RAG / 检索增强生成

Development of a Retrieval-Augmented Generation Virtual Assistant for Enhanced Information Discovery at Rubin Observatory

开发用于鲁宾天文台增强信息发现的检索增强生成虚拟助手

Leanne P. Guy, Connor Yablonski, Aaron M. Meisner, Guillem Megias Homar, Merlin Fisher-Levine, Eman E. Ali, Tiger J. Hu, Christopher W. Stubbs

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

AI总结 针对鲁宾天文台数据及文档分散、信息难定位问题，探索用检索增强生成（RAG）改进信息发现，构建基于RAG的虚拟助手，整合多源材料，经多工具实现语义搜索，提升信息获取准确性等。

Comments 15 pages, 2 figures, SPIE AS113: Observatory Operations, Copenhagen 2026

Evaluating Chunking Strategies for Retrieval-Augmented Generation on Academic Texts

评估学术文本中检索增强生成的文本分块策略

Valentin J. J. Kreileder, Johannes Reisinger, Andreas Fischer

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

AI总结 研究在检索增强生成系统中，基于聚类的语义分块是否优于固定大小和递归分块，通过RAGAs框架在长结构化学术论文上评估检索和答案质量，发现聚类分块未超越简单策略。

Optimizing RAG Rerankers with LLM Feedback via Reinforcement Learning

通过强化学习优化RAG重排序器与LLM反馈

Yuhang Wu, Xiangqing Shen, Fanfan Wang, Cangqi Zhou, Zhen Wu, Xinyu Dai, Rui Xia

机构 * Nanjing University of Science and Technology（南京理工大学） ； Nanjing University（南京大学） 纠错

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

AI总结 本文提出RRPO框架，通过强化学习将重排序与LLM生成质量对齐，消除了对昂贵人工标注的依赖，实验显示其在知识密集型基准上优于基线模型。

Comments 17 pages

TVR: Automotive System Requirement Traceability Validation and Recovery Through Retrieval-Augmented Generation

TVR：通过检索增强生成实现汽车系统需求可追溯性验证与恢复

Feifei Niu, Rongqi Pan, Lionel C. Briand, Hanyang Hu

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

AI总结 提出TVR方法，利用大语言模型和检索增强生成技术，验证和恢复汽车系统中利益相关者需求与系统需求之间的可追溯性链接，实验证明其在工业环境中的有效性。

FHIR-RAG-MEDS: Integrating HL7 FHIR with Retrieval-Augmented Large Language Models for Enhanced Medical Decision Support

FHIR-RAG-MEDS：整合HL7 FHIR与检索增强型大语言模型以提升医疗决策支持

Yildiray Kabak, Gokce B. Laleci Erturkmen, Mert Gencturk, Tuncay Namli, A. Anil Sinaci, Ruben Alcantud Corcoles, Cristina Gomez Ballesteros, Pedro Abizanda, Asuman Dogac

机构 * SRDC Software Research & Development and Consultancy Corporation（SRDC软件研究与开发及咨询公司） ； Geriatrics Department, Complejo Hospitalario Universitario de Albacete（阿尔巴塞特大学医院老年科） ； CIBER de Fragilidad y Envejecimiento Saludable (CIBERFES), Instituto de Salud Carlos III（健康与衰老促进CIBERFES，卡洛斯三世卫生研究所） ； Facultad de Medicina de Albacete, Universidad de Castilla-La Mancha（阿尔巴塞特大学医学学院，卡斯蒂利亚-拉曼查大学） 纠错

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

AI总结 本文提出FHIR-RAG-MEDS系统，旨在整合HL7 FHIR与基于RAG的系统，提升基于循证临床指南的个性化医疗决策支持，强调实际应用中的研究需求。

Comments 23 pages, submitted to Journal AI specifically to the special issue "LLMs and AI Agents in Biomedical and Health Sciences", under review

Journal ref AI as part of the Special Issue LLMs and AI Agents in Biomedical and Health Sciences, 2 July 2026

A Reproducible Benchmark and Evidence-Retrieval Software Framework for Silicon Detector R&D Literature

硅像素探测器研发的基于证据的检索基准与混合RAG框架

Tianqi Gao, Ruobing Jiang, Dawei Fu, Qiang Li, Matthew Kenzie

专题命中 检索器与排序 ：RAG(title_cn)；dense retrieval(abstract)；hybrid retrieval(abstract)

