RAG / 检索增强生成

Iterate Until Retrieved: Factual Nugget Optimization for Discoverable Continual Corrections in Agentic RAG

迭代直到检索到：面向可发现持续修正的事实性片段优化在智能体RAG中的应用

Moshe Hazoom, Gal Patel, Alon Talmor, Tom Hope

机构 * Mosaic AI ； The Hebrew University of Jerusalem（希伯来大学杰里科分校） 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 提出迭代片段优化（INO）方法，通过将反馈转化为事实性片段并利用生产环境智能体RAG系统迭代优化，提升事实性修正的可发现性和使用率。

RAG-Pull: Turning Retrieval into a Code-Injection Channel via Invisible Unicode Perturbations

RAG-Pull：通过不可见Unicode扰动将检索转化为代码注入通道

Aritra Dhar, Vasilije Stambolic, Lukas Cavigelli

机构 * Computing System Labs, Huawei Technologies Switzerland AG（华为瑞士技术有限公司计算系统实验室） ； BKW Energie AG（BKW能源集团） 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 提出RAG-Pull攻击，通过向查询或外部代码库插入不可见UTF字符，使检索系统偏向恶意代码，从而破坏LLM的安全对齐，实现远程代码执行和SQL注入。

Leveraging RAG for Training-Free Alignment of LLMs

利用RAG实现无需训练的LLM对齐

John T. Halloran

机构 * Leidos（莱迪奥斯公司） 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 本文提出RAG-Pref算法，通过对比信息提升对抗攻击拒绝能力，相比其他方法在五种主流LLM上提升3.7倍，同时保持计算效率。

Comments 19 pages, 4 figures, and 6 tables

SAR-RAG: ATR Visual Question Answering by Semantic Search, Retrieval, and MLLM Generation

SAR-RAG：通过语义搜索、检索和MLLM生成实现目标识别的视觉问答

David F. Ramirez, Tim Overman, Kristen Jaskie, Joe Marvin, Andreas Spanias

机构 * SenSIP Center, School of ECEE, Arizona State University（SenSIP中心，电子与计算机工程学院，亚利桑那州立大学） ； Prime Solutions Group Inc（Prime Solutions Group公司） 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 本文提出SAR-RAG方法，结合多模态大语言模型和语义嵌入向量数据库，通过语义搜索和检索提升SAR图像目标识别的准确性，通过分类和回归指标验证效果。

Comments Accepted to 2026 SPIE Defense + Security, Automatic Target Recognition XXXVI

NuggetIndex: Governed Atomic Retrieval for Maintainable RAG

NuggetIndex：受控原子检索用于可维护的RAG

Saber Zerhoudi, Michael Granitzer, Jelena Mitrovic

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

AI总结 NuggetIndex通过存储原子信息单元（nuggets）提升RAG系统的可维护性，通过时间有效性区间和生命周期状态管理，提高召回率和时间正确性，减少冲突率。

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), July 20--24, 2026, Melbourne, VIC, Australia

A Case Study on the Impact of Anonymization Along the RAG Pipeline

RAG流水线中匿名化影响的案例研究

Andreea-Elena Bodea, Stephen Meisenbacher, Florian Matthes

机构 * Technical University of Munich School of Computation, Information（慕尼黑技术大学计算、信息与技术学院） 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 本文通过实证研究分析RAG流水线中匿名化位置对隐私-效用权衡的影响，探讨匿名化在数据集和生成答案处的不同效果。

Comments 7 pages, 1 figure, 6 tables. Accepted to IWSPA 2026

CHOP: Chunkwise Context-Preserving Framework for RAG on Multi Documents

CHOP：多文档RAG中的分块上下文保留框架

Hyunseok Park, Jihyeon Kim, Jongeun Kim, Dongