RAG / 检索增强生成

Learning on the Job: Continual Learning from Deployment Feedback for Frozen-Weights Agents

在职学习：从部署反馈中对冻结权重智能体进行持续学习

Valentin Tablan, Scott Taylor, Kristoffer Bernhem

机构 * The Memory Company（记忆公司） 纠错

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

AI总结 研究人工智能冻结权重智能体如何从部署反馈中持续学习，核心方法是将冻结模型与外部记忆配对，主要贡献是通过该方法在银行领域任务中提升成功率，解决多个基线未解决任务，且结果可跨模型，记忆可迁移，相关内容已发布。

AgentKVShift: Efficient KV Cache Reuse for Agentic Memory Systems

AgentKVShift：用于智能体记忆系统的高效KV缓存重用

Nilesh Prasad Pandey, Jason Kong, Lanxiang Hu, Quanling Zhao, Yujie Zhao, Onat Gungor, Hao Zhang, Tajana Rosing

机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校） 纠错

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

AI总结 研究针对内存增强语言模型智能体推理成本高的问题，提出无训练、探针引导的AgentKVShift方法，通过估计内存级偏移量校正重用令牌，在多语言模型和基准测试中表现出色，实现低重新计算量和预填充加速，还能与缓存量化正交组合提升性能。

Jet-Long: Efficient Long-Context Extension with Dynamic Bifocal RoPE

Jet-Long：使用动态双焦点旋转位置编码的高效长上下文扩展

Haozhan Tang, Zerui Wang, Yuxian Gu, Song Han, Han Cai

机构 * NVIDIA（英伟达） 纠错

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

AI总结 研究针对现代语言模型长上下文应用中零样本上下文扩展问题，提出Jet-Long方法，通过动态双焦点RoPE及相关技术，在推理时开销小，在多种模型和基准测试中表现优异，还能推广到其他架构且超参数弹性强。

Comments added discussion of AdaGroPE and LaMPE (Findings of ACL 2026) with clarified contribution

TTFT-Aware Graph Chain-of-Thought:Distance-Indexed Neural A* for Low-Hallucination Multi-Hop Medical Reasoning

TTFT感知的图链式思维：用于低幻觉多跳医学推理的距离索引神经A*

Bechir Dardouri, Kaïs Zhioua, Yassine Msaddak

机构 * Tanit Healthcare Technologies, Tunisia（突尼斯塔尼特医疗技术公司） 纠错

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

AI总结 提出一种生产级GraphRAG框架，通过距离索引的神经A*算法在医学知识图谱中导航，结合PLL精确距离和AStarNet启发式，实现低延迟、低幻觉的多跳推理，并改善首令牌时间。

Brick-DICL: Dynamic In-Context Learning for Automated Brick Schema Classification

Brick-DICL：用于自动化Brick模式分类的动态上下文学习

Yiyue Qian, Shinan Zhang, Huan Song, Negin Sokhandan, Hannah Marlowe, Diego Socolinsky

机构 * Amazon AWS Generative AI Innovation Center（亚马逊AWS生成式AI创新中心） 纠错

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

AI总结 提出Brick-DICL两阶段动态上下文学习框架，通过元数据检索和类别检索增强大语言模型领域知识，结合多模型过滤机制，实现楼宇管理系统点位的自动化Brick分类，显著提升准确率并减少人工验证。

AgentTrust: A Self-Improving Trust Layer for AI-Agent Actions

AgentTrust: AI代理行为的自改进信任层

Chenglin Yang

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 提出AgentTrust v2，通过威胁类型分类（词汇/语义）和自学习机制，在代理行为中实现自改进信任决策，显著提升语义威胁检测准确率并降低误拦。

Comments 29 pages, 5 figures

Requirements-Augmented Generation for Trustworthy Acceptance Testing of LLM-Based Software

面向基于大语言模型的软件的可信验收测试的需求增强生成技术

Fanyu Wang, Chetan Arora, Zhenping Xie, Yonghui Liu, Kla Tantithamthavorn, Aldeida Aleti, Siwei Jiang

