💻 computer science

Context-Mediated Domain Adaptation in Multi-Agent Sensemaking Systems

该论文提出了“情境中介的领域自适应”范式，通过 Seedentia 多智能体系统利用用户对生成产物的修改作为隐式领域规范，实现从模糊提示到精确规范的迭代演进及智能体行为的自适应调整，并通过专家评估验证了从编辑模式中捕捉隐性专业知识的可行性。

原作者： Anton Wolter, Leon Haag, Vaishali Dhanoa, Niklas Elmqvist

发布于 2026-03-27

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Anton Wolter, Leon Haag, Vaishali Dhanoa, Niklas Elmqvist

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种名为**“情境中介的领域自适应”（Context-Mediated Domain Adaptation, CMDA）**的新方法，旨在解决人工智能（AI）在专业领域“不够聪明”的问题。

为了让你轻松理解，我们可以把这项技术想象成**“一位不断进化的超级实习生”**的故事。

🌟 核心故事：从“笨拙实习生”到“领域专家”

想象你是一家顶尖研究机构的导师（领域专家），你雇佣了一位AI 实习生来帮你写研究问题。

1. 以前的困境：每次都是“从零开始”

在旧系统中，这位实习生虽然读过很多书（拥有通用知识），但他不懂你们行的“黑话”和潜规则。

场景：你让他写一个关于“可视化”的研究问题。
结果：他写得很泛泛，比如“如何让用户看得更清楚？”（太外行）。
你的反应：你不得不亲自修改，把“用户”改成“低视力人群”，把“看清楚”改成“认知负荷”。
痛点：当你让他写下一个问题时，他完全忘了你刚才的修改。他依然用外行的口吻写，你不得不重复同样的修改工作。就像每次教他新东西，他转头就忘，永远学不会。

2. 新系统（Seedentia）：会“偷师学艺”的实习生

这篇论文提出的新系统（叫 Seedentia），让这位实习生拥有了**“过目不忘”且“举一反三”**的能力。

核心机制：你的修改就是他的教材
当你修改他的草稿时，系统不再只把修改当作“纠错”，而是把它当作**“隐形的教学指令”**。
- 比喻：就像你教孩子画画。以前孩子画错了，你帮他改完，下次他照旧画错。现在，你每改一笔，系统就会在旁边悄悄记笔记：“哦，导师不喜欢‘用户’这个词，喜欢‘低视力人群’；导师喜欢把‘看清楚’具体化为‘认知负荷’。”
双向进化：越改越聪明
系统会自动分析你的修改模式，提取出领域知识（比如专业术语、研究方法、深层逻辑），并把它们存进一个**“共享知识库”**。
- 场景：
  - 第 1 位专家（你）：辛苦地修改了 10 次，系统记下了 10 条经验。
  - 第 2 位专家（你的同事）：系统已经带着第 1 位专家的经验来工作了。它生成的初稿已经很像样了，同事只需要微调，甚至不需要怎么改。
  - 第 3 位专家：系统已经融合了前两人的智慧，生成的初稿几乎可以直接使用。

🛠️ 它是如何工作的？（三个简单步骤）

捕捉“修改痕迹” (Direct Manipulation)
当你直接在文字上修改（比如把“图表”改成“可视化”），系统会立刻记录：“导师偏好‘可视化’这个词”。
- 比喻：就像实习生拿着红笔，把你划掉的地方和写的新词都记在小本本上。
提取“潜台词” (Implicit Knowledge)
系统不仅看字面意思，还分析你为什么这么改。
- 如果你把“做实验”改成“双盲实验”，系统学到的不仅是词，而是**“这个领域重视严谨性”**的方法论。
- 如果你加上了“针对低视力人群”，系统学到的是**“必须考虑无障碍设计”**的深层理念。
- 比喻：实习生不仅记住了你改了什么词，还悟出了你做事的哲学。
注入“共享智慧” (Context Injection)
当下一次生成新内容时，系统会自动把这些学到的“潜台词”加进提示词里。
- 比喻：实习生在动笔前，先翻开了那本厚厚的“导师修改笔记”，确保这次一出手就带着专家的风范。

