英文题目：Don’t Just Listen, Try Planning: Graph-based Retrieval-Generation Agent for Long-form Audio Meeting Understanding
会议身份：
conference:acl:2026:conference-paper-id:2026.findings-acl.1038
✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。
标签：#会议转录 #数据集 #检索增强 #长音频处理 #音频问答
评分：6.9/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Quanwei Tang：机构信息未能从会议 PDF 纯文本可靠映射
- Dong Zhang：机构信息未能从会议 PDF 纯文本可靠映射
- Shoushan Li：机构信息未能从会议 PDF 纯文本可靠映射
- Guodong Zhou：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
长会议音频理解以30分钟级多说话人远场录音为输入，输出带时间戳引用的答案，难点在于语音语调等副语言信息在转写中丢失且证据跨说话轮次与时间碎片化，需多跳推理与时间定位。GRGA先用语音识别、强制对齐与说话人日志将话轮文本、说话人属性与声学片段组织为含时序边、回复边与说话人边的多维异构图。查询分解器将问题投影为实体、概念、时间与元数据约束并输出结构化检索计划，直接作为执行规划器的输入。执行规划器在图上进行语义搜索、图遍历、过滤与按需回听原始音频以补足声学证据，合成器据此生成候选答案与引用，再由反射器验证蕴含，不通过则注入批评触发重规划，形成部分可观察马尔可夫决策过程式反馈闭环。与单次向量检索把会议压平为切块不同，该机制以显式图结构聚合分散证据并以验证循环抑制幻觉引用，从而提升复杂会议中的 groundedness 与正确性。在AMI基准测试下，完整GRGA的准确率为49.49%，高于去除语义搜索后变体的16.28%。该结论适用边界受限于结构化会议并依赖上游转写与日志质量，在重叠严重或电影、视频博客等非结构化场景尚未验证，且迭代规划与反射带来高于单轮检索的计算量与延迟，限制实时部署。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，目标是什么，为什么长会议很难？
这篇论文的输入是一整场多说话人会议的长音频及其自动转写、说话人标签和起止时间戳，输出是对该会议的自然语言答案，并要求给出可验证的时间戳引用。目标读者是刚进入语音与语言交叉方向的研究生，需要先建立的直觉是，长会议问答不是短语音片段的意图分类或抽取，而是要在几十分钟、多人轮流、话题跳转、指代频繁的记录里做定位与推理。论文把两个难点命名为声学缺失与上下文碎片化。
白话说，声学缺失是指只看文字会丢掉语气、音量、情绪和重叠说话等声音信息，例如同样一句话用激动语气说和用平淡语气说含义不同；上下文碎片化是指答案证据散落在不同时间片，例如早期提出的问题与后期的决定要连起来才能回答。
为理解难度，可以沿着一个例子走。用户问 19 分钟处某人突然大声的原因，完整证据链需要回到 01:30 无人声称无隐藏费用，再到 18:50 有人提到新增 250 美元费用，再到 19:05 有人反驳此前承诺，最后才解释 19:10 的喊叫是对矛盾的情绪反应。如果模型只能看到 19 分钟附近的局部窗口，就无法建立这种跨越近 18 分钟的因果链。如果只看文本而听不到音量突变，也无法确认声学感知类问题的对象。论文因此主张不要只做 1 次听或 1 次搜，而是先把会议建成可检索的结构，再让智能体去规划取证。
下面这张总览图把上述困难画成了对照，顶部是时间轴与多说话人发言，左侧是 4 种常见做法的失败模式，右侧是本文希望走通的多维索引加多步推理路径，初学者应先看懂失败模式与证据跨度的关系。