AI总结 针对硅像素探测器文献检索瓶颈，提出首个基于证据的检索基准和混合检索框架，结合稀疏、密集、混合检索和图探索，实验表明混合稀疏-密集检索在证据恢复上最可靠。

Comments 30 pages, 12 figures

Retrieval-Augmented Generation to Support Railways Engineering Tasks: A Case Study

检索增强生成支持铁路工程任务：案例研究

Andrea Gerardo Russo, Federico Ruggeri, Ivan Tomarchio, Davide Bombini, Nicolò Donati, Gianmarco Pappacoda, Paolo Torroni, Giuseppe-Emiliano La Cara

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

AI总结 本文通过案例研究，展示了从设计到部署构建检索增强生成系统，用于铁路领域复杂技术法规的咨询，平衡技术能力与领域专业知识。

CheckRLM: Effective Knowledge-Thought Coherence Checking in Retrieval-Augmented Reasoning

CheckRLM: 检索增强推理中的有效知识-思维连贯性检查

Dingling Xu, Ruobing Wang, Qingfei Zhao, Yukun Yan, Zhichun Wang, Daren Zha, Shi Yu, Zhenghao Liu, Shuo Wang, Xu Han, Maosong Sun

机构 * School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） ； Beijing Key Laboratory of Artificial Intelligence for Education（北京人工智能教育重点实验室） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Department of Computer Science and Technology, Institute for AI, Tsinghua University（清华大学人工智能研究院计算机科学与技术系） ； Northeastern University（东北大学） 纠错

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

AI总结 提出CheckRLM框架，通过检索增强生成及时检查和纠正推理链中的事实错误，确保推理与知识一致，降低长程推理错误累积成本。

Comments 24 pages, 7 figures

Can Language Models Actually Retrieve In-Context? Drowning in Documents at Million Token Scale

语言模型真的能进行上下文检索吗？在百万Token规模的文档中淹没

Siddharth Gollapudi, Nilesh Gupta, Prasann Singhal, Sewon Min

机构 * UC Berkeley（加州大学伯克利分校） ； UT Austin（得克萨斯大学奥斯汀分校） 纠错

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

AI总结 本文首次系统研究百万Token语料库上的上下文检索，提出0.6B参数的BlockSearch模型，通过注意力稀释分析引入长度感知调整，在MS MARCO和NQ上匹配稠密检索，在LIMIT上得分高出3倍。

ChemGraph-XANES: An Agentic Framework for XANES Simulation and Curation

ChemGraph-XANES：用于XANES模拟与分析的代理框架

Vitor F. Grizzi, Thang Duc Pham, Luke N. Pretzie, Jiayi Xu, Murat Keceli, Cong Liu

机构 * Chemical Sciences and Engineering Division Argonne National Laboratory（阿贡国家实验室化学科学与工程部） ； Computational Science Division Argonne National Laboratory（阿贡国家实验室计算科学部） 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ChemGraph-XANES框架，结合自然语言任务描述与结构获取，实现XANES模拟与分析的自动化，支持高通量计算与机器学习应用。

CausalSteward: An Agentic Divide-Conquer-Combine Copilot for Causal Discovery

CausalSteward: 一种用于因果发现的智能分治-合并副驾驶

Nicholas Tagliapietra, Gian Lorenzo Marchioni, Moritz Willig, Juergen Luettin, Lavdim Halilaj, Kristian Kersting

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

AI总结 提出CausalSteward多智能体框架，通过分治策略将高维变量迭代划分并分别分析，融合先验知识与数据驱动方法，解决因果可识别性问题。

Lynx: Progressive Speculative Quantization for accelerating KV Transfer in Long-Context Inference

Lynx: 渐进式推测量化加速长上下文推理中的KV传输

Wenchen Han, Gingfung Matthew Yeung, Marco Barletta, William Toner, Amory Hoste, Adam Barker

机构 * University College London（伦敦大学学院） ； Huawei（华为） 纠错

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

AI总结 针对长上下文推理中KV缓存传输延迟问题，提出Lynx系统，通过将KV缓存分为高优先级Anchor流和低优先级Residual流，实现渐进式传输和推测解码，在降低首令牌延迟的同时保持高精度。

Comments 15 pages, 12 figures. This manuscript was originally submitted to SIGCOMM '26 in February 2026