核心发现
方法论
HabitatAgent使用四个专用代理：记忆、检索、生成和验证。记忆代理通过验证门控更新用户记忆；检索代理采用混合向量-图检索；生成代理提供证据支持的推荐；验证代理进行多层验证和针对性修复。
关键结果
- HabitatAgent在100个真实咨询场景中实现了95%的准确率，显著优于Dense+Rerank的75%。
- 在复杂查询中，HabitatAgent的CSR@5达到95%，而Dense+Rerank仅为8%。
- 去除自适应检索路由导致准确率从95%降至75%，显示其关键作用。
研究意义
HabitatAgent在房屋咨询中提供了可靠的端到端解决方案，解决了现有平台在多约束处理和透明性方面的不足，具有重要的学术和产业影响。
技术贡献
HabitatAgent通过多代理架构实现了从单一推荐到全面决策支持的转变，引入了验证门控记忆和自适应检索路由等新机制。
新颖性
这是首个将LLM与多代理系统结合用于房屋咨询的架构，显著提升了多约束条件下的决策准确性。
局限性
- 在极端复杂的约束条件下，系统可能需要更长的处理时间。
- 对新兴市场的适用性尚待验证。
未来方向
未来工作将扩展至更多城市和动态知识图谱，提升系统的适应性和实时性。
AI 总览摘要
房屋选择是一个高风险且不可逆的决策过程，现有平台在多约束处理和透明性方面存在不足。HabitatAgent通过多代理系统提供了端到端的房屋咨询解决方案，包含记忆、检索、生成和验证四个专用代理。实验表明，HabitatAgent在100个真实咨询场景中实现了95%的准确率，显著优于现有方法。该系统不仅在学术界具有重要意义，还为产业界提供了新的决策支持工具。未来工作将扩展至更多城市和动态知识图谱，提升系统的适应性和实时性。
深度分析
研究背景
房屋选择涉及多重因素，如预算、位置、建筑质量等，现有平台多以排名或推荐为主，缺乏透明的决策支持。
核心问题
现有平台在处理多约束条件时表现不佳，推荐结果不透明，难以满足用户的个性化需求。
核心创新
HabitatAgent通过多代理系统实现了从单一推荐到全面决策支持的转变，引入了验证门控记忆和自适应检索路由等新机制。
方法详解
- �� 记忆代理：通过验证门控更新用户记忆。• 检索代理：采用混合向量-图检索。• 生成代理：提供证据支持的推荐。• 验证代理：进行多层验证和针对性修复。
实验设计
使用北京房屋平台的真实用户交互数据进行评估，包含100个咨询场景和300个用户查询。
结果分析
HabitatAgent在复杂查询中表现优异，CSR@5达到95%，显著优于Dense+Rerank。
应用场景
适用于房屋中介平台，提供个性化的房屋推荐和决策支持。
局限与展望
在极端复杂的约束条件下，系统可能需要更长的处理时间。
通俗解读 非专业人士也能看懂
想象你在一个大型超市购物，HabitatAgent就像一个聪明的购物助手。它不仅帮你找到符合你要求的商品，还能解释为什么这些商品适合你，并确保所有信息准确无误。
简单解释 像给14岁少年讲一样
HabitatAgent就像一个超级聪明的房屋助手！它能帮你找到最适合的房子，还能解释为什么选它。就像在游戏里有个超厉害的NPC帮你做决定一样，超酷吧？
术语表
多代理系统 (Multi-Agent System)
一种将任务分解为多个专用代理的系统，每个代理负责特定功能。
HabitatAgent中用于房屋咨询的四个代理。
验证门控记忆 (Verification-Gated Memory)
一种只允许通过验证的信息更新用户记忆的机制。
用于防止错误信息在多轮对话中传播。
自适应检索路由 (Adaptive Retrieval Routing)
根据查询复杂度决定是否使用图检索的机制。
在复杂查询中保持关系正确性。
CSR@5 (Constraint Satisfaction Rate)
推荐结果中满足所有硬约束的比例。
用于评估HabitatAgent在复杂查询中的表现。
GraphRAG (Graph Retrieval-Augmented Generation)
结合图检索和生成的技术，用于处理复杂关系约束。
HabitatAgent的检索代理中使用的核心技术。
开放问题 这项研究留下的未解疑问
- 1 如何在动态变化的市场中保持系统的实时性和准确性？
- 2 在新兴市场中的适用性和扩展性如何？
应用场景
近期应用
房屋中介平台
为用户提供个性化的房屋推荐和决策支持，提升用户满意度。
远期愿景
智能城市规划
结合城市数据进行智能化的城市规划和资源分配。
原文摘要
Housing selection is a high-stakes and largely irreversible decision problem. We study housing consultation as a decision-support interface for housing selection. Existing housing platforms and many LLM-based assistants often reduce this process to ranking or recommendation, resulting in opaque reasoning, brittle multi-constraint handling, and limited guarantees on factuality. We present HabitatAgent, the first LLM-powered multi-agent architecture for end-to-end housing consultation. HabitatAgent comprises four specialized agent roles: Memory, Retrieval, Generation, and Validation. The Memory Agent maintains multi-layer user memory through internal stages for constraint extraction, memory fusion, and verification-gated updates; the Retrieval Agent performs hybrid vector--graph retrieval (GraphRAG); the Generation Agent produces evidence-referenced recommendations and explanations; and the Validation Agent applies multi-tier verification and targeted remediation. Together, these agents provide an auditable and reliable workflow for end-to-end housing consultation. We evaluate HabitatAgent on 100 real user consultation scenarios (300 multi-turn question--answer pairs) under an end-to-end correctness protocol. A strong single-stage baseline (Dense+Rerank) achieves 75% accuracy, while HabitatAgent reaches 95%.