看图路径： 1. 先看顶部时间轴上五个说话人从 01:30 到 19:10 的发言内容如何构成因果链；2. 再对比左侧四种基线给出的错误解释与右侧正确答案的证据跨度；3. 观察右侧三维索引示意中语义说话人与时间戳三个轴的汇合方式；4. 跟踪右下角从初始上下文到反思重检索再到图遍历合成的编号步骤
论文图 1。原论文 Figure 1：“Existing Speech LLMs and our GRGA for long-form audio QA. By indexing conversations across Semantic, Speaker, and Timestamp dimensions, our model enables precise reasoning.”。
这张图左侧把语音大模型丢失中间上下文、文本大模型没有声学感知、文本检索上下文碎片化、音频检索语义模糊 4 种问题并排展示，每种都只抓住了局部而丢掉了远距离因果或声音强度。右侧展示了把对话按语义、说话人和时间戳 3 维索引，再经过查询与初始上下文、反思与重规划、工具执行与图遍历、答案合成 4 步得到可解释答案。理解这张图后，后续的多维图与智能体循环就有了具体落点：图是证据仓库，智能体是取证策略。
已有路线在同输入同目标下卡在哪里？
在同样的长会议音频输入与问答目标下，论文对比了 3 条已有路线。第一条是端到端语音大模型，直接把长音频或全文转写塞进模型上下文。原文指出这类模型受固定上下文窗口限制，例如有模型按 30 秒窗口处理、有模型严格限制在 10 分钟左右，因此在 30 分钟级会议上会出现截断或中间丢失。教学上可以理解为，窗口不够长时模型只能看到头尾而漏掉中间关键转折，或者只能处理干净短片段而应付不了混响噪声与重叠说话。
第二条是传统一次检索增强生成。做法是把会议切成话语单元，用稠密向量按查询相似度取前若干段，再按时间重排后送给生成器。论文认为这种做法依赖单次语义相似度，适合找实体等显式事实，但难以捕捉需要逻辑推演的多跳依赖，例如把早期提案与后期否决连起来，或者把那项计划中的代词指代还原。音频检索基线则直接在共享语义空间里用文本查音频片段，原文报告其整体表现更低，说明原始声学检索噪声大，不能替代结构化语义导航。
第 3 条是通用语言智能体与工具使用，例如边推理边行动的框架。论文承认这些框架在网页浏览与数学等开放域任务上成熟，但指出它们缺少面向会议分析的专用动作空间与部分可观察环境下的自纠机制。也就是说，通用智能体知道调用工具，但不知道会议里按时间窗过滤、按说话人过滤、沿回复边遍历、按时间戳取音频这些动作的组合意义。本文的定位正是在这两类不足之间补上一层：用会议专用图保存关系，用会议专用工具与反思循环实现可规划的检索生成。
任务如何定义，问题类型与数据从哪里来？
论文把长音频会议理解定义为给定长会议图与用户问题，返回答案与引用发言节点及时间戳的任务。问题分类是理解实验的关键，原文给出 5 类。事实类考查显式检索，例如谁提到了项目代号；推断类考查多跳推理，例如早期问题与最终决策的因果、那项计划的指代、说话人立场变化；时间类考查绝对定位、相对顺序与频次统计。
概括类考查话题共识综合与说话人贡献画像；声学感知类则要求把文本语义与副语言声学信号联合接地，例如谁在讨论预算时显得最激动，以及某人突然大声的原因。
数据层面，论文构建了 LongAudioQA，原始音频来自 3 套公开语料。中文多说话人会议语料同时记录远场重叠音频与近场单人参考，考查谁在何时说了什么；英文会议语料以非母语者交互为主，带有背景噪声与混响等真实会议声学复杂性；高质量双人日常对话语料则把 20 个片段拼接成 10 分钟以内的中等长度输入，用于检验方法在较短音频上是否依然有效。问题生成采用大模型按预定类型从局部片段自动生成再由人工逐批校验的混合策略，生成时允许看到局部证据，但评测时要求在全局长上下文中无先验地检索作答，以此考查克服上下文碎片化的能力。
