RAG / 检索增强生成

Curation and Extraction of Drug-Related Entities from Reddit Platform

从Reddit平台策划和提取药物相关实体

Zewei Wang, Zihan Xu, Yishu Wei, Michael Chary, Yifan Peng

机构 * Population Health Sciences, Weill Cornell Medicine, New York City, USA（威立·科恩医学中心人口健康科学系，纽约市，美国） ； School of Computing and Information Systems, University of Melbourne, Melbourne, Australia（墨尔本大学计算机与信息系统学院，墨尔本，澳大利亚） ； Emergency Medicine, Weill Cornell Medicine, New York City, USA（急诊医学，威立·科恩医学中心，纽约市，美国） 纠错

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

AI总结 为解决医生对非法药物真实使用情况了解有限的问题，本文构建了ReDose数据集（6435条Reddit帖子），并采用BERT、LLM和RAG模型进行药物、剂量和效果实体提取，其中BiomedBERT在药物实体上F1达0.843，Llama-3 70B优于GPT-4，但效果提取仍具挑战。

Comments Accepted by IEEE International Conference on Healthcare Informatics (ICHI 2026)

A Comparative Study of Language Models for Khmer Retrieval-Augmented Question Answering

一种用于柬埔寨检索增强问答的语言模型比较研究

Sereiwathna Ros, Phannet Pov, Ratanaktepi Chhor, Kimleang Ly, Wan-Sup Cho, Saksonita Khoeurn

机构 * Department of Computer Science, Chungbuk National University（Chungbuk National University 计算机科学系） ； Department of Big Data, Chungbuk National University（Chungbuk National University 大数据系） ； General Department of Information and Communication Technology, Ministry of Post and Telecommunications（邮电部信息和通信技术总局） ； Department of Management Information Systems, Chungbuk National University（Chungbuk National University 管理信息系统系） ； BigDatalabs Co., Ltd（BigDatalabs 公司） 纠错

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

AI总结 本文针对低资源非拉丁语种柬埔寨语言，比较了多种语言模型在检索增强问答任务中的性能，发现检索器选择是影响效果的关键因素，生成器在不同指标上表现各异。

Comments 14 pages, 1 figure,

LegalCheck: Retrieval- and Context-Augmented Generation for Drafting Municipal Legal Advice Letters

LegalCheck: 基于检索和上下文增强的生成方法用于起草市政法律建议信

Virgill van der Meer, Julien Rossi

机构 * Municipality of Amsterdam（阿姆斯特丹市） ； University of Amsterdam（阿姆斯特丹大学） 纠错

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

AI总结 本文提出LegalCheck系统，通过检索增强生成（RAG）和上下文增强生成（CAG）技术，自动起草市政法律回应信，提高法律部门在人员短缺、案件量增加和合规压力下的工作效率，确保法律一致性和准确性。

Comments Accepted at ICAIL 2026 as Short Paper

Think it, Run it: Autonomous ML pipeline generation via self-healing multi-agent AI

思考并运行：通过自我修复多智能体AI实现自主ML流水线生成

Adela Bara, Gabriela Dobrita, Simona-Vasilica Oprea

机构 * Bucharest University of Economic Studies（布加勒斯特经济大学） 纠错

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

AI总结 本文提出一种统一的多智能体架构，实现从数据集和自然语言目标自动生成端到端机器学习流水线，提升效率、鲁棒性和可解释性。通过五智能体系统处理数据剖析、意图解析、微服务推荐、DAG构建与执行，并结合代码基础的RAG、可解释混合推荐、自我修复机制和自适应学习，实现了84.7%的成功率。

A Collaborative Multi-Agent Approach to Retrieval-Augmented Generation Across Diverse Data

Aniruddha Salve, Saba Attar, Mahesh Deshmukh, Sayali Shivpuje, Arnab Mitra Utsab

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

Comments 16 pages, 3 figures. This preprint introduces a multi-agent framework for Retrieval-Augmented Generation (RAG), enhancing Large Language Models (LLMs) for efficient integration of diverse data sources. Relevant for researchers in AI, ML, generative AI, and database systems

