一篇於 2026 年 8 月 14 日上載至 arXiv 的人機互動研究，提出 RaivenTracks，嘗試解決 AI 參與科學視覺化後的一個實際問題：當研究人員由直接製作圖表，轉為監督、檢查和引導 Agent，之前的決策和中間結果應該怎樣被保存？作者指出，現有由大型語言模型驅動的視覺化系統多數是無狀態的，用戶要在每次修改後自行重建背景，也難以回到早前的分支探索另一個假設。
RaivenTracks 是 Raiven 這個以 DSL 驅動的視覺化流程的 workflow-aware extension。研究的核心做法，是把已驗證的 visualization specification 當成持久、可分支的 checkpoint。每個 checkpoint 是一份可驗證的 RaivenDSL 規格，而不是一段聊天紀錄；當用戶還原某個節點，系統可以重新編譯一個已知的 artifact，而不是再次要求模型從對話中猜回原本的上下文。
作者把狀態管理拆成兩個層次。第一層是持久而可分支的 version tree，用來保存不同探索路徑；第二層是對 runtime visualization settings 的細粒度 undo/redo stack。研究指出，這套設計同時支援 InfoVis 和 SciVis backend。對科學工作流來說，兩層結構把「我曾經選過哪個可重現的版本」和「剛才把顏色、視角或參數改了甚麼」分開，減少把短期操作誤當成正式研究決策。
這項研究目前仍是早期證據。作者以三位 visualization researchers 做 formative pilot，三人都採用 version tree 來進行分支和 recovery；研究同時整理了樹狀導航、節點命名和可擴展性等後續設計方向，並計劃與沒有 version history 的 Raiven 做受控比較。這個 pilot 可以說明設計有可用性訊號，但不能單獨證明它在大型資料集、長時間研究或不同 Agent 上一定更快或更準。
RaivenTracks 值得企業 AI 團隊留意的地方，在於它把 provenance 從「記住對話」推前到「保留可驗證的工作產物」。對話可以幫助人與 Agent 溝通，但對於需要重現、審閱或交接的工作，真正重要的通常是輸入資料、工具版本、結構化規格、產出和修改關係。若每一個可交付的 Agent 步驟都能留下這些 artifact，團隊就可以比較不同分支、回到已驗證版本，亦較容易找出錯誤是由資料、規則、模型判斷還是最後的視覺化設定造成。
對 AI workflow 的實務設計，這項研究帶來一個簡單的檢查問題：系統保存的是一段看似完整的 transcript，還是一組可以獨立驗證和重建的狀態？前者適合回顧，後者才較適合 audit、recovery 和多人協作。下一步評估這類 Agent workflow 時，除了完成率和回應速度，也應量度分支是否容易理解、結果是否可重建、失敗後能否精準復原，以及版本記錄會否增加不必要的成本。
RaivenTracks 的作者把可分支的對話式視覺化歷史定位為未來 scientist-in-the-loop oversight 的 provenance 基礎。現階段更適合把它看成一個有研究支持的設計方向，而不是已經完成的通用代理平台。它提醒我們，當 Agent 開始做多步驟科學工作時，好的記憶不應只是更長的上下文，而應是可驗證、可分支和可追溯的工作狀態。
