RAG / 检索增强生成

Toward Agentic RAG for Ukrainian

迈向乌克兰的代理RAG

Marta Sumyk, Oleksandr Kosovan

机构 * Ukrainian Catholic University（乌克兰天主教大学） 纠错

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

AI总结 研究针对乌克兰语的代理RAG系统，结合两阶段检索与轻量级代理层，发现检索质量是瓶颈，代理重试提升准确率但受限于文档识别。

Comments This paper is a research report based on our participation in the UNLP 2026 Shared Task

How Retrieved Context Shapes Internal Representations in RAG

检索上下文如何塑造RAG中的内部表示

Samuel Yeh, Sharon Li

机构 * Department of Computer Science, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系） 纠错

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

AI总结 研究通过潜在表示分析检索文档类型对LLM隐藏状态的影响，揭示上下文相关性和分层处理对内部表示的影响，为RAG系统设计提供见解。

Comments ACL 2026 Findings

Chronological Knowledge Retrieval: A Retrieval-Augmented Generation Approach to Construction Project Documentation

时间知识检索：一种基于检索增强生成的方法用于建设项目文档

Ioannis-Aris Kostis, Natalia Sanchiz, Steeve De Schryver, François Denis, Pierre Schaus

机构 * Université Catholique de Louvain, ICTEAM/INGI（列日大学，ICTEAM/INGI） ； Buildwise ； BPC Group（BPC集团） 纠错

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

AI总结 本文提出一种基于检索增强生成的方法，用于建设项目文档的时间知识检索，通过语义搜索与大语言模型结合，实现对项目会议记录的对话式访问，支持时间标注的决策历史查询。

Adaptive Query Routing: A Tier-Based Framework for Hybrid Retrieval Across Financial, Legal, and Medical Documents

自适应查询路由：一种分层框架，用于金融、法律和医疗文档的混合检索

Afshan Hashmi

机构 * TRDC, Tuwaiq Academy（TRDC，图瓦伊克学院） 纠错

专题命中 检索器与排序 ：hybrid retrieval(title,abstract)；RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；vector search(abstract)

AI总结 本文提出了一种分层框架，通过比较三种检索架构在金融、法律和医疗领域的表现，揭示了不同检索方法在不同复杂度层级上的性能差异，强调了树状推理和混合检索在跨参考和多段查询中的优势。

A Unified Model and Document Representation for On-Device Retrieval-Augmented Generation

一种用于设备端检索增强生成的统一模型和文档表示

Julian Killingback, Ofer Meshi, Henry Li, Hamed Zamani, Maryam Karimzadehgan

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

AI总结 本文提出一种统一模型，通过共享表示压缩RAG上下文，减少存储需求并提升设备端性能。

Feedback Adaptation for Retrieval-Augmented Generation

基于反馈的检索增强生成反馈适应

Jihwan Bang, Seunghan Yang, Kyuhong Shim, Simyung Chang, Juntae Lee, Sungha Choi

机构 * Qualcomm AI Research（高通人工智能研究） 纠错

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

AI总结 研究提出反馈适应问题，通过引入修正延迟和反馈后性能两个指标，评估RAG系统在反馈后的适应能力，并提出PatchRAG模型实现即时修正与强泛化。

Comments Accepted at ACL 2026 Findings

Tug-of-War within A Decade: Conflict Resolution in Vulnerability Analysis via Teacher-Guided Retrieval-Augmented Generations

十年内的拔河战：通过教师引导的检索增强生成解决漏洞分析中的冲突

Ziyin Zhou, Jianyi Zhang, Xu ji, Yilong Li, Jiameng Han, Zhangchi Zhao

机构 * Beijing Electronic Science and Technology Institute（北京电子科学技术研究所） 纠错

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

AI总结 本文提出CRVA-TGRAG框架，通过改进检索准确性和教师引导的偏好优化，解决CVE检测中的知识冲突问题，提升漏洞检索的准确性和一致性。

FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation

FRESCO：用于检索增强生成中动态语义冲突的重排序器基准测试与优化

Sohyun An, Hayeon Lee, Shuibenyang Yuan, Chun-cheng Jason Chen, Cho-Jui Hsieh, Vijai Mohan, Alexander Min