Comparing the Utility, Preference, and Performance of Course Material Search Functionality and Retrieval-Augmented Generation Large Language Model (RAG-LLM) AI Chatbots in Information-Seeking Tasks

Leonardo Pasquarelli, Charles Koutcheme, Arto Hellas

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

Comments 12 pages, 4 figures

Disentangled Contrastive Learning for Zero-Shot Multilingual Dense Retrieval

用于零样本多语言密集检索的解耦对比学习

Chao Huang, Yufeng Chen, Changhao Guan, Guang Yang, Dongze Chen, Kaiyu Huang

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

AI总结 本文针对低资源语言检索数据稀缺问题，提出解耦对比学习方法，将多语言表示分离为语义与语言子空间，在mMARCO、MIRACL上的零样本多语言密集检索性能优于多个强基线。

Comments 14 pages, 4 figures

SHARD: cell-keyed residual splitting for alignment-resistant private dense retrieval

SHARD: 基于单元格密钥分割的抗对齐私有密集检索

Sergey Kurilenko

机构 * Moscow Institute of Physics and Technology（莫斯科物理技术学院） 纠错

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

AI总结 提出SHARD方法，通过将嵌入拆分为公开前缀和按单元格密钥分割的私有残差，结合CKKS重排序，抵御对齐攻击，在保持检索质量的同时大幅提高攻击难度。

XRAG: eXamining the Core -- Benchmarking Foundational Components in Advanced Retrieval-Augmented Generation

XRAG：深入核心——在高级检索增强生成中评估基础组件

Qili Zhang, Qianren Mao, Yangyifei Luo, Yashuo Luo, Hanwen Hao, Zhilong Cao, Weifeng Jiang, Zhijun Chen, Junnan Liu, Feng Yan, Xiaolong Wang, Jinlong Zhang, Zhenting Huang, Zhixing Tan, Jie Sun, Bo Li, Jianxin Li, Philip S. Yu

机构 * Zhongguancun Laboratory（中关村实验室） 纠错

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

AI总结 XRAG通过系统分析RAG各核心阶段性能，提供全面基准，揭示系统潜在故障点并提出优化方案。

Privacy-Preserving RAG via Multi-Agent Semantic Rewriting: Achieving Confidentiality Without Compromising Contextual Fidelity

基于多智能体语义重写的隐私保护检索增强生成：在不损害上下文保真度的情况下实现机密性

Yuanhe Zhao, Tianyu Zhang, Huafei Xing, Derek F. Wong, Jianbin Li, Tao Fang

机构 * School of Control and Computer Engineering, North China Electric Power University（华北电力大学控制与计算机工程学院） ； Department of Computer & Information Science & Engineering, University of Florida（佛罗里达大学计算机与信息科学与工程系） ； NLP2CT Lab, Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系NLP2CT实验室） ； Institute of International Language Services Studies, Macau Millennium College（澳门千禧学院国际语言服务研究所） 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 提出多智能体框架，通过语义重写净化检索内容，在去除敏感标识的同时保留语义核心，显著降低隐私泄露并保持上下文保真度。

Comments This full manuscript contains 23 pages and has been formally accepted for publication in Information Processing & Management (Elsevier IPM). Tao Fang is the corresponding author

PriHA: A RAG-Enhanced LLM Framework for Primary Healthcare Assistant in Hong Kong

PriHA：一种增强型大语言模型框架，用于香港初级医疗服务助手

Richard Wai Cheung Chan, Shanru Lin, Ya-nan Ma, Hao Chen, Liangjun Jiang, Wenqi Fan

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Haikou Affiliated Hospital of Central South University Xiangya School of Medicine（中南大学湘雅医学院海口附属医院） ； Sun Yat-Sen University Cancer Center（中山大学肿瘤中心） 纠错

