAI - 蚂蚁科研基金”，面向全国高校与科研院所开放前沿研究课题。本年度AGI专项于2026年5月启动征集，涵盖AI基础模型、Agentic AI/AI Agent、Token效率优化/世界模型三大方向，共设置26项研究课题。经资格审核、初评、终评多轮严格遴选，全国仅有23个项目最终入选。入选学者来自北京大学、清华大学、中国科学院、浙江大学、上海交通大学、香港科技大学（广州）等知名高校与科研院所。

课题介绍

研究课题

面向复杂任务Agent的自适应检索规划与多轮知识获取方法

研究背景

近年来，基于大模型的Agentic记忆系统已经成为企业知识问答、Deep Research、智能客服与复杂业务分析等场景的核心工具，其共同特征是需要在长链路、多轮交互中持续获取、验证并融合来自外部的异构知识。大模型虽具备强大的推理能力，但受制于上下文窗口长度、无法持续学习、缺乏个性化记忆等根本性限制，必须依托外部记忆与检索机制支撑长时程任务。与此同时，Agentic RAG通过引入反思、规划、工具使用与多智能体协作等代理模式，使检索过程从固定流水线转变为动态自适应的决策过程；Deep Research系统进一步将如何提问本身纳入推理过程，在多轮研究中动态调整检索与推理路径，其质量上限在很大程度上取决于搜索策略的设计而非LLM本身的能力。然而，当前系统在通用任务上取得的明显进展，尚难直接迁移至金融、医疗等高价值复杂任务。

研究目标和意义

针对上述问题，本项目以高效层次化检索与多轮知识获取为核心，总目标是构建具备金融/医疗高价值场景可信Deep Research能力的复杂任务Agentic记忆系统，使其在工业级服务水平（Service Level Agreement, SLA）约束下稳定完成知识密集型复杂任务。围绕总目标，研究将沿三个方向展开：一是自适应检索规划，研究面向复杂任务的检索决策机制，使 Agent能基于任务分解结构、当前不确定性与信息缺口，动态决定是否检索、检索什么、检索多深、何时停止，在检索质量与调用开销之间实现可控权衡；二是高效层次化记忆组织，建立多级结构，支持记忆的异步更新、动态演化、链接与淘汰，将长链路交互的存储与检索开销控制在SLA预算之内。三是多轮知识获取与验证，研究多轮交互中的证据融合、来源一致性校验与置信度评估机制，通过多源交叉验证与结构化事实核查抑制幻觉累积，对低置信内容标记待核，保证中间结论与最终产出可追溯、可审计。本项目成果预计可沉淀为可复用、可集成至RAG/智能体记忆系统的核心组件，降低企业构建可信Deep Research能力的门槛；面向SLA的系统化设计使成果具备直接的工程落地条件，为金融、医疗等强监管行业的智能化升级提供可审计、成本可控的技术底座。

教授介绍