专题命中 长文档RAG ：RAG(abstract,abstract_cn)

AI总结 该研究针对基于大语言模型的软件的验收测试缺口，提出需求增强生成技术与置信度校准级联判定方法，经工业案例验证可提升预言机质量、准确率与成本效率，具备工业可行性。

Comments Accepted at ASE2026

RAGMesh with FaME-G2E: Long-Form Text-Driven 3D Face Generation and Editing

结合FaME-G2E的RAGMesh：长文本驱动的3D人脸生成与编辑

Hao Li, Ju Dai, Feng Zhou, Mengting Shi, Haofei Wang, Zhen Song, Wei Zhou, Lei Li, Junjun Pan

机构 * Beihang University（北京航空航天大学） ； Pengcheng Laboratory（鹏城实验室） ； Shanxi University of Finance and Economics（山西财经大学） ； North China University of Technology（北方工业大学） ； Cardiff University（卡迪夫大学） ； Beijing Institute of Technology（北京理工大学） 纠错

专题命中 长文档RAG ：RAG(abstract,abstract_cn)

AI总结 该研究构建了含文本-网格等标注的FaME-G2E数据集，提出RAGMesh框架，含MSRF模块与AdaRAGS约束，在3D人脸生成编辑任务上性能优于现有方法。

Narrative World Model: Narratology-Grounded Writer Memory for Long-Form Fiction

叙事世界模型：基于叙事学的长篇小说作者记忆

Mohammad Saifullah, Thomas Kornmaier, Taaha Kazi, Vasu Sharma, Aditya Sanjiv Kanade, Aanand Kumar Yadav

机构 * PocketFM（口袋FM） 纠错

专题命中 长文档RAG ：hybrid retrieval(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 研究针对长篇小说作者记忆问题，提出叙事世界模型（NWM），结合叙事学时间状态图与查询条件混合检索，在多跳叙事学问答上显著优于基线，优势源于其独特表征，非提取方式。

Comments 23 pages, 4 figures; 9-page main text plus appendix. Preprint

A Zero-Shot Multi-Agent Framework for Human-Building Interaction via Programmatic Reasoning

通过程序化推理实现人楼交互的零样本多智能体框架

Yuqi Wang, Gulai Shen, Ali Mehmani

专题命中 长文档RAG ：RAG(abstract,abstract_cn)

AI总结 提出一种分层多智能体框架，利用语义路由和程序化推理解耦自然语言理解与建筑分析，通过“门卫”机制分解任务并生成可执行Python脚本，在200多栋商业建筑数据上验证了准确性和上下文响应能力。

Lost in a Single Vector: Improving Long-Document Retrieval with Chunk Evidence Aggregation

迷失在单一向量中：通过分块证据聚合改进长文档检索

Shanshan Lyu, Yiwei Wang, Yujun Cai, Jiafeng Guo, Shenghua Liu

机构 * Chongqing University（重庆大学） ； State Key Laboratory of AI Safety（人工智能安全国家重点实验室） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of California, Merced（加州大学默塞德分校） ； University of Queensland（昆士兰大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 长文档RAG ：dense retrieval(abstract)；分类 cs.CL

AI总结 针对长文档检索中单向量编码削弱关键片段证据的问题，提出无训练的分块证据聚合策略DICE，通过独立编码分块并聚合为单一向量，在保持标准接口的同时显著提升检索性能。

Comments Code is available at https://github.com/PunchlineAAAA/DICE

HG-RAG: Hierarchy-Guided Retrieval-Augmented Generation for Structured Knowledge Graphs

HG-RAG：用于结构化知识图谱的层次引导检索增强生成

Pranav Yadav

机构 * University of California, Merced（加州大学默塞德分校） 纠错

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

AI总结 研究针对RAG系统在处理结构化知识推理时的不足，提出HG-RAG框架，通过在层次知识图谱上遍历为语言模型提供结构化上下文，经多规模多类型查询评估，该框架在相关推理任务中优于基线，减少幻觉并保持一致性。