机构 * Meta Superintelligence Labs（Meta超智能实验室） 纠错

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

AI总结 FRESCO针对检索增强生成中动态语义冲突问题，评估重排序器在时间动态场景下的性能，发现现有重排序器对较旧文档存在偏见，通过指令优化框架改进了27%的动态知识任务性能。

Stateful Evidence-Driven Retrieval-Augmented Generation with Iterative Reasoning

具有迭代推理的有状态证据驱动检索增强生成

Qi Dong, Ziheng Lin, Ning Ding

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

AI总结 本文提出一种具有迭代推理的有状态证据驱动检索增强生成框架，通过逐步积累证据提升问答稳定性与鲁棒性，在多个基准测试中表现出色。

Hierarchical Retrieval Augmented Generation for Adversarial Technique Annotation in Cyber Threat Intelligence Text

层级检索增强生成用于网络威胁情报文本中的对抗技术标注

Filippo Morbiato, Markus Keller, Priya Nair, Luca Romano

机构 * University of Padua（帕多瓦大学） 纠错

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

AI总结 本文提出H-TechniqueRAG框架，通过层级检索机制和结构约束策略提升网络威胁情报文本中对抗技术标注的效率与准确性，实验表明其在F1得分、推理延迟和API调用次数上均优于现有方法。

Enhancing Large Language Models with Retrieval Augmented Generation for Software Testing and Inspection Automation

通过检索增强生成提升大型语言模型用于软件测试和检查自动化

Zoe Fingleton, Nazanin Siavash, Armin Moin

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

AI总结 本文通过检索增强生成方法提升大型语言模型在软件测试和检查自动化中的应用，有效减少项目成本并提高验证与确认活动的效果和效率。

UrbanClipAtlas: A Visual Analytics Framework for Event and Scene Retrieval in Urban Videos

UrbanClipAtlas：面向城市视频中事件和场景检索的视觉分析框架

Joel Perca, Luis Sante, Juanpablo Heredia, Joao Rulff, Claudio Silva, Jorge Poco

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

AI总结 本文提出UrbanClipAtlas框架，结合RAG、实体提取和视频定位技术，实现城市视频中事件和场景的高效检索与解释，通过知识图谱和增强聊天界面提升分析效率。

Comments 12 pages and 6 figures

Context Kubernetes: Declarative Orchestration of Enterprise Knowledge for Agentic AI Systems

上下文Kubernetes：面向代理AI系统的企业知识声明式编排

Charafeddine Mouzouni

机构 * OPIT -- Open Institute of Technology（开放技术研究所） 纠错

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

AI总结 本文提出Context Kubernetes架构，通过声明式知识架构-as-code和三层权限模型，解决企业知识在代理AI系统中的安全编排问题，实验表明其在治理和安全性方面优于传统方法。

Comments 24 pages, 8 tables, 1 figure, 8 experiments (5 correctness + 3 value). Open-source prototype: https://github.com/Cohorte-ai/context-kubernetes

AgentIAD: Agentic Industrial Anomaly Detection via Adaptive Memory Augmentation

AgentIAD: 通过自适应记忆增强的代理工业异常检测

Junwen Miao, Penghui Du, Yingying Fan, Yi Liu, Yu Wang, Runze He, Lida Huang, Yan Wang

机构 * AIR, Tsinghua University（清华大学AIR） ； Etude AI ； Stony Brook University（石溪大学） 纠错

专题命中 检索器与排序 ：retriever(abstract,abstract_cn)

AI总结 本文提出AgentIAD框架，通过统一的动作空间实现迭代工业检测，利用视觉记忆和检索记忆进行多轮感知-行动推理，提升异常检测准确性和可解释性。

ProRank: Prompt Warmup via Reinforcement Learning for Small Language Models Reranking

