Trajectory-Aware Retrieval Agents for Temporal Decision- Making

提出TLM框架，针对长文本时序决策问题，用LGCM（潜在增长曲线模型）对检索到的文本块进行建模，捕捉轨迹趋势、转折点和信息缺口，并通过SHAP反馈迭代优化证据集。在医疗问答和金融预测任务上显著优于零样本和标准RAG基线。

1. 对导购/agent产品的启发：导购对话常包含时序上下文（如用户行程、历史偏好变化），TLM的轨迹感知能力可用于捕捉用户意图的演进，但需简化LGCM的计算开销。
2. 对情报平台的启示：论文摘要/情报的时序趋势分析可借鉴LGCM来识别研究热点转折点（如某技术从冷门到爆发）。
3. 下一步行动：精读论文的LGCM实现细节，评估在导购agent中引入简易轨迹模型（如按时间窗口的统计特征）的成本效益。