发表机构
Megagon Labs（美嘉冈实验室）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对以数据为中心智能体发现结果未被复用的问题，提出持久发现上下文这一轻量级内存层，在多结构化数据环境中提升了检索质量，部分场景下其性能优于元数据检索。
AI 中文摘要
以数据为中心的智能体在规划或执行前会重复执行发现步骤，即识别与任务相关的数据对象，但成功的发现结果通常被丢弃而非复用。我们提出持久发现上下文，这是一种轻量级内存层，用于存储先前的意图-对象映射并复用它们以增强未来的检索。在三个结构化数据环境中，持久发现上下文始终比仅基于元数据的搜索提升检索质量，在自动生成的记忆时仍保持有效，并暴露出可复现的干扰失效模式。在词汇稀疏领域，仅基于记忆的检索甚至能优于基于元数据的检索。这些发现表明，发现结果构成了以数据为中心智能体的一种有用可复用上下文形式。
英文摘要
Data-centric agents repeatedly perform a discovery step before planning or execution: identifying the data objects relevant to a task. Yet successful discovery outcomes are typically discarded rather than reused. We introduce persistent discovery context, a lightweight memory layer that stores prior intent-to-object mappings and reuses them to augment future retrieval. Across three structured data environments, persistent discovery context consistently improves retrieval quality over metadata-only search, remains effective with automatically generated memories, and exposes a reproducible interference failure mode. In lexically sparse domains, memory-only retrieval can even outperform metadata-based retrieval. These findings suggest that discovery outcomes constitute a useful form of reusable context for data-centric agents.