🎯 这项技术带来了什么改变？

对专家（用户）：
- 省力：不需要每次都把同样的专业要求重复一遍。
- 越用越顺手：系统随着使用人数的增加，变得越来越懂行。
- 跨人传承：即使你离开了，你留下的修改经验也会帮助后来的同事，甚至帮助其他领域的专家。
对系统（AI）：
- 不再冷启动：不需要重新训练庞大的模型，而是通过“上下文”实时学习。
- 从通用变专用：一个通用的 AI 模型，通过这种方式，可以迅速变成某个特定领域（如医学、法律、科学可视化）的专家助手。

💡 总结

这就好比**“众包智慧”的升级版。以前的 AI 是“独善其身”，你教一次它忘一次；现在的 Seedentia 是“薪火相传”**，每一位专家的每一次修改，都变成了系统进化的养分。

最终效果：

初期：系统像个刚毕业的大学生，需要你手把手教。
中期：系统像个有经验的助理，能猜到你的意图。
后期：系统像个资深的领域专家，甚至能提出你都没想到的深刻见解，因为它已经“吃透”了所有前辈的修改经验。

这篇论文的核心贡献就是证明了：通过巧妙地捕捉和转化用户的修改行为，我们可以让 AI 在不重新训练的情况下，快速掌握人类专家那些“只可意会不可言传”的隐性知识。

1. 研究问题 (Problem)

当前基于大语言模型（LLM）的多 Agent 系统在复杂推理和信息搜索任务中表现优异，但在与领域专家协作时存在显著缺陷：

单向交互与“冷启动”问题：现有系统通常采用“提示词 - 响应”的单向模式。用户生成初始提示，系统输出结果，用户手动修正错误。然而，用户的修正（如纠正术语、重构论点、调整重点）所蕴含的隐性领域知识无法反馈给系统。
隐性知识流失：领域专家拥有难以通过显式提示词表达的“隐性知识”（Tacit Knowledge）。当专家修改 AI 生成的工件（如将“图表”改为“可视化”，或添加特定的方法论约束）时，这些修改编码了宝贵的领域规范，但传统系统将其视为终点修正，而非重塑后续推理的指令。
重复劳动：由于系统无法从之前的交互中学习，每次新任务都面临“冷启动”，专家必须反复纠正系统对同一领域的基本误解，导致效率低下。

核心研究问题 (RQs)：

如何系统地捕获用户对 AI 生成工件的修改，并将其转化为多 Agent 系统可重用的领域知识？
什么机制能实现人类编辑与 LLM 驱动 Agent 推理之间的领域专业知识双向传播？
来自多个用户的累积隐性知识如何提升后续工件生成的质量并减少修正工作量？

2. 方法论 (Methodology)

作者提出了上下文介导领域自适应 (Context-Mediated Domain Adaptation, CMDA) 范式，并开发了原型系统 Seedentia 来实现这一概念。

2.1 核心概念：CMDA

CMDA 是一种双向学习过程，将用户的修改视为隐性的领域规范，从而重塑多 Agent 的推理行为。其核心流程包括：

捕获 (Capture)：系统记录用户生成的工件 ( $A$ ) 和用户修改后的版本 ( $M$ )。
提取 (Extraction)：通过知识提取管道 ( $f: M \to D$ ) 分析编辑模式，提取领域知识 ( $D$ )。
注入 (Injection)：通过上下文注入机制 ( $g: D \to C$ ) 将提取的知识转化为增强的上下文 ( $C$ )，自动融入后续 Agent 的提示词中。

2.2 关键架构组件

双向领域自适应表示 (BDAR)：一种结构化工件格式，维护 AI 生成内容与用户修改之间的持久链接。它保存生成上下文（提示词、参数）和修改历史（编辑距离、变更模式），形成基于差异（Delta）的表示，捕捉系统知识与专家知识之间的差距。
自适应上下文对象 (ACO)：存储累积领域知识的结构，分为三类：
1. 领域术语演变 (Domain Terminology Evolution)：从文本修正中提取的词汇偏好和专业术语（如将"users"改为"participants"）。
2. 方法论细化 (Methodological Refinements)：关于研究方法和评估框架的改进（如添加伦理考量、统计要求）。
3. 概念深度变化 (Conceptual Depth Changes)：增加理论细微差别、概念关系或跨领域联系（如引入认知负荷理论）。
三种交互模式：
1. 直接操作 (Direct Manipulation)：用户直接修改文本（蓝色标记），捕捉细粒度的术语和结构偏好。
2. 基于提示的再生 (Prompt-based Regeneration)：用户输入自然语言指令让 AI 重写（紫色标记），捕捉高层概念目标和方法论要求。
3. 基于上下文的生成 (Context-based Generation)：系统仅基于累积的隐性知识生成新工件（琥珀色标记），无需用户再次干预，体现学习成果。