Comments 8 pages, 3 figures

AkasicDB: Demonstrating Omni RAG with a Unified Vector-Graph-Relational DBMS

AkasicDB：展示基于统一向量-图-关系型数据库管理系统的全模态检索增强生成（Omni RAG）

Geonho Lee, Jeongho Park, Donghyoung Han, Min-Soo Kim

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

AI总结 AkasicDB是一款支持在单一框架内协同执行向量、图、关系操作的数据库系统，可实现全模态检索增强生成（Omni RAG），演示显示其性能优于仅向量方法，且暴露了现有数据库架构的局限。

Comments SIGMOD 2026 demonstration

Journal ref SIGMOD Companion 2026, pp. 70-73

MKG-RAG-Bench: Benchmarking Retrieval in Multimodal Knowledge Graph-Augmented Generation

MKG-RAG-Bench：多模态知识图谱增强生成中的检索基准

Xiaochen Wang, Bao Hoang, Han Liu, Ting Wang, Fenglong Ma

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Michigan State University（密歇根州立大学） ； Dalian University of Technology（大连理工大学） ； Stony Brook University（石溪大学） 纠错

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

AI总结 提出MKG-RAG-Bench基准，通过构建跨领域多模态知识图谱和问答数据集，系统评估多模态知识图谱增强生成中的检索性能，揭示检索质量对生成结果的决定性作用。

Comments Accepted by KDD'26

GRADRAG: Cross-Component Prompt Adaptation for Coordinated Multi-Agent RAG

GRADRAG：用于协调多智能体RAG的跨组件提示适应

Paolo Pedinotti, Enrico Santus

机构 * Bloomberg（彭博社） 纠错

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

AI总结 研究针对多智能体RAG系统各组件孤立优化问题，提出GRADRAG框架，通过将RAG流程建模为计算图，传播评估反馈更新上游智能体，在两种检索范式基准测试中优于单步细化基线，提升了系统性能。

Comments 8 pages

TopoGuard: Graph Theory Based Defenses Against Split-Knowledge Attacks on RAG

TopoGuard：基于图论的针对RAG分裂知识攻击的防御方法

Chahana Dahal, Zuobin Xiong

机构 * University of Nevada, Las Vegas（内华达大学拉斯维加斯分校） 纠错

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

AI总结 研究针对RAG系统分裂知识攻击的防御，提出基于图论的TopoGuard方法，通过构建语义相似性图检测恶意拓扑。实验表明其在捕获攻击、运行效率和对抗性方面优于现有方法，有效防御分裂知识攻击。

Privacy-Preserving RAG by Concealing Sensitive Information from External LLMs

通过向外部大语言模型隐藏敏感信息实现隐私保护的检索增强生成（RAG）

Saleh Almohaimeed, Saad Almohaimeed, Mousa Jari, Fahad Alotaibi, Khalid A. Alobaid

机构 * College of Applied Computer Science, King Saud University（沙特国王大学应用计算机科学学院） ； Institution of Public Administration（公共行政学院） 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 本文提出SEAG隐私保护框架，通过构建实体替换表替换敏感信息，在向外部LLM隐藏敏感数据的同时保障RAG的回答准确性，相关模型在多维度评估中表现良好。

Comments Submitted to Knowledge-Based Systems Journal

MC-RAG System: A Structure-Driven RAG System for Multi-Constraint Queries

MC-RAG系统：用于多约束查询的结构驱动RAG系统

Xiao Zhang, Yang Wan, Yi Li, Miao Xie, Chunli Lv

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

AI总结 针对RAG系统难以满足复杂多约束查询的问题，提出MC-RAG系统，将检索转化为知识图上的子图匹配问题，通过整合语义、结构嵌入与路径级索引，实现可解释、结构感知和约束一致的检索与生成，并提供交互式演示。

ChartWalker: Benchmarking the Cross-Chart RAG Task with Hierarchical Knowledge Graphs