质量控制方面，专家标注员会丢弃答案不存在的幻觉问题、改写模糊指代、校验逻辑跳数，并要求生成的时间戳证据与真值交并比大于 0.9，最终报告的人类标注一致性较高。初学者复述时要记住，数据构造的关键动作不是简单转写问答，而是按类型穷举实体、因果链、时间锚点与场景概括，并用证据节点列表把每道题钉在具体发言上。
总体架构如何把长音频变成可规划的问答？
总体思路分两大块。第一块是离线把长音频建成多维会议数据库与异构图，第二块是在线让检索生成智能体在图上规划、执行、合成与反思。离线阶段先做语音活动检测切分、语音识别转写、强制对齐拿词级时间戳、说话人分离与聚类平滑、词与说话人标签对齐，再把词流按静音等规则组成话语节点。每个话语节点带有文本、说话人、起止时间与音频引用等属性，并抽取说话人画像等节点属性。在此之上建 5 种边，分别保存相邻时间关系、不同说话人在短时间窗内的回复关系、同一说话人的分散观点聚合关系、实体共现关系，以及由大模型检测代词指代链得到的语义边。
多维异构图 × 检索生成智能体： 多维异构图负责把每条发言存成节点并用时间边、回复边、同说话人边、实体边和语义边保存结构，检索生成智能体负责把问题拆成约束再编排检索过滤遍历与听音频动作，二者搭配的理由是图提供了可跳转的多跳路径而智能体提供了按需选择路径的决策，组合后新增的作用是把 1 次向量相似度检索变成可在图上多步取证并自我纠偏的问答过程。
在线阶段遵循搜索推理验证的认知循环。面对复合查询，智能体不直接做 1 次检索，而是先把问题分解为结构化约束，再生成多步原子操作计划，在图上执行得到观察，然后合成候选答案与引用，最后由反思器打分决定终止还是带批评意见重规划。下图展示了该循环在一个声学感知例子上的完整走法，值得逐步跟踪。
看图路径： 1. 沿左下长音频到多维图的索引箭头确认输入如何变成图节点；2. 看顶部查询分解器输出的说话人情绪文本与时间等约束槽位；3. 跟踪中间执行规划器到工具执行器再到证据集合的蓝色主路径；4. 观察右侧合成器到反思器的红色回路在分数不足时如何触发重规划
论文图 3。原论文 Figure 3：“The overall architecture of our graph-based retrieval-generation agent GRGA.”。
这张架构图左侧是长音频经索引变成多维图的过程，立方体 3 个轴分别对应语义、说话人与时间戳，图内不同颜色边表示时间边、同说话人边、回复边、指代边与实体边。顶部用户问题先进入查询分解器，被拆成说话人、情绪表述、文本内容与时间等槽位，再交给执行规划器生成可执行计划。中间工具执行器同时持有关键词检索、语义检索、时间窗检索与说话人过滤等工具，执行后形成证据集合送给答案合成器。
右侧自我反思器从覆盖度、一致性与可靠性打分，若分数低于阈值则把批评写回并触发重规划箭头。这种画法把离线建图与在线规划的接口讲清楚了：图提供可遍历的状态空间，智能体提供在该空间中的策略与终止判断。
分解规划执行合成反思各负责什么计算？
查询分解是初始化信念的操作。给定用户问题，分解函数把问题投影到实体、概念、时间与元数据 4 类约束上，初始信念即问题加约束的集合。这一步的教学意义是把我要在 24 秒附近找说话人 3 的悲伤原因这类口语问法，变成可在工具参数中直接使用的结构化条件，例如说话人编号等于 3、时间窗在 23 到 25 秒、关键词为特定文本。
查询分解器 × 执行规划器： 查询分解器负责把非结构化问题映射为实体、概念、时间和元数据 4 类约束，执行规划器负责根据当前信念状态生成由关键词检索、语义检索、过滤和图遍历等原子操作组成的多步计划，二者搭配是因为只有先把隐含限制显式化才能编出有针对性的检索链，组合后使推理从单次检索变为先约束后展开的可执行计划。
