RAG / 检索增强生成

QChunker: Learning Question-Aware Text Chunking for Domain RAG via Multi-Agent Debate

QChunker: 通过多智能体辩论学习问题感知的文本分块以实现领域RAG

Jihao Zhao, Daixuan Li, Pengfei Li, Shuaishuai Zu, Biao Qin, Hongyan Liu

机构 * School of Information, Renmin University of China（中国人民大学信息学院） ； School of Smart Governance, Renmin University of China（中国人民大学智能治理学院） ； School of Information, BRAIN, Renmin University of China（中国人民大学信息学院、BRAIN学院） ； School of Economics and Management, Tsinghua University（清华大学经济管理学院） 纠错

专题命中 RAG评测 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 QChunker通过多智能体辩论框架，提升RAG中文本分块的语义完整性和信息粒度，采用ChunkScore评估指标，实现更高效高质量的文本分块生成。

Mobile-Agent-RAG: Driving Smart Multi-Agent Coordination with Contextual Knowledge Empowerment for Long-Horizon Mobile Automation

移动代理-RAG：通过上下文知识增强驱动智能多代理协调以实现长周期移动自动化

Yuxiang Zhou, Jichang Li, Yanhao Zhang, Haonan Lu, Guanbin Li

专题命中 RAG评测 ：RAG(title,abstract)；分类 cs.IR、cs.AI

AI总结 本文提出Mobile-Agent-RAG框架，通过双层检索增强实现智能多代理协调，提升长周期移动自动化任务的完成率和效率。

Context Before Code: An Experience Report on Vibe Coding in Practice

上下文在代码之前：关于在实践中使用Vibe编码的经验报告

Md Nasir Uddin Shuvo, Md Aidul Islam, Md Mahade Hasan, Muhammad Waseem, Pekka Abrahamsson

专题命中 RAG评测 ：retrieval-augmented generation(abstract)；RAG(abstract)

AI总结 本文报告了一个全栈团队在实践中应用Vibe编码构建多项目代理学习平台和学术检索增强生成系统，并探讨了生成代码在隔离约束和架构设计上的不足。

Comments 6 Pages, 1 Figure