机心卷 · 世界补丁日志

Living Context Graphs: Continual Semantic Learning for Enterprise Data Reasoning

2026-11-16 AI 辅助 · 人工审校 编号 cand-71f83beccbe4

1. 一句话总结 Living Context Graph(LCG)提出一个覆盖在既有企业数据仓库之上的“活上下文图”层:不搬迁、不重构底层数据,而是从数据本身自举业务语义,再通…

标题

数据库不搬家,AI却能越用越懂业务

🧠 问 AI「本月实际支出多少」,它可能语法全对,却把退款也算进去。难的往往不是查表,而是「实际支出」这条业务口径。

🏗️ Living Context Graph(活上下文图)不搬数据,而是在原库上叠一层可更新的业务记忆:先推断字段含义,结果验证后才记规则;旧规则与新结果冲突时,再撤回重学。它把一次性的提示词,变成了能纠错的长期笔记。

📊 论文在 3 个 BIRD 数据库、499 道题上测试。模型从历史题学习后,在从未用于更新的测试题上,准确率比基线高 22.6 个百分点。自动推断只贡献 4.6 个百分点,主要收益来自「验证后持续记住」。

⚡ 拿掉图结构后,每库正确题数至多差 1 题,但查询成本升至 2.3~3.3 倍,中位延迟升至 1.8~3.4 倍。图更像给上下文找目录,不是答案本身。

💡 普通人可用个人记账表、健身库或 SQLite 做最小版本:描述字段、找相似问题、核对答案、写入规则。比如固定「退款不计入净支出」,AI 以后就不必重复猜。论文完整流水线尚未公开,先拿小数据库试验更现实。

🤔 如果 AI 犯过一次口径错误,你希望它记住纠正,还是下次仍从零开始?

标签

#AI论文 #大语言模型 #TextToSQL #AI智能体 #持续学习 #知识图谱 #数据分析 #SQLite #个人知识库

原文来源

边界声明 · 这项研究不能证明什么

本文为一手来源的中文编辑导读,结论的适用范围与证据强度以来源原文为准;不构成医疗、投资或其他决策建议。

AIGC 内容说明

本文由 AI 辅助起草,经今山海编辑部人工核对事实、来源与边界后发布。修订与更正将在本页留痕。