一篇于 2026 年 8 月 14 日上传至 arXiv 的人机交互研究，提出 RaivenTracks，尝试解决 AI 参与科学可视化后的一个实际问题：当研究人员由直接制作图表，转为监督、检查和引导 Agent，之前的决策和中间结果应该怎样保存？作者指出，现有由大型语言模型驱动的可视化系统多数是无状态的，用户要在每次修改后自行重建背景，也难以回到早前的分支探索另一个假设。
RaivenTracks 是 Raiven 这个以 DSL 驱动的可视化流程的 workflow-aware extension。研究的核心做法，是把已验证的 visualization specification 当成持久、可分支的 checkpoint。每个 checkpoint 是一份可验证的 RaivenDSL 规格，而不是一段聊天记录；当用户还原某个节点，系统可以重新编译一个已知的 artifact，而不是再次要求模型从对话中猜回原本的上下文。
作者把状态管理拆成两个层次。第一层是持久而可分支的 version tree，用来保存不同探索路径；第二层是对 runtime visualization settings 的细粒度 undo/redo stack。研究指出，这套设计同时支持 InfoVis 和 SciVis backend。对科学工作流来说，两层结构把「我曾经选过哪个可重现的版本」和「刚才把颜色、视角或参数改了什么」分开，减少把短期操作误当成正式研究决策。
这项研究目前仍是早期证据。作者以三位 visualization researchers 做 formative pilot，三人都采用 version tree 来进行分支和 recovery；研究同时整理了树状导航、节点命名和可扩展性等后续设计方向，并计划与没有 version history 的 Raiven 做受控比较。这个 pilot 可以说明设计有可用性讯号，但不能单独证明它在大型数据集、长时间研究或不同 Agent 上一定更快或更准。
RaivenTracks 值得企业 AI 团队留意的地方，在于它把 provenance 从「记住对话」推前到「保留可验证的工作产物」。对话可以帮助人与 Agent 沟通，但对于需要重现、审阅或交接的工作，真正重要的通常是输入数据、工具版本、结构化规格、产出和修改关系。若每一个可交付的 Agent 步骤都能留下这些 artifact，团队就可以比较不同分支、回到已验证版本，也较容易找出错误是由数据、规则、模型判断还是最后的可视化设置造成。
对 AI workflow 的实践设计，这项研究带来一个简单的检查问题：系统保存的是一段看似完整的 transcript，还是一组可以独立验证和重建的状态？前者适合回顾，后者才较适合 audit、recovery 和多人协作。下一步评估这类 Agent workflow 时，除了完成率和响应速度，也应量度分支是否容易理解、结果是否可重建、失败后能否精准复原，以及版本记录会否增加不必要的成本。
RaivenTracks 的作者把可分支的对话式可视化历史定位为未来 scientist-in-the-loop oversight 的 provenance 基础。现阶段更适合把它看成一个有研究支持的设计方向，而不是已经完成的通用代理平台。它提醒我们，当 Agent 开始做多步骤科学工作时，好的记忆不应只是更长的上下文，而应是可验证、可分支和可追溯的工作状态。