执行规划是策略网络的采样操作。当前信念条件下，规划器输出一个原子操作序列，序列中每个操作都属于动作空间。动作空间包括基于词袋的关键词检索、基于稠密向量的语义检索、二者加权的混合检索、按起止时间过滤、按说话人过滤、沿图边多跳遍历，以及按时间取原始波形。计划的例子是先按时间窗缩小范围，再按说话人过滤，最后做语义检索确认文本。下式是原文给出的计划表示，符号含义是第 t 步的计划由 k 个属于动作空间的操作有序组成，目标是支持先检索后过滤这类长程组合。
\[Pt = [op1, op2, . . . , opk], opi ∈A\]工具执行是状态转移接口。执行引擎把计划作用在图上，返回若干片段的集合，每个片段包含文本、时间与说话人。随后信念更新把计划与观察拼接到原信念上，形成下一步的上下文。下式先解释符号：执行函数输入计划与图，输出观察集合；计算目标是 1 次把计划中所有操作的效果合并为可供合成的证据。
\[ot = Exec(Pt, G) = {s1, s2, . . . , sn}\]信念更新的含义是单调累积而非覆盖，历史计划与观察都保留，以便反思时回看走了哪些弯路。下式中拼接符号表示把新计划与新观察加入信念，输入是旧信念、计划与观察，输出是扩大的新信念。
\[bt+1 = ψ(bt, Pt, ot) = bt ⊕{Pt, ot}\]答案合成与反思构成奖励估计。合成器根据扩大后的信念生成候选答案与引用，输入是问题与新信念，输出是答案文本与引用节点集合。下式表达了该映射关系。
\[( ˆAt, Citet) = fsyn(Q, bt+1)\]反思器评估证据与答案之间的逻辑蕴含，给出 0 到 1 或 1 到 5 量级的验证分数，若高于阈值则奖励为 1 并终止，若低于阈值则给负奖励并把批评注入信念以生成纠偏计划。案例显示，首轮只做混合检索加关系扩展可能得到紧迫感这类泛泛总结，反思判定支持不足后，第二轮改查聚焦努力等情绪化表述，找回只有 6 天、改截止日期、麻烦很多、想敷衍等具体抱怨，最终答案才被判为高置信。
图遍历 × 语义检索： 语义检索负责用稠密向量找到与抽象概念相关的初始证据节点，图遍历负责沿时间与说话人等边向邻居扩散以聚合分散证据，二者分工是前者解决入口定位、后者解决多跳聚合，搭配理由是长会议答案常不在一句话里而在对话链上，组合后新增了沿同一说话人或回复关系补全因果与指代的能力。
答案合成器 × 自我反思器： 答案合成器负责基于累积信念生成候选答案与引用时间戳，自我反思器负责判断证据是否逻辑蕴含答案并给出验证分数，搭配理由是生成本身不保证忠实因而需要独立校验环节，组合后形成成功则终止、失败则把批评意见写回信念并重新规划的稀疏奖励闭环。
声学感知问题 × 音频访问工具： 声学感知问题负责考查文本之外必须听才能判断的情绪强度与音量突变原因，音频访问工具负责按起止时间取回原始波形片段供模型核验，分工是前者定义跨模态对齐目标、后者提供声学证据来源，搭配后使系统在文本转写不足时才去听音频，避免只靠文本猜测副语言线索。
本研究训练了什么，没有训练什么，真实计算是什么？
本研究没有报告对大语言模型权重的新一轮预训练或微调，也没有给出梯度路径、优化器、学习率与训练轮数的训练配置，因此不能把本文方法理解为训练了一个新语音大模型。实际计算分为离线构造与在线调用两类。离线构造调用了外部已训练好的语音识别模型做转写、强制对齐器做词级时间戳、说话人嵌入模型做聚类，并用大模型抽取说话人画像与消解指代链，这些模型的参数在本文中视为冻结调用，未报告更新。原文明确给出的可复现超参数是构造侧的说话人聚类余弦阈值与回复边时间窗，以及智能体侧的反思阈值、失败惩罚系数与最大推理步数。
在线推理的真实计算是多轮大模型调用加图操作。每一轮包括 1 次规划器调用生成计划、若干次图检索过滤遍历与音频读取、1 次合成器调用生成答案、1 次反思器调用打分。若验证通过则提前停止，否则把批评加入历史并进入下一轮，最多到设定的最大步数后返回当前最优候选。主干策略网络用问答与检索能力较强的多模态大模型以零温度运行，以保证推理路径确定性。
