RAG / 检索增强生成

Agile Story-Point Estimation: Is RAG a Better Way to Go?

敏捷故事点估计：RAG是否是更好的方法？

Lamyea Maha, Tajmilur Rahman, Chanchal Roy

机构 * University of Saskatchewan（萨斯喀彻温大学） ； Gannon University（甘农大学） 纠错

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

AI总结 本研究探讨利用RAG技术自动化敏捷开发中的故事点估计，分析检索参数、项目规模及嵌入模型对准确率的影响，发现RAG在部分情况下表现更优，但整体差异不显著，需进一步优化。

Journal ref ICPC 2026

Scaling DPPs for RAG: Density Meets Diversity

在RAG中扩展DPPs：密度与多样性

Xun Sun, Baiheng Xie, Li Huang, Qiang Gao

机构 * Southwestern University of Finance and Economics（西南财经大学） 纠错

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

AI总结 本文提出ScalDPP，通过轻量级P-Adapter整合DPPs，实现RAG中密度与多样性的联合优化，通过DML损失确保互补证据链的优先级，实验验证其有效性。

Contradictions in Context: Challenges for Retrieval-Augmented Generation in Healthcare

上下文中的矛盾：医疗领域检索增强生成的挑战

Saeedeh Javadi, Sara Mirabi, Manan Gangar, Bahadorreza Ofoghi

机构 * Deakin University（迪肯大学） ； RMIT University（皇家墨尔本理工大学） 纠错

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

AI总结 本文研究了在医疗领域使用检索增强生成方法时，源文档中过时或矛盾信息对模型性能的影响，提出了一个基准数据集并分析了不同LLM的表现。

SPARK-IL: Spectral Retrieval-Augmented RAG for Knowledge-driven Deepfake Detection via Incremental Learning

SPARK-IL：基于频谱检索的增强型RAG用于通过增量学习的知识驱动深度伪造检测

Hessen Bougueffa Eutamene, Abdellah Zakaria Sellam, Abdelmalik Taleb-Ahmed, Abdenour Hadid

机构 * Univ. Polytechnique Hauts-de-France（上法兰西理工大学） ； Institute of Applied Sciences and Intelligent Systems – Lecce（应用科学与智能系统研究所（莱切）） ； Department of Innovation Engineering, University of Salento（萨伦托大学创新工程系） ； Sorbonne Center for Artificial Intelligence, Sorbonne University Abu Dhabi（索邦大学阿布扎比分校索邦人工智能中心） 纠错

专题命中 检索器与排序 ：RAG(title)

AI总结 本文提出SPARK-IL框架，结合双路径频谱分析与增量学习，利用冻结的ViT-L/14编码器生成语义表示，并通过频谱嵌入融合与残差连接实现跨生成器检测，达到94.6%的准确率。

MemMachine: A Ground-Truth-Preserving Memory System for Personalized AI Agents

MemMachine：一种保持事实真实性的记忆系统用于个性化AI代理

Shu Wang, Edwin Yu, Oscar Love, Tom Zhang, Tom Wong, Steve Scargall, Charles Fan

机构 * MemVerge, Inc.（MemVerge公司） 纠错

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

AI总结 MemMachine是一种开源记忆系统，通过整合短期、长期事件和用户档案记忆，实现事实真实性保护，提升多会话交互的准确性和效率。

Comments 18 pages, 16 tables, 3 figures

An AI Teaching Assistant for Motion Picture Engineering

为电影工程专业设计的AI助教

Deirdre O'Regan, Anil C. Kokaram

机构 * Trinity College Dublin（都柏林圣三一大学） 纠错

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

AI总结 本文介绍基于RAG技术的AI助教在电影工程硕士课程中的应用，通过实验证明其在教学环境中的有效性，并展示学生反馈和评估结果。

Comments Accepted for publication in IEEE Signal Processing Magazine

Beyond Retrieval: Modeling Confidence Decay and Deterministic Agentic Platforms in Generative Engine Optimization

超越检索：在生成引擎优化中建模置信度衰减与确定性代理平台

XinYu Zhao, ChengYou Li, XiangBao Meng, Kai Zhang, XiaoDong Liu

机构 * National University of Singapore（新加坡国立大学） ； Yishu Research（艺树研究） ； Fukuoka Institute of Technology（福冈工业大学） 纠错

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

AI总结 本文提出通过确定性多代理意图路由替代传统检索增强生成方法，建模置信度衰减并构建代理信任经纪生态系统，实验证明显著降低垂直任务幻觉率。

AICCE: AI Driven Compliance Checker Engine

AICCE：基于人工智能的合规检查引擎

Mohammad Wali Ur Rahman, Martin Manuel Lopez, Lamia Tasnim Mim, Carter Farthing, Julius Battle, Kathryn Buckley, Salim Hariri

