研究
把一线落地，沉淀成可复现的研究。
检索增强生成、LLM 长期记忆、知识图谱——我们把生产实践形式化为可复现的工作。这里是团队公开的论文、专利与学术服务，链接均指向可核验的原始来源。
论文与专利
The Preference Centroid: Consensus Density Governs Output Dispersion in Aligned LLMs
Tao An, Shuai Feng
反复采样一个对齐后的 LLM 并对补全做嵌入，输出的离散度（平均两两余弦距离）由任务的「共识密度」决定——事实型 prompt 上近乎为零，开放型 prompt 上很宽（Spearman ρ = 0.85），在第二个模型上复现，并可由只看 prompt 的留出评审预测（ρ = −0.91）。基座 vs 指令模型的对照显示：对齐放大了预训练基座已携带的梯度。
It's Fidelity, Not Structure: Verbatim Chunks Beat Lossy Artifact Extraction in Long-Conversation LLM Memory
Tao An
在固定的 检索–重排–推理 管线内做受控消融，隔离「存储的记忆表示」这一变量：LLM 抽取的结构化 artifact vs 原文对话切片。原文切片在 LoCoMo 上领先 15.9 分（43.9% vs 28.0%）、在 LongMemEval-S 上领先 22.0 分——结构化记忆应增强而非替代原文。
AI as Equalizer or Amplifier? Task Complexity as the Moderating Factor for Human Expertise in Hybrid Intelligence Systems
Tao An
被第 5 届混合人机智能大会（HHAI 2026，布鲁塞尔）接收，收录于 IOS Press《Frontiers in AI and Applications》。基于 2024 年中以来的结构化田野观察，调和「AI 是均衡器还是放大器」之争：AI 在常规、结构良好的任务上缩小新手与专家差距，在需要深度判断的复杂任务上放大差距——决定谁最受益的是领域专业度，而非提示工程。
Cognitive Workspace: Active Memory Management for LLMs
Tao An
提出 Cognitive Workspace 范式，超越传统 RAG，模拟人类认知机制：主动记忆管理、分层认知缓冲、任务驱动的上下文优化。记忆复用率 58.6%（RAG 为 0%），净效率提升 17–18%。
A Graph-Neural-Network Method for Data-Information Recommendation
Tao An
中国发明专利，实质审查中。基于 GNN，在异构「数据–信息」图上做推荐。
学术服务
伦理审稿人
NeurIPS 2026· 2026神经信息处理系统大会（NeurIPS 2026）伦理审查委员会——依据 NeurIPS 伦理准则审查被标记的投稿：数据来源与知情同意、双重用途与滥用风险、涉人研究考量、更广泛的社会影响。