初学者要区分冻结调用与训练更新：冻结调用只产生推理开销而不改变权重，本文的性能增益来自结构与流程而非新权重。未报告的内容包括各模块的消融训练成本、反思器自身的训练监督来源，以及图边抽取器的可学习细节，这些缺项在复现时需要按原文调用现成模型补齐，而不应自行假设为端到端联合训练。
数据划分基线条件与指标如何保证可比？
实验在 LongAudioQA 的 3 套来源上分别评测，比较对象分为 3 组。第一组是端到端语音大模型，分别以整场语音为上下文和以整场转写为上下文两种形式运行；第二组是标准检索基线，包括用文本嵌入检索文本再合并对应音频的文本检索，以及用跨模态模型检索音频再合并对应文本的音频检索，两者与本文方法使用相同的大模型骨干以保证生成能力一致；第 3 组是本文的图检索生成智能体，同时使用语音与转写并走规划循环。检索基线的关键配置在原文中有交代，例如文本检索取前 10 段并设相似度下限，检索后按开始时间重排以保持话语连贯。
指标方面，传统字面匹配会惩罚表述不同但语义正确的答案，因此论文采用语义准确率。做法是用高能力大模型作裁判，输入问题、参考答案与模型生成，判断生成是否蕴含与参考相同的语义信息，只输出 0 或 1，再在全集上求平均后乘以 100。方向是越高越好。引用质量另用带正负 2 秒容差的时间戳精确率与召回率衡量，人工评测则在正确性、接地性与连贯性 3 个维度打 1 到 5 分。硬件层面，实验在多卡服务器上运行，离线建图与在线多轮调用的开销分开理解。
下表先回答数据规模是否足以支撑长会议结论。表前需要确认比较问题是 3 套数据的时长、轮数与问答数量是否覆盖从中等到长时的范围，公平条件是同一统计口径下的时长与轮次，指标方向是时长越长、轮数越多对长程推理要求越高。
| AliMeeting | 14.91 | 1,935 | 815 | 3,013 | 28 |
|---|---|---|---|---|---|
| AMI | 18.24 | 1,930 | 757 | 3,243 | 34 |
| DailyTalk | 21.59 | 610 | 186 | 10,200 | 128 |
该表显示 3 套数据的总时长都在十几到 20 小时量级，平均每场时长与平均轮数在会议类数据上明显高于日常对话拼接数据，问答对数量在日常对话上最多。这种分布使结论可以在干净短时与噪声长时两种条件下分别检验，避免只在一种声学条件下得出片面判断。未胜出项在后文主结果中可见，端到端模型在日常对话上尚可但在长噪声会议上退化明显，这正是需要结合下一节主结果表一起读的原因。
主结果测了什么，谁在什么条件下领先多少？
主结果要回答的核心问题是，在 5 类问题与 3 套数据上，规划智能体是否同时解决长上下文限制与 1 次检索不足。比较的公平条件是同一语义准确率指标与同一骨干生成器，基线包括直接用长语音、直接用长转写、文本检索与音频检索。原文报告的趋势是，直接语音模型在长会议上退化显著，有模型从日常对话上的约 65% 掉到会议数据上的约 16%，说明固定窗口难以支撑长音频推理；而本文方法在会议数据上保持稳健，并在事实、推断、时间、概括与声学多类上取得最优。
为避免只记结论而丢掉条件，下表把论文明确给出逐字数字的一组对照整理出来。表前比较问题是单次向量检索能否处理多跳推断，公平条件是同一会议数据集与同一语义准确率，指标方向是越高越好。
| 条件 | 指标 | 基线方法 | 本方法 | 比较对象 |
|---|---|---|---|---|
| AMI 推断类 | 语义准确率 | 24.6% | 65.3% | 文本检索相对本方法 |
| AMI 声学感知类 | 语义准确率 | 12.06% | 35.68% | 去掉音频访问相对完整方法 |
| AMI 整体 | 语义准确率下降 | 9.84% | 完整方法 | 去掉反思相对完整方法 |