ProRank：通过强化学习进行小语言模型的提示预热以实现文档重排序

Xianming Li, Aamir Shakir, Rui Huang, Tsz-fung Andrew Lee, Julius Lipp, Benjamin Clavié, Jing Li

机构 * Mixedbread AI ； The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 本文提出ProRank方法，通过强化学习提升小语言模型对任务提示的理解，结合细粒度分数学习增强表示能力，实验证明其在文档重排序任务中优于现有模型，尤其在BEIR基准上表现突出。

Comments Accepted by ACL2026 Findings

BarrierBench: Evaluating Large Language Models for Safety Verification in Dynamical Systems

BarrierBench: 评估大型语言模型在动态系统安全验证中的性能

Ali Taheri, Alireza Taban, Sadegh Soudjani, Ashutosh Trivedi

机构 * Isfahan University of Technology（伊斯法罕技术大学） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） ； University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

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

AI总结 本文提出BarrierBench基准，评估大型语言模型在动态系统安全验证中的能力，通过100个动态系统案例测试语言模型在生成安全证书和协调策略中的有效性。

Comments 8th Annual Learning for Dynamics & Control Conference

Shuffle the Context: RoPE-Perturbed Self-Distillation for Long-Context Adaptation

重组上下文：RoPE扰动的自我蒸馏用于长上下文适应

Zichong Li, Chen Liang, Liliang Ren, Tuo Zhao, Yelong Shen, Weizhu Chen

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Microsoft（微软） 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RoPE扰动的自我蒸馏方法，通过扰动RoPE索引生成不同视角的训练序列，提升模型对位置变化的鲁棒性，实验显示在长上下文任务中表现更优。

Query pipeline optimization for cancer patient question answering systems

癌症患者问答系统中的查询管道优化

Maolin He, Rena Gao, Mike Conway, Brian E. Chapman

机构 * School of Computing and Information Systems, University of Melbourne（墨尔本大学计算与信息系统学院） ； Health Data Science and Biostatistics, University of Texas Southwestern Medical Center（德克萨斯西南医学中心健康数据科学与生物统计学） 纠错

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

AI总结 本文提出了一种针对癌症患者问答系统的RAG查询管道三方面优化方法，通过改进文档检索、段落检索和语义表示，提升了回答准确性。

Comments This paper has been accepted as a Findings Paper in ACL 2026

MAB-DQA: Addressing Query Aspect Importance in Document Question Answering with Multi-Armed Bandits

MAB-DQA: 通过多臂老虎机解决文档问答中的查询方面重要性

Yixin Xiang, Yunshan Ma, Xiaoyu Du, Yibing Chen, Yanxin Zhang, Jinhui Tang

机构 * Nanjing University of Science and Technology（南京理工大学） ； Singapore Management University（新加坡国立大学） ； Nanjing Pami Intelligent Technology Co., Ltd.（南京帕米智能科技有限公司） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Nanjing Forestry University（南京林业大学） 纠错

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

AI总结 本文提出MAB-DQA框架，通过多臂老虎机模型解决文档问答中查询方面的重要性问题，通过分解查询为方面感知的子查询并动态分配检索预算，提升文档理解性能。

Comments Accepted by ACL 2026. 20 pages, 9 figures, 6 tables

LLMOrbit: A Circular Taxonomy of Large Language Models -From Scaling Walls to Agentic AI Systems

LLMOrbit：大型语言模型的圆形分类法——从扩展壁垒到智能体AI系统

Badri N. Patro, Vijay S. Agneeswaran

机构 * Microsoft（微软） 纠错

专题命中 长文档RAG ：RAG(abstract,abstract_cn)；分类 cs.AI

AI总结 本文提出LLMOrbit，通过八个维度分析2019-2025年50余种大型语言模型，揭示数据稀缺、成本激增和能源消耗三大危机，并提出六种突破扩展壁垒的范式，推动生成AI和智能体系统的发展。

VideoStir: Understanding Long Videos via Spatio-Temporally Structured and Intent-Aware RAG

