RAG / 检索增强生成

Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG

代理检索增强生成：关于代理RAG的综述

Aditi Singh, Abul Ehtesham, Saket Kumar, Tala Talaei Khoei, Athanasios V. Vasilakos

机构 * Cleveland State University（克利夫兰州立大学） ； Kent State University（肯特州立大学） ； Northeastern University（东北大学） ； Roux Institute at Northeastern University（东北大学鲁克斯研究所） ； University of Agder (UiA)（阿格德尔大学） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文综述了代理RAG系统，分析了其架构分类、设计权衡及应用，指出其在灵活性、可扩展性和上下文感知方面的优势，并探讨了未来研究方向。

Certifiably Robust RAG against Retrieval Corruption

可验证的对抗检索污染的RAG

Chong Xiang, Tong Wu, Zexuan Zhong, David Wagner, Danqi Chen, Prateek Mittal

机构 * NVIDIA（英伟达） ； Princeton University（普林斯顿大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 检索器与排序 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 本文提出RobustRAG，通过隔离-聚合策略有效防御检索污染攻击，并在三个数据集和三个LLM上验证了其在开放领域问答和自由文本生成中的有效性。

SCPatcher: Automated Smart Contract Code Repair via Retrieval-Augmented Generation and Knowledge Graph

SCPatcher：通过检索增强生成与知识图谱实现智能合约代码自动修复

Xiaoqi Li, Shipeng Ye, Wenkai Li, Zongwei Li

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)

AI总结 本文提出SCPatcher框架，结合检索增强生成与知识图谱实现智能合约漏洞自动修复，通过构建5000个验证过的以太坊合约知识图谱，提升大语言模型推理能力，实现高修复率和编译通过率。

Comments 6 pages, 3 figures

AgentExpt: Automating AI Experiment Design with LLM-based Resource Retrieval Agent

AgentExpt: 基于LLM的资源检索代理自动化AI实验设计

Yu Li, Lehui Li, Lin Chen, Qingmin Liao, Fengli Xu, Yong Li

机构 * Tsinghua University（清华大学） ； Shandong University（山东大学） ； Northeastern University（东北大学） 纠错

专题命中 检索器与排序 ：retriever(abstract)；分类 cs.CL

AI总结 本文提出基于LLM的资源检索代理框架，通过自动化数据收集和集体感知增强检索，提升实验设计的自动化和可解释性，实验结果显示在Recall@20和HitRate@5上分别提升5.85%和8.30%。

Comments 10 pages

A Visionary Look at Vibe Researching

对Vibe研究的前瞻性展望

Yebo Feng, Yang Liu

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)

AI总结 本文探讨了Vibe研究范式，结合人类指导与AI代理，提出多智能体架构、记忆、工具使用等方法，分析其技术限制与社会影响，为负责任的采用提供路线图。

Is One Token All It Takes? Graph Pooling Tokens for LLM-based GraphQA

一个token足够吗？基于LLM的图QA的图池化token

Ankit Grover, Lodovico Giaretta, Rémi Bourgerie, Sarunas Girdzijauskas

专题命中 检索器与排序 ：retriever(abstract)

AI总结 本文提出通过多token池化和全局注意力机制改进图与LLM的接口，通过实验表明LoRA可稳定特定层次投影，使压缩表示在WebQSP上达到73%的Hit@1，揭示图QA基准存在表示饱和问题。

Comments Accepted at LREC, KG-LLM Workshop 2026

Auto-Slides: An Interactive Multi-Agent System for Creating and Customizing Research Presentations

Auto-Slides：一个用于创建和定制研究演示的交互式多智能体系统

Yuheng Yang, Wenjia Jiang, Yang Wang, Yi Song, Yiwei Wang, Chi Zhang

专题命中 检索器与排序 ：knowledge retrieval(abstract)

AI总结 本文提出Auto-Slides系统，利用大语言模型将学术论文转化为结构化的多模态幻灯片，通过交互式编辑器实现个性化学习，提升学习者对复杂概念的理解与参与度。

Comments Project Homepage: https://auto-slides.github.io/

Nemotron ColEmbed V2: Top-Performing Late Interaction Embedding Models for Visual Document Retrieval

Nemotron ColEmbed V2：视觉文档检索中表现优异的后期交互嵌入模型

Gabriel de Souza P. Moreira, Ronay Ak, Mengyao Xu, Oliver Holworthy, Benedikt Schifferer, Zhiding Yu, Yauhen Babakhin, Radek Osmulski, Jiarui Cai, Ryan Chesler, Bo Liu, Even Oldridge

专题命中 向量检索 ：retrieval-augmented generation(abstract)；RAG(abstract)；dense retrieval(abstract)；分类 cs.IR

AI总结 本文提出Nemotron ColEmbed V2模型，通过集群采样、硬负样本挖掘等技术，在ViDoRe基准上实现最佳性能，展示了低维嵌入在准确率与存储间的平衡实验。