表后解释需要同时看到收益与代价。该表第一行显示文本检索在推断类上远低于本方法，支持 1 次相似度检索抓不住多跳依赖的判断；第二行显示去掉音频访问后声学类准确率大幅下滑，支持文本 alone 不足以捕捉副语言线索的判断；第三行显示去掉反思带来近 10 个百分点的整体下降，支持验证闭环对抑制幻觉的重要性。反例是音频检索基线整体偏低，说明直接查原始声学片段噪声大，不能替代先语义定位再听关键片段的策略。
引用质量方面，原文报告本方法在会议数据上相对文本检索的精确率提升分别达到约 19.3% 与 6.7%，且在正负 2 秒容差下同时改善召回，支持规划器过滤无关噪声的解释。
下面这张引用查准查全权衡图把定位能力画成了散点，横轴召回率越高越好，纵轴精确率越高越好，初学者应先分清形状代表数据集、颜色代表方法，再看右上移动的含义。
看图路径： 1. 先确认横轴为召回率纵轴为精确率并找到三套数据集的不同形状标记；2. 对比灰色直接模型点与红色本方法点在右上区域的位置差异；3. 沿等 F1 虚线判断同一数据集下文本检索与音频检索点的相对高低；4. 观察本方法三个点是否同时向右上移动以确认查全与查准兼得
论文图 4。原论文 Figure 4：“Citation Precision-Recall Trade-off. Results are reported in % with a ±2s tolerance.”。
图中灰色直接模型点多位于左下，蓝色文本检索与绿色音频检索点居中，红色本方法点在 3 个数据集上都更靠近右上，且沿等值线向更高综合分数移动。这支持本方法的证据时间戳更准且更全，减少了无依据引用的幻觉。但也要看到，日常对话与会议数据的绝对位置不同，说明声学噪声与多人交互仍影响定位上限，不能把一处提升推广为所有场景同等提升。
拿掉哪个部件会怎样，噪声越大优势是否越大？
消融要回答各部件的必要性，实验以会议数据为典型展开。原文报告，去掉查询规划器导致整体下降约 3 到 5 个百分点，尤其推断类下降更明显；去掉反思导致约 9.84% 的显著下降，说明没有验证循环时智能体容易接受首个无关片段。
去掉过滤工具、图遍历与音频访问分别带来不同幅度下降，其中去掉语义检索会使系统崩塌约 33 个百分点，因为连初始证据节点都找不到，去掉图遍历下降约 11 个百分点，因为退化为平面文本搜索而无法聚合说话人边与时间边，去掉音频访问则主要伤害声学类问题。步骤分析进一步显示，事实类平均只需约 1.8 步且多用语义检索，推断与时间类平均超过 4 步且重度依赖图遍历，概括类多用过滤工具隔离时间与说话人，声学类在最后步骤高频调用音频访问。
噪声敏感性分析把上游误差的影响做成了 3 乘 3 网格，横轴是说话人分离误差由低到高，纵轴是转写误差由低到高，分别用真实转写与标签作理想条件、用标准流水线作中等条件、用轻量识别模型与随机打乱说话人标签模拟高噪声条件。下图是该分析的可视化，左中右三块分别对应本方法、文本检索与两者差值，颜色深浅代表准确率高低。
看图路径： 1. 先看左侧本方法热力图从低噪声到高噪声格子颜色由深变浅的衰减幅度；2. 再看中间文本检索热力图右下角高噪声格子变浅更快的退化速度；3. 核对右侧差值热力图右下角数值是否大于左上角以确认噪声越大优势越大；4. 对比横轴说话人分离误差与纵轴转写误差哪个方向导致准确率下降更多
论文图 7。原论文 Figure 7：“Noise Sensitivity Analysis. QA Accuracy comparison under varying upstream error rates.”。
从像素可见，左侧本方法从左上到右下由深蓝渐变为浅蓝绿，但右下高噪声格仍保持约 39.54% 的准确率；中间文本检索在同一路径上退化更快，右下角掉到约 24.67%；右侧差值热力图右下角约为 14.87% 而左上角约为 5.37%，说明噪声越大本方法相对优势越大。论文把这种现象解释为噪声缓冲效应，即拓扑连接与时间约束补偿了损坏的文本与说话人线索。复述时要注意，这里的因果仍是有限解释：实验显示了差距随噪声扩大，但未直接测量每条边对纠错的贡献，因此只能说结果支持图结构更鲁棒，而不能断言某一种边单独决定了鲁棒性。