机构 * University of Arizona（亚利桑那大学） ； Avirtek, Inc.（Avirtek公司） ； Joint Interoperability Test Command (JITC), United States Department of Defense（美国国防部联合互操作性测试司令部） 纠错

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

AI总结 本文提出AICCE，一种结合双架构推理与检索增强生成的新型生成系统，用于自动化IPv6合规性验证，通过语义编码提升检测精度，实现99%的准确率和F1分数。

Comments Accepted for publication in IEEE Transactions on Artificial Intelligence

RAGnaroX: A Secure, Local-Hosted ChatOps Assistant Using Small Language Models

RAGnaroX：一种使用小型语言模型的安全、本地托管的ChatOps助手

Benedikt Dornauer, Mircea-Cristian Racasan

机构 * University of Innsbruck（因斯布鲁克大学） ； c.c.com Moser GmbH（c.c.com Moser有限公司） 纠错

专题命中 检索器与排序 ：RAG(abstract)；hybrid retrieval(abstract)；分类 cs.AI

AI总结 RAGnaroX是一种基于本地硬件的高效ChatOps助手，采用Rust实现，提供可审计的本地解决方案，通过模块化数据摄入、混合检索和函数调用实现灵活安全的部署。

Gaussian mixture models as a proxy for interacting language models

高斯混合模型作为交互语言模型的代理

Edward L. Wang, Mohammad Sharifi Kiasari, Tianyu Wang, Hayden Helm, Avanti Athreya, Carey Priebe, Vince Lyzinski

机构 * Helivan Research 纠错

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

AI总结 本文提出交互高斯混合模型作为交互语言模型的代理，通过构建具有类RAG更新机制的模型，展示其在低计算成本下模拟交互语言模型的反馈过程，并提供理论分析。

Reimagining RAN Automation in 6G: An Agentic AI Framework with Hierarchical Online Decision Transformer

重新构想6G中的RAN自动化：一种带有分层在线决策变压器的代理AI框架

Md Arafat Habib, Medhat Elsayed, Majid Bavand, Pedro Enrique Iturria Rivera, Yigit Ozcan, Melike Erol-Kantarci

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

AI总结 本文提出了一种基于代理AI的无线网络框架，利用分层在线决策变压器协调多个代理，实现资源分配、网络应用编排和自愈功能，提升网络性能和能效。

Comments Paper currently under review (IEEE TNSE). Contents of this work may change at any time without notice. This is the author's preliminary version

Align then Train: Efficient Retrieval Adapter Learning

对齐后再训练：高效的检索适配学习

Seiji Maekawa, Moin Aminnaseri, Pouya Pezeshkpour, Estevam Hruschka

机构 * Megagon Labs（Megagon实验室） 纠错

专题命中 检索器与排序 ：dense retrieval(abstract)；分类 cs.IR、cs.CL

AI总结 本文提出Efficient Retrieval Adapter框架，通过自监督对齐和监督适应两阶段训练，解决复杂查询与简单文档之间的检索不匹配问题，提升低标注场景下的检索性能。

Cite Pretrain: Retrieval-Free Knowledge Attribution for Large Language Models

Cite Pretrain: 无需检索的知识归因于大语言模型

Yukun Huang, Sanxing Chen, Jian Pei, Manzil Zaheer, Bhuwan Dhingra

机构 * Duke University（杜克大学） ； Meta 纠错

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

AI总结 本文提出CitePretrainBench基准，通过修改训练过程使大语言模型在无检索情况下可靠归因于训练期间看到的文档。通过两阶段方法提升模型在短形式和长形式引用任务中的表现，实验显示Active Indexing在多个任务和模型中均取得30.2%的引用精度提升。

AI Trust OS -- A Continuous Governance Framework for Autonomous AI Observability and Zero-Trust Compliance in Enterprise Environments

AI信任操作系统——面向企业环境的连续治理框架：自主AI可观测性和零信任合规性

Eranga Bandara, Asanga Gunaratna, Ross Gore, Abdul Rahman, Ravi Mukkamala, Sachin Shetty, Sachini Rajapakse, Isurunima Kularathna, Peter Foytik, Safdar H. Bouk, Xueping Liang, Amin Hass, Ng Wee Keong, Kasun De Zoysa

机构 * Old Dominion University（欧道明大学） ； AI Motion Labs（AI Motion实验室） ； Florida International University（佛罗里达国际大学） ； Nanyang Technological University（南洋理工大学） ； University of Colombo（科伦坡大学） ； Accenture Technology Labs（埃森哲技术实验室） 纠错

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

AI总结 本文提出AI Trust OS，通过持续自主AI可观测性和零信任合规性框架，解决企业环境中AI系统治理问题，基于 telemetry 驱动的架构实现持续合规验证。