ChartWalker: 跨图表RAG任务的基准测试

Ning Tang, Chenghan Xie, Hanyang Yuan, Yi Li, Renhong Huang, Qian Kou, Xiaofeng Shi, Hua Zhou, Jiarong Xu

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

AI总结 提出ChartWalker框架，通过层次化知识图谱和结构感知采样生成跨图表RAG基准，揭示现有方法性能差距。

Configurable Clinical Information Extraction with Agentic RAG: What Works, What Breaks, and Why

可配置的临床信息提取与智能体RAG：什么有效、什么失效及原因

Osman Alperen Çinar-Koraş, Marie Bauer, Sameh Khattab, Merlin Engelke, Moon Kim, Stephan Settelmeier, Shigeyasu Sugawara, Fabian Freisleben, Felix Nensa, Jens Kleesiek

机构 * Institute for Artificial Intelligence in Medicine (IKIM), University Medicine Essen（埃森大学医学院人工智能医学研究所） ； Faculty of Computer Science, University of Duisburg-Essen（杜伊斯堡-埃森大学计算机科学学院） ； Department of Physics, TU Dortmund University（多特蒙德工业大学物理系） ； Lamarr Institute for Machine Learning and Artificial Intelligence, TU Dortmund University（多特蒙德工业大学拉马尔机器学习和人工智能研究所） ； Advanced Clinical Research Center, Fukushima Medical University（福岛医科大学先进临床研究中心） ； Department of Cardiology and Vascular Medicine, University Hospital Essen（埃森大学医院心血管内科） 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 针对临床文档元数据缺失问题，提出基于智能体RAG的ACIE系统，在埃森大学医学中心部署，通过完整患者上下文推理和源引用验证，在7326次临床判断中实现96.5%的提取接受率。

Is GraphRAG Needed? From Basic RAG to Graph-/Agentic Solutions with Context Optimization

是否需要GraphRAG？从基础RAG到基于图/智能体的上下文优化解决方案

Long Chen, Ryan Razkenari, Yuxuan Zhou, Yuan Tian, Rahul Ghosh, Venkatesh Pappakrishnan, Disha Ahuja, Vidya Sagar Ravipati

机构 * Generative AI Innovation Center, Amazon Web Services (AWS)（亚马逊云科技（AWS）生成式AI创新中心） ； Cisco Systems, Inc.（思科系统公司） 纠错

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

AI总结 本文提出一个框架，比较常规RAG、GraphRAG、Modular RAG和Agentic RAG在9种标准化场景下的性能，并引入上下文工程方法减少19%-53%的token使用，同时发现检索-生成差距，表明扩展检索未成比例提升生成质量。

Comments Accepted to ACL 2026 GEM Workshop

GraphContainer: A Unified Platform for Comparing and Debugging Graph RAG Methods

GraphContainer：用于比较和调试图RAG方法的统一平台

Seonho An, Chaejeong Hyun, Min-Soo Kim

机构 * KAIST（韩国科学技术院） 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 研究针对图RAG方法分散不兼容问题，提出GraphContainer平台，通过统一图表示层和图记录器两个关键组件，实现多格式图统一与检索过程可视化，助力可控比较不同图格式及检索策略，降低设计最优图RAG管道的难度。

Comments VLDB 2026 demo accepted

AI Economist Agent: An Agentic Framework for Model-Grounded Economic Analysis with RAG, Knowledge Graphs, and Large Language Models

AI经济学家代理：一种基于模型的经济分析代理框架，结合RAG、知识图谱和大语言模型

Masahiro Kato

机构 * Mizuho-DL Financial Technology, Co., Ltd.（Mizuho-DL金融科技有限公司） 纠错

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

AI总结 提出一种基于RAG的AI经济学家代理框架，利用知识图谱和大语言模型进行经济情景分析，通过代理规划、检索证据、选择模型并生成报告，提高经济叙事的连贯性和可追溯性。

