BatchDAG: LLM-Planned Execution Graphs for Scalable Ad-Hoc Analysis Over Enterprise Data

BatchDAG 让 LLM 生成一个带类型的 DAG（包含 SQL、语义搜索、并行扇出等操作），由确定性引擎按拓扑波并行执行，并通过实体感知分批将 LLM 调用减少 47 倍。在 12 个密集查询上，质量（3.74/5）优于专家流程（3.25/5）和 ReAct agent（3.09/5），溯源证据率 77% 高于基线。结构化 JSON 中间结果比散文摘要减少 27% 幻觉。生产环境处理 5 万+会议时延 <60 秒，单查询成本 $0.02–$0.24。

1. Agent 导购产品：可直接复用 BatchDAG 的 DAG+实体分批范式来处理复杂跨实体查询（如比较多个商品策略），替代当前顺序 tool-call 流程，降低成本并提高稳定性。
2. 技术选型判断：原本倾向使用 ReAct 或 Plan-and-Execute，现在应优先考虑 DAG 调度。实体分批是实用的降本策略，值得集成。
3. 下一步：阅读全文实现细节，尝试在项目中用 DAG 替换现有 agent 循环，优先在数据聚合类查询场景进行 A/B 测试。