Springdrift: An Auditable Persistent Runtime for LLM Agents with Case-Based Memory, Normative Safety, and Ambient Self-Perception

Springdrift：一种可审计的持久运行时用于LLM代理，具备基于案例的记忆、规范安全性和环境自我感知

Seamus Brady

专题命中 检索器与排序 ：hybrid retrieval(abstract)；分类 cs.AI

AI总结 Springdrift通过可审计的执行子系统、基于案例的记忆层和规范安全机制，实现了LLM代理在跨会话任务连续性和环境自我感知方面的突破，展示了无显式指令下的自主诊断能力。

Mixture-of-Retrieval Experts for Reasoning-Guided Multimodal Knowledge Exploitation

基于推理引导的多模态知识利用的检索专家混合

Chunyi Peng, Zhipeng Xu, Zhenghao Liu, Yishan Li, Yukun Yan, Shuo Wang, Yu Gu, Minghe Yu, Ge Yu, Maosong Sun

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

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

AI总结 本文提出MoRE框架，通过动态选择检索专家提升多模态大语言模型的知识利用效率，实验表明在开放领域问答基准上性能提升超过7%。

ExpressEdit: Fast Editing of Stylized Facial Expressions with Diffusion Models in Photoshop

ExpressEdit: 在Photoshop中使用扩散模型快速编辑风格化面部表情

Kenan Tang, Jiasheng Guo, Jeffrey Lin, Yao Qin

机构 * University of California, Santa Barbara（加州大学圣塔芭芭拉分校） 纠错

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

AI总结 ExpressEdit通过开放源代码的Photoshop插件，实现快速且无伪影的风格化面部表情编辑，结合Liquify等原生功能，提升编辑效率与艺术创作灵活性。

Comments Accepted to CVPR 2026 Workshop on Generative AI for Storytelling (AISTORY)

Optimizing LLM Prompt Engineering with DSPy Based Declarative Learning

基于DSPy的声明式学习优化大语言模型提示工程

Shiek Ruksana, Sailesh Kiran Kurra, Thipparthi Sanjay Baradwaj

机构 * Vasavi College of Engineering（瓦萨维工程学院） ； Amazon（亚马逊） ； Texas（德克萨斯州） 纠错

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

AI总结 本文提出基于DSPy的声明式学习方法，通过符号规划、无梯度优化和自动模块重写提升提示优化的可靠性、效率和泛化能力，实验显示事实准确率提升30-45%，幻觉率降低25%。

Comments Best paper Award ,IEEE International Conference on Emerging Smart Computing and Informatics (ESCI) Pune, India. Mar 11-13, 2026

From UI to Code: Mobile Ads Detection via LLM-Unified Static-Dynamic Analysis

从UI到代码：通过LLM统一的静态-动态分析进行移动广告检测

Shang Ma, Wei Cheng, Yanfang Ye, Xusheng Xiao

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

AI总结 本文提出ADWISE框架，通过结合静态分析和LLM引导的UI结构、应用语义及检索类比，有效检测移动广告。实验表明，ADWISE在广告widget检测上优于现有方法25.60%，并发现更多广告违规情况。

SASAV: Self-Directed Agent for Scientific Analysis and Visualization

SASAV：面向科学分析和可视化的自主代理

Jianxin Sun, David Lenz, Tom Peterka, Hongfeng Yu

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

AI总结 本文提出SASAV，首个无需外部提示或人类在环反馈的自主AI代理，可自动执行科学数据分析并生成有洞察力的可视化，推动AI for Science加速大规模科学发现。

Passing the Baton: High Throughput Distributed Disk-Based Vector Search with BatANN

传递火炬：高吞吐量分布式磁盘基向量搜索与BatANN

Nam Anh Dang, Ben Landrum, Ken Birman

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

AI总结 本文提出BatANN，一种基于磁盘的分布式近似最近邻搜索系统，通过在远程机器上执行查询以提升局部性，实现高吞吐量和低延迟的向量搜索。

Comments 14 pages, 16 figures, submitted to VLDB 2026

Embedding-Only Uplink for Onboard Retrieval Under Shift in Remote Sensing

仅嵌入式上行用于远程传感中的 onboard 检索位移

Sangcheol Sim

机构 * Telepix 纠错

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

AI总结 研究在远程传感位移下，仅嵌入式上行是否有效，通过对比不同任务的决策头性能，证明嵌入式上行是关键，且在不增加上行成本下可选择最佳头。

Comments Accepted at the Machine Learning for Remote Sensing (ML4RS) Workshop, ICLR 2026

PassiveQA: A Three-Action Framework for Epistemically Calibrated Question Answering via Supervised Finetuning