Structure Over Scale: Schema-Constrained Causal Graphs for RAG

结构跨越尺度：用于检索增强生成的模式约束因果图

Marc Saouda, Rajprakash Bale, Eren Aldis, Cloves Almeida

机构 * Boston Consulting Group（波士顿咨询集团） 纠错

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

AI总结 研究针对GraphRAG问题，提出HCG-RAG，用模式约束因果图取代开放式提取，构建紧凑两层图。该方法成本低，答案质量优，在医学等基准测试中表现出色，对比实验显示因果图作为检索过滤器有优势，表明图内容比节点数量更重要。

Comments 26 pages, 6 figures

Towards Trustworthy and Cost-Efficient Data Integration: From Naïve RAG to Agentic RAG

迈向可信且经济高效的数据集成：从朴素检索增强生成到智能体检索增强生成

Chuangtao Ma, Arijit Khan

机构 * Aalborg University, Denmark（丹麦奥胡斯大学） ； Bowling Green State University, USA（美国布恩威尔州立大学） 纠错

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

AI总结 探讨大语言模型和人工智能智能体在企业数据集成中面临的挑战，介绍从经典RAG到智能体RAG的演变，研究经济高效集成的优化策略，为构建可靠、可解释和可扩展的数据集成系统指明方向。

Comments To Appear in the IEEE Data Engineering Bulletin

When RAG Meets Query Planning: Logical Query Trees for Resolving Exploratory Reasoning Problems

当RAG遇见查询规划：用于解决探索性推理问题的逻辑查询树

Ganlin Xu, Linghao Zhang, Zhitao Yin, Hongda Xi, Chen Yang, Jiaqing Liang, Weijia Lu, Sihang Jiang, Yanghua Xiao, Deqing Yang

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

AI总结 针对检索增强生成在探索性推理问题中的检索噪声和错误累积问题，提出PlanRAG框架，将自然语言建模为逻辑查询树，通过动态规划和代价模型优化查询树，实现高效并行处理，在WikiWeb-ERP数据集上优于现有方法。

Comments Accepted by SIGMOD 2027

A Layered Security Framework Against Prompt Injection in RAG-Based Chatbots

基于RAG的聊天机器人中针对提示注入的分层安全框架

Gulshan Saleem, Nisar Ahmed, Muhammad Imran Zaman, Ali Hassan

机构 * ICCK Transactions on Information Security and Cryptography（信息安全与密码学国际会议交易） 纠错

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

AI总结 提出三层防御框架，通过输入过滤、上下文指令层级和输出审计，将提示注入攻击成功率从71.4%降至11.3%，误报率4.8%，延迟开销61.2毫秒。

Comments Submitted in ICCK Transactions on Information Security and Cryptography

A Unified Framework for Context-Aware and Relation-Aware Graph Retrieval-Augmented Generation

上下文感知与关系感知的图检索增强生成统一框架

Haoyang Zhong, Yifei Sun, Antong Zhang, Chunping Wang, Lei Chen, Yang Yang

机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Finvolution Group（信也科技集团） 纠错

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

AI总结 提出HyGRAG分层图RAG框架，通过构建融合上下文与关系的摘要、跨层级检索及动态更新，将多跳推理准确率提升9.7%。

Comments Accepted at The ACM Web Conference 2026 (WWW '26)

SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges

SAG：基于查询时动态超边的SQL检索增强生成

Yuchao Wu, Junqin Li, XingCheng Liang, Yongjie Chen, Yinghao Liang, Linyuan Mo, Guanxian Li

机构 * Zleap AI（智量科技） 纠错

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

AI总结 本研究提出SAG（SQL检索增强生成）架构，通过查询时动态超边实现结构化检索，在HotpotQA等多跳问答基准上性能优于基线，为LLM智能体处理组织知识提供了新方案。

SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges

SAG: 查询时动态超边的SQL检索增强生成

Yuchao Wu, Junqin Li, XingCheng Liang, Yongjie Chen, Yinghao Liang, Linyuan Mo, Guanxian Li

机构 * Zleap AI 纠错

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

AI总结 提出SAG架构，通过SQL查询动态构建局部超边索引，避免全局图维护，在多跳推理基准上达到最优召回率，支持亿级数据生产部署。