Comments Proceedings of the 1st Late Interaction Workshop (LIR) @ ECIR 2026, April 02, 2026

Benchmarking Filtered Approximate Nearest Neighbor Search Algorithms on Transformer-based Embedding Vectors

基于Transformer嵌入向量的过滤近邻搜索算法基准测试

Patrick Iff, Paul Bruegger, Marcin Chrapek, David Kochergin, Maciej Besta, Torsten Hoefler

专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.IR、cs.DB

AI总结 本文针对过滤近邻搜索问题，提出arxiv-for-fanns数据集，评估了11种算法在不同过滤条件下的性能，总结出8项关键发现以指导实际应用。

Making Array-Based Translation Practical for Modern, High-Performance Buffer Management

使基于数组的翻译在现代高性能缓冲管理中实用

Xinjing Zhou, Jinming Hu, Andrew Pavlo, Michael Stonebraker

专题命中 向量检索 ：vector search(abstract)；分类 cs.DB

AI总结 本文提出\calico，一种基于数组翻译的数据库管理系统缓冲池，通过多级翻译、洞 punching 和组预取技术，提升缓冲池在扫描、OLTP和向量搜索中的性能。

PluriHopRAG: Exhaustive, Recall-Sensitive QA Through Corpus-Specific Document Structure Learning

PluriHopRAG: 通过语料库特定文档结构学习实现全面、召回敏感的问答

Mykolas Sveistrys, Richard Kunert

机构 * Turbit Systems GmbH 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.IR、cs.CL

AI总结 本文提出PluriHopRAG，通过学习语料库特定文档结构分解查询，改进多跳问答任务的召回敏感性和全面性，在PluriHopWIND和Loong基准上取得显著提升。

Compass: General Filtered Search across Vector and Structured Data

Compass：跨向量和结构化数据的通用过滤搜索

Chunxiao Ye, Xiao Yan, Eric Lo

专题命中 图谱与结构化RAG ：vector search(abstract)；分类 cs.IR、cs.DB

AI总结 Compass提出一种统一框架，实现向量与结构化数据的通用过滤搜索，无需新索引设计，通过协调候选生成和谓词评估，支持任意逻辑运算并优于现有框架。

A novel three-step approach to forecast firm-specific technology convergence opportunity via multi-dimensional feature fusion

一种新颖的三步方法用于通过多维特征融合预测企业特定技术收敛机会

Fu Gu, Ao Chen, Yingwen Wu

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

AI总结 本文提出一种三步方法，通过多维特征融合预测企业特定技术收敛机会，利用注意力机制和集成学习模型提升预测效果。

BloClaw: An Omniscient, Multi-Modal Agentic Workspace for Next-Generation Scientific Discovery

BloClaw：面向下一代科学发现的全能多模态智能工作空间

Yao Qin, Yangyang Yan, Jinhua Pang, Xiaoming Zhang

机构 * AI Innovation Department, Beijing 1st Biotech Group Co., Ltd.（北京第一生物技术集团有限公司AI创新部） ； Diplomatic Negotiation Simulation and Data Lab（外交谈判模拟与数据实验室） ； First Medical Center, Chinese PLA General Hospital（中国人民解放军总医院第一医学中心） 纠错

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

AI总结 本文提出BloClaw，一种多模态操作系统，通过XML-Regex路由协议、运行时状态拦截沙箱和状态驱动动态视口UI三大创新，提升科学计算助手的鲁棒性和自适应能力。

Improvisational Games as a Benchmark for Social Intelligence of AI Agents: The Case of Connections

即兴游戏作为AI代理社交智能的基准测试：以Connections为例

Gaurav Rajesh Parikh, Angikar Ghosal

机构 * Duke University（杜克大学） ； Stanford University（斯坦福大学） 纠错

专题命中 RAG评测 ：knowledge retrieval(abstract)；分类 cs.AI

AI总结 本文通过即兴词游戏Connections探讨AI代理的推理能力，提出该游戏作为测试社交智能的基准，涵盖知识检索、总结及认知状态意识等核心能力。

Comments https://wordplay-workshop.github.io/wordplay2024/pdfs/16.pdf

Journal ref https://wordplay-workshop.github.io/wordplay2024/pdfs/16.pdf

The Energy Footprint of LLM-Based Environmental Analysis: LLMs and Domain Products

基于大语言模型的环境分析能耗：LLM与领域产品

Alicia Bao, Jiamian He, Angel Hsu, Diego Manya, Ji, Zhang

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Arboretica ； Data-Driven EnviroLab UNC Institute for Environment（北卡罗来纳大学环境研究所数据驱动环境实验室） 纠错

专题命中 RAG评测 ：RAG(abstract)；分类 cs.AI

AI总结 本文研究了领域特定RAG系统与通用LLM在能耗上的差异，通过分解工作流程评估了ChatNetZero和ChatNDC的能耗，发现领域设计显著影响能耗与输出质量。