PassiveQA: 一个基于监督微调的三动作框架，用于通过监督微调进行知识校准的问题回答

Madhav S Baidya

机构 * Indian Institute of Technology (BHU) Varanasi（印度理工学院（巴纳拉斯印度教大学）瓦拉纳西分校） 纠错

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

AI总结 本文提出PassiveQA框架，通过监督微调解决信息不全时的问题回答，提升宏F1和退避召回率，减少幻觉。

Comments 32 pages, 4 figures. Includes experiments on four QA datasets and a knowledge graph-based finetuning pipeline. Code available at: https://github.com/MadsDoodle/PassiveQA

Talk to Right Specialists: Iterative Routing in Multi-agent Systems for Question Answering

与正确专家对话：多智能体系统中用于问答的迭代路由

Feijie Wu, Zitao Li, Fei Wei, Yaliang Li, Bolin Ding, Jing Gao

机构 * Purdue University（普渡大学） ； Alibaba（阿里巴巴） ； Zoom Communication（Zoom通信） 纠错

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

AI总结 本文提出RIRS框架，通过迭代路由解决多智能体问答中用户无法确定咨询哪个专家及复杂问题需多专家证据的问题，提升回答准确性和效率。

Comments Differences between v1 & v2: The algorithm name of the first version is RopMura, which decomposes a multi-hop query into several simple subqueries, and a question selector selects one of the subqueries to answer. In the second version, the name is updated to RIRS, which directly routes a query to the appropriate agents, regardless of whether the query is single-hop or multi-hop

Beyond Code Snippets: Benchmarking LLMs on Repository-Level Question Answering

超越代码片段：在仓库层面评估大语言模型的问答任务

Yoseph Berhanu Alebachew, Hunter Leary, Swanand Vaishampayan, Chris Brown

机构 * Department of Computer Science, Virginia Tech（弗吉尼亚理工大学计算机科学系） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 本文提出StackRepoQA数据集，用于评估大语言模型在多项目仓库层面的问答能力，通过对比不同配置下的性能，揭示了模型在处理仓库级程序理解时的局限性。

Knowledge Packs: Zero-Token Knowledge Delivery via KV Cache Injection

知识包：通过KV缓存注入实现零token知识传递

Andrey Pustovit

机构 * Independent Researcher（独立研究员） 纠错

专题命中 长文档RAG ：RAG(abstract)；分类 cs.CL

AI总结 本文提出知识包，通过预计算的KV缓存实现零token成本的知识传递，实验显示在正确格式下，知识包在700个问题上无差异，比RAG节省95%token，同时支持RAG无法实现的行为引导。

Comments 12 pages, 3 figures, 8 tables. Code: https://github.com/cnails/kv-knowledge-packs

GROUNDEDKG-RAG: Grounded Knowledge Graph Index for Long-document Question Answering

基于源文档的知识图谱-RAG：用于长文档问答的 grounded 知识图谱

Tianyi Zhang, Andreas Marfurt

机构 * getAbstract ； Lucerne University of Applied Sciences and Arts（卢塞恩应用科学与艺术大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出 groundedkg-rag，通过从源文档中显式提取并 grounding 知识图谱，提升长文档问答的效率和事实准确性，实验表明其在成本较低的情况下性能优于现有基线。

Comments To appear in the Proceedings of KG-LLM @ LREC 2026

MisEdu-RAG: A Misconception-Aware Dual-Hypergraph RAG for Novice Math Teachers

MisEdu-RAG：一种面向初学者数学教师的误解意识双超图RAG

Zhihan Guo, Rundong Xue, Yuting Lu, Jionghao Lin

机构 * The University of Hong Kong（香港大学） ； Xi'an Jiaotong University（西安交通大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Monash University（莫纳什大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL

AI总结 针对初学者数学教师难以诊断和纠正学生错误的问题，提出基于双超图的RAG框架，通过组织教学知识和学生错误案例，提升响应质量。

RAGShield: Detecting Numerical Claim Manipulation in Government RAG Systems

RAGShield: 检测政府RAG系统中的数值主张操纵

KrishnaSaiReddy Patil

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 RAGShield通过直接操作提取的数值，识别政府文本中的金额和百分比，验证每个主张并跟踪时间变化，有效检测数值操纵。

Comments 12 pages, 15 tables, 1 figure, 2 algorithms

Document Parsing Unveiled: Techniques, Challenges, and Prospects for Structured Information Extraction

文档解析揭示：结构信息提取的技术、挑战与前景

Qintong Zhang, Bin Wang, Victor Shea-Jay Huang, Junyuan Zhang, Zhengren Wang, Hao Liang, Conghui He, Wentao Zhang

机构 * Peking University（北京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Beihang University（北京航空航天大学） 纠错

专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 本文综述了文档解析研究，系统分类了现有方法，探讨了布局分析、多类型内容识别及VLM驱动的解析模型发展，总结了评估指标与挑战，提出了更准确可扩展的文档智能系统方向。