2.3 系统实现 (Seedentia)

架构：基于 Next.js (前端) + Python/FastAPI + LangGraph (后端) + PostgreSQL (数据库)。
工作流：
- 前端通过 AIContentWrapper 组件捕获编辑信号。
- 后端使用 LangGraph 编排多 Agent 工作流，包括任务规划、知识提取和上下文注入。
- 数据库存储 BDAR 数据，支持跨会话和跨参与者的知识累积。
知识提取管道：利用 LLM 分析初始 AI 生成内容与最终用户版本之间的差异，自动将提取的洞察分类到上述三个知识类别中，并去重存储。

3. 主要贡献 (Key Contributions)

CMDA 范式：提出了一种新的双向人机交互范式，通过结构化知识表示（BDAR 和 ACO）使用户修改能够重塑多 Agent 行为，实现了从“一次性修正”到“持续学习”的转变。
Seedentia 原型系统：构建了一个具备完整基础设施的 Web 多 Agent 框架，支持三种交互模式、综合的日志记录以及跨参与者的知识累积。
实证研究结果：通过可视化素养领域专家的评估，证明了通过编辑模式捕获隐性知识的可行性，并展示了跨用户知识转移的有效性。

4. 实验结果 (Results)

研究团队招募了 5 名可视化素养领域的专家（博士生及博士后），按顺序使用 Seedentia 处理 3 篇学术论文，生成研究问题。每位后续参与者都能利用前序参与者累积的知识。

知识提取量：系统从 47 个精炼的研究问题中成功提取了 46 个独特的领域知识条目。
- 分布：概念深度变化 (56.5%) > 术语演变 (21.7%) = 方法论细化 (21.7%)。这表明专家主要贡献的是深层的理论扩展，而非简单的表面纠错。
生成质量提升：
- 随着知识累积，后续参与者对初始生成的评分显著提高（从 P1 的平均 2.67-3.0 提升至 P4 的 4.33）。
- 尽管 P3 贡献了大量知识，但 P4 和 P5 在获得累积知识后，仅需极少的编辑（甚至无编辑）即可获得高质量结果。
编辑行为分析：
- 编辑距离未单调减少：有趣的是，随着系统变聪明，编辑距离并未单纯减少。P3 在拥有 22 条 prior 知识的情况下仍进行了大量编辑，但这代表了更深层次的专家细化，而非纠正错误。
- 效率提升：平均会话时间从 P1 的每篇 6.3 分钟降至 P4 的 5.6 分钟。
知识累积效应：系统未出现“知识饱和”现象。P3 在已有知识基础上贡献了最多的知识条目（20 条），表明累积知识为专家提供了更坚实的基础，使其能进行更复杂的贡献，形成良性循环。

5. 意义与影响 (Significance)

理论意义：
- 打破了传统 LLM 系统中“提示词即终点”的局限，确立了用户修改作为隐式规范的新范式。
- 证明了通过编辑模式分析提取隐性领域知识是可行的，且这种知识可以跨用户、跨会话持久化。
- 实现了规范引导 (Specification Bootstrapping)：模糊的初始提示词通过迭代的人机协作演变为精确的领域规范。
工程意义：
- 提供了一套可复用的架构模式（BDAR, ACO, 多 Agent 编排），用于构建具有自适应能力的 AI 协作系统。
- 通过上下文注入而非重新训练模型，实现了轻量级、可解释的领域自适应，避免了微调（Fine-tuning）的高成本和不可解释性。
应用前景：
- 该系统特别适用于需要高度领域专业知识且专家时间宝贵的场景（如学术研究、医疗诊断、法律分析）。
- 未来的工作可扩展至更多领域，并增加用户可视化的知识图谱，使累积的领域知识对终端用户透明且可编辑。

总结：该论文通过 Seedentia 系统展示了如何通过“上下文介导”的方式，将人类专家的隐性知识（通过修改行为体现）转化为 AI 系统的显式上下文，从而在多 Agent 系统中实现持续的、跨用户的领域自适应，显著提升了人机协作的效率和生成质量。