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

AI总结 本文提出PriHA框架，通过检索增强生成技术解决香港初级医疗服务中指南碎片化问题，提升信息访问准确性与清晰度。

Comments Accepted to PAKDD 2026

FRAGATA: Semantic Retrieval of HPC Support Tickets via Hybrid RAG over 20 Years of Request Tracker History

FRAGATA：通过混合RAG实现的高性能计算支持票语义检索

Santiago Paramés-Estévez, Nicolás Filloy-Montesino, Jorge Fernández-Fabeiro, José Carlos Mouriño-Gallego

机构 * Galicia Supercomputing Center (CESGA)（加利西亚超级计算中心（CESGA）） ； Universidade de Vigo（维戈大学） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；分类 cs.IR、cs.AI

AI总结 本文提出FRAGATA系统，结合现代信息检索技术与RT历史数据，实现跨语言、拼写错误和特定措辞的高效支持票检索，提升知识重用效率。

Comments 6 pages, 2 figures, a Spanish version of this paper has been accepted at Jornadas SARTECO 2026. Code available at https://github.com/s-parames/fragata

A Reference Architecture for Agentic Hybrid Retrieval in Dataset Search

面向数据集搜索的代理混合检索参考架构

Riccardo Terrenzi, Phongsakon Mark Konrad, Tim Lukas Adam, Serkan Ayvaz

机构 * Centre for Industrial Software University of Southern Denmark（工业软件中心 欧洲南部大学） 纠错

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

AI总结 本文提出一种结合BM25和嵌入检索的代理混合检索架构，通过LLM代理规划查询并融合RRF算法，引入元数据增强减少语义偏差，分析单代理与多代理架构的权衡。

Comments 7 pages, 3 figures, accepted at SAML 2026

Web Retrieval-Aware Chunking (W-RAC) for Efficient and Cost-Effective Retrieval-Augmented Generation Systems

面向高效且经济的检索增强生成系统的网页检索感知分块（W-RAC）

Uday Allu, Sonu Kedia, Tanmay Odapally, Biddwan Ahmed

机构 * AI Research Team, Yellow.ai（Yellow.ai AI研究团队） 纠错

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

AI总结 本文提出W-RAC，一种针对网页文档的高效分块框架，通过分离文本提取与语义分块规划，减少LLM token消耗，提升系统可观察性。

Comments 13 pages, 9 tables, 0 figures

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。

Beyond the Parameters: A Technical Survey of Contextual Enrichment in Large Language Models: From In-Context Prompting to Causal Retrieval-Augmented Generation

超越参数：大型语言模型中上下文丰富技术的综述：从上下文提示到因果检索增强生成

Prakhar Bansal, Shivangi Agarwal

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

AI总结 本文综述了大型语言模型中通过增加结构化上下文来提升性能的技术，涵盖上下文学习、提示工程、检索增强生成等方法，并提出透明的文献筛选协议和可信检索增强NLP的研究优先级。

Comments 7 pages, 4 tables

Speaking at the Right Level: Literacy-Controlled Counterspeech Generation with RAG-RL

在合适水平上发言：基于RAG-RL的识字率控制反驳生成

Xiaoying Song, Anirban Saha Anik, Dibakar Barua, Pengcheng Luo, Junhua Ding, Lingzi Hong

机构 * University of North Texas（北德克萨斯大学） ； Peking University（北京大学） 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 本文提出基于RAG-RL的识字率控制框架，生成适应不同健康识字水平的定制化反驳内容，提升信息可及性和有效性。

Comments Accepted at Findings of EMNLP 2025

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025

Incorporating Q&A Nuggets into Retrieval-Augmented Generation

将问答 nugget 融入检索增强生成

Laura Dietz, Bryan Li, Gabrielle Liu, Jia-Huei Ju, Eugene Yang, Dawn Lawrie, William Walden, James Mayfield