哪些边界尚未验证，成本与误差如何约束结论？
论文明确列出三项局限。第一是误差传播，图构建依赖上游语音识别与说话人分离，严重噪声或重叠说话会在推理图中引入伪影。第二是推理延迟，迭代规划与反思的多轮调用成本高于单轮检索，限制实时部署。第三是领域特异性，评测聚焦结构化会议，向电影或生活记录等非结构化领域的泛化仍是未来工作。初学者应把这 3 条当作适用条件：会议越嘈杂、重叠越多，越要先检查转写与分离质量。
对延迟敏感的在线场景要另做预算；换领域时不能直接沿用会议的回复窗口与话语切分假设。
人工评测也揭示了流畅不等于忠实的差距。基线在连贯性上得分不低，但在接地性上明显偏低，表现为生成流畅但缺乏证据支撑；本方法在接地性上提升约 0.97，在正确性上提升约 0.52，支持精确定位减少事实错误的链条。但人工评测只在 150 条跨类型采样上由 3 名研究生盲评，平均一致性中等，因此不能把人工分数当作全量结论，只能作为自动语义准确率之外的补充证据。资源状态方面，本次未发现来源绑定且完成验证的代码模型数据链接，因此不得声称代码模型或数据已公开，复现应以论文附录的算法与超参数为准自行搭建。
复现先做什么，需要哪些配置与检查点？
复现应先按离线建图与在线智能体 2 阶段准备。离线阶段按算法流程依次实现预处理与重采样、语音活动检测切分、语音识别转写、后验强制对齐拿词级时间戳、说话人分离与聚类平滑、词与说话人段重叠匹配、按静音组成话语节点，再加时间边、同说话人边、回复边、实体边与语义边，并建文本与向量索引。需要保留的关键超参数包括说话人聚类阈值 0.8、回复边时间窗 5 秒、文本检索取前 10 段与相似度下限 0.25、反思阈值与失败惩罚系数，以及最大推理步约 5 步。时间戳证据的交并比大于 0.9 与引用容差正负 2 秒是必须对齐的评测细节，否则定位分数不可比。
在线阶段用同一骨干大模型实现分解、规划、合成与反思，温度设为 0 以保证确定性路径。实现时要把动作签名固定为关键词检索、语义检索、混合检索、时间窗过滤、说话人过滤、关系遍历与音频片段读取，并在每轮记录计划、观察、候选答案与验证分数，以便失败时把批评写回历史。检查点包括语义检索能否召回初始节点、图遍历是否沿预期边扩散、反思分数是否与人工判断一致、最终引用是否落在容差内。
若声学类问题异常偏低，应优先检查音频访问是否被正确触发，而不是只调大检索数量。未报告的缺项包括各外部模型的确切版本行为差异与反思器的提示细节，复现时应固定版本并记录随机性来源。
何时值得尝试这种方法，还需补哪项验证？
当任务同时满足长时、多人、需跨时间推理、需引用定位这 4 个特征时，值得尝试先建图后规划的路线。例如需要回答立场如何随讨论演变、早期提案为何被否、某情绪化发言的直接诱因这类问题，单次检索往往只能找到片段而拼不出链条，此时多维图的同说话人边与回复边能提供可遍历的解释路径，而反思循环能拦截首轮泛泛总结。相反，若任务只是短片段实体查找或干净单人问答，引入完整智能体循环可能得不偿失，直接用端到端模型或单次检索更经济。
还需补的验证包括在新会议语料上的端到端复测、在不同识别与分离流水线下的稳定性复测，以及对延迟与调用成本的量化报告。论文已用噪声网格证明了相对优势随噪声扩大，但未给出每轮延迟分布与总成本，因此在部署前应自行测量平均步数、每步模型调用耗时与图检索耗时。最终要记住的判断是，本文报告的是在给定构造与评测条件下的语义准确率与引用质量领先，支持结构化检索加规划反思对长会议有效，但该结论的边界由上游质量、领域结构与计算预算共同决定，换条件后需要重新验证而不能直接推广。
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
- 评分规则：type-aware-v1
- 评分模型：muse-spark-1.3-contributor
- 评分请求协议：openai_responses