VideoStir：通过时空结构化和意图感知的RAG理解长视频

Honghao Fu, Miao Xu, Yiwei Wang, Dailing Zhang, Jun Liu, Yujun Cai

机构 * University of Queensland（昆士兰大学） ； University of California, Merced（加州大学默塞德分校） ； Institute of Automation, CAS（中国科学院自动化研究所） ； Lancaster University（兰卡斯特大学） 纠错

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

AI总结 VideoStir通过构建时空图和意图相关性评分器，改进长视频RAG框架，实现基于意图的结构化推理，无需辅助信息即可竞争现有最佳基线。

Comments Accepted by ACL 2026

Knowledge Graph RAG: Agentic Crawling and Graph Construction in Enterprise Documents

知识图谱RAG：企业文档中的代理爬取与图谱构建

Koushik Chakraborty, Koyel Guha

机构 * Google AI, Global Services Delivery（谷歌AI，全球服务交付） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；分类 cs.IR、cs.AI

AI总结 本文提出基于递归爬取的代理知识图谱，解决复杂企业文档语义检索的局限性，提升法规查询的准确率。

Comments 15 pages, 4 figures

Neuro-Oracle: A Trajectory-Aware Agentic RAG Framework for Interpretable Epilepsy Surgical Prognosis

Neuro-Oracle：一种具有轨迹意识的代理RAG框架用于可解释性癫痫手术预后

Aizierjiang Aiersilan, Mohamad Koubeissi

机构 * The George Washington University（乔治华盛顿大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；分类 cs.CL、cs.AI

AI总结 本文提出Neuro-Oracle框架，通过三维Siamese对比编码器提取术前术后MRI变化，检索历史相似手术轨迹，并利用量化Llama-3-8B推理代理生成自然语言预后，验证了轨迹意识检索架构的可行性。

Enhancing Mental Health Counseling Support in Bangladesh using Culturally-Grounded Knowledge

在孟加拉国增强心理健康咨询支持：基于文化根基的知识

Md Arid Hasan, Azhagu Meena SP, Aditya Khan, Abu Md Akteruzzaman Bhuiyan, Helal Uddin Ahmed, Joysree Debi, Farig Sadeque, Annie En-Shiun Lee, Syed Ishtiaque Ahmed

机构 * University of Toronto（多伦多大学） ； mPower Social Enterprises Ltd（mPower社会企业有限公司） ； National Institute of Mental Health（心理健康国家研究所） ； Sajida Foundation（萨吉达基金会） ； BRAC University（BRAC大学） 纠错

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

AI总结 本文探讨如何通过系统整合临床验证的知识提升LLM在心理健康咨询中的表现，比较了检索增强生成与知识图谱方法，证明结构化专业知识能提升咨询相关性与实用性。

Comments submitted to CLPsych 2026

IMACT-CXR: An Interactive Multi-Agent Conversational Tutoring System for Chest X-Ray Interpretation

IMACT-CXR：一种用于胸部X光解读的交互式多智能体对话教学系统

Tuan-Anh Le, Anh Mai Vu, David Yang, Akash Awasthi, Hien Van Nguyen

机构 * University of Houston（德克萨斯大学休斯敦分校） ； Emory University（埃默里大学） 纠错

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

AI总结 IMACT-CXR通过整合空间标注、注视分析、知识检索和图像基础推理，构建了一个基于AutoGen的工作流，帮助学员提升胸部X光解读能力，实现了精准的教学反馈与知识强化。

Comments Accepted at IEEE ISBI 2026. This version corresponds to the accepted manuscript

LR-Robot: An Human-in-the-Loop LLM Framework for Systematic Literature Reviews with Applications in Financial Research

LR-Robot：一种人机协同的LLM框架用于系统性文献综述及其在金融研究中的应用

Wei Wei, Jin Zheng, Zining Wang, Weibin Feng

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

AI总结 针对传统系统性文献综述在金融研究中难以应对大规模复杂文献的问题，提出LR-Robot框架，结合领域专家定义的分类体系与大语言模型进行高效分类，并通过人机协同评估确保可靠性，支持时间演化跟踪和增强引用网络分析。