机构 * University of New Hampshire（新罕布什尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Yale University（耶鲁大学） ； University of Amsterdam（阿姆斯特丹大学） ； Human Language Technology Center of Excellence, Johns Hopkins University（约翰霍普金斯大学人类语言技术卓越中心） 纠错

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

AI总结 本文提出Crucible系统，通过构建问答nugget库提升生成质量，保留引用溯源，优于现有系统。

Comments To appear in the Proceedings of ECIR 2026, Lecture Notes in Computer Science, Volume 16484

Evaluating Chunking Strategies For Retrieval-Augmented Generation in Oil and Gas Enterprise Documents

评估检索增强生成在石油和天然气企业文档中的分块策略

Samuel Taiwo, Mohd Amaluddin Yusoff

机构 * Digital and Innovation Department, Nigeria LNG Limited（尼日利亚LNG公司数字与创新部门） 纠错

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

AI总结 本文研究了四种分块策略在石油和天然气企业文档中的效果，发现结构感知分块在检索效果和计算成本上表现最佳，但对图表类文档仍有限。

Comments Presented at CCSEIT 2026. This version matches the published proceedings

Journal ref Computer Science and Information Technology (CS and IT), pp. 49-67, 2026

GIP-RAG: An Evidence-Grounded Retrieval-Augmented Framework for Interpretable Gene Interaction and Pathway Impact Analysis

GIP-RAG: 一种基于证据的检索增强框架用于可解释的基因互作和通路影响分析

Fujian Jia, Jiwen Gu, Cheng Lu, Dezhi Zhao, Mengjiang Huang, Yuanzhi Lu, Xin Liu, Kang Liu

机构 * Kanghua Juntai Biotech Co. Ltd.（康华联合生物科技有限公司） ； Department of Radiation Oncology, Cancer Treatment Center, The Second Affiliated Hospital of Hainan Medical University（海南医学院第二附属医院放疗科、肿瘤治疗中心） ； Department of Nutrition, University of California, Davis（加州大学戴维斯分校营养系） ； Department of Pathology, The First Affiliated Hospital of Jinan University（暨南大学第一附属医院病理科） 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 GIP-RAG结合生物知识图谱与大语言模型，通过检索增强生成方法解析基因互作及通路影响，提供可解释的多步推理和机制解释。

Comments 29 pages

BubbleRAG: Evidence-Driven Retrieval-Augmented Generation for Black-Box Knowledge Graphs

BubbleRAG：基于证据的检索增强生成用于黑盒知识图谱

Duyi Pan, Tianao Lou, Xin Li, Haoze Song, Yiwen Wu, Mengyi Deng, Mingyu Yang, Wei Wang

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

AI总结 针对黑盒知识图谱的检索与精度问题，提出BubbleRAG方法，通过语义锚点分组、启发式气泡扩展等技术提升召回率与精度，实验显示其在多跳问答任务中表现优异。

Comments Technical Report

Is Conformal Factuality for RAG-based LLMs Robust? Novel Metrics and Systematic Insights

基于RAG的LLM的符合事实性是否具有鲁棒性？新颖的度量和系统性洞察

Yi Chen, Daiwei Chen, Sukrut Madhav Chikodikar, Caitlyn Heqi Yin, Ramya Korlakai Vinayak

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

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

AI总结 本文系统分析了RAG-based LLMs在符合事实性方面的可靠性与实用性，提出新的信息度量方法，发现高事实性水平导致输出空洞，符合事实性不鲁棒于分布偏移，轻量蕴含验证器更高效且表现优异。

Comments 56 pages

AGRAG: Advanced Graph-based Retrieval-Augmented Generation for LLMs

AGRAG: 面向大语言模型的高级图基检索增强生成框架

Yubo Wang, Haoyang Li, Fei Teng, Lei Chen

机构 * The Hong Kong University of Science（香港科学与技术大学） ； The Hong Kong Polytechnic University Hong Kong SAR（香港理工大学（香港特别行政区）） 纠错

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

AI总结 AGRAG通过统计方法构建图结构，解决LLM幻觉问题，并采用MCMI子图生成提升推理能力，实现更全面的推理路径，提升检索增强生成效果。

Comments ICDE 2026 Camera-ready

Not All Queries Need Rewriting: When Prompt-Only LLM Refinement Helps and Hurts Dense Retrieval

并非所有查询都需要重写：当仅提示的LLM细化在密集检索中帮助和损害时

Varun Kotte

机构 * Adobe（Adobe公司） 纠错

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

AI总结 本文研究了仅提示的LLM查询重写对密集检索的影响，发现其效果高度依赖领域，通过实验发现重写在不同数据集上产生不同效果，并指出领域适应性后训练比单纯重写更安全。

Test-Time Strategies for More Efficient and Accurate Agentic RAG

测试时策略用于更高效和准确的代理RAG

Brian Zhang, Deepti Guntur, Zhiyang Zuo, Abhinav Sharma, Shreyas Chaudhari, Wenlong Zhao, Franck Dernoncourt, Puneet Mathur, Ryan Rossi, Nedim Lipka

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

AI总结 本文提出测试时改进Search-R1流程，通过上下文模块和去重模块提升RAG系统在复杂多跳问题中的效率和准确性，实验表明在HotpotQA和Natural Questions数据集上EM得分提高5.6%，检索次数减少10.5%。

Position: LLMs Must Use Functor-Based and RAG-Driven Bias Mitigation for Fairness

位置：LLMs必须使用基于函子和RAG驱动的偏见缓解以实现公平性

Ravi Ranjan, Utkarsh Grover, Agorista Polyzou

机构 * Knight Foundation School of Computing and Information Sciences（骑士基金会计算与信息科学学院） ； Florida International University（佛罗里达国际大学） ； College of Engineering（工程学院） ； University of South Florida（佛罗里达州立大学） 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 本文提出通过范畴论转换和RAG结合的方法，解决LLMs中的偏见问题，以实现公平性。

Comments 24 pages, 3 figures

Journal ref Review available from NeurIPS 2025 reviwers

LaSER: Internalizing Explicit Reasoning into Latent Space for Dense Retrieval

LaSER: 将显式推理内化到潜在空间以实现密集检索

Jiajie Jin, Yanzhao Zhang, Mingxin Li, Dingkun Long, Pengjun Xie, Yutao Zhu, Zhicheng Dou

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高陵人工智能学院） ； Tongyi Lab, Alibaba Group（阿里集团通义实验室） 纠错

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

AI总结 LaSER通过将显式推理内化到潜在空间，提升密集检索性能，结合推理深度与推理效率。

Comments Under Review

Search-P1: Path-Centric Reward Shaping for Stable and Efficient Agentic RAG Training

Search-P1: 基于路径的奖励塑造用于稳定且高效的代理RAG训练

Tianle Xia, Ming Xu, Lingxiang Hu, Yiding Sun, Wenwei Li, Linfang Shang, Liqun Liu, Peng Shu, Huan Yu, Jie Jiang

机构 * Tencent（腾讯） 纠错

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

AI总结 Search-P1通过路径中心奖励塑造提升代理RAG训练的稳定性和效率，实现7.7个百分点的准确率提升。

Context Volume Drives Performance: Tackling Domain Shift in Extremely Low-Resource Translation via RAG

上下文体积驱动性能：通过RAG解决极低资源翻译中的领域偏移

David Samuel Setiawan, Raphaël Merx, Jey Han Lau

机构 * The University of Melbourne（墨尔本大学） 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 通过RAG方法，利用检索增强生成技术，在极低资源翻译中有效缓解领域偏移问题，恢复性能损失。

Differentially Private Retrieval-Augmented Generation

差分隐私增强的检索增强生成

Tingting Tang, James Flemings, Yongqin Wang, Murali Annavaram

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 DP-KSA 是一种整合差分隐私的检索增强生成算法，通过关键词增强减少隐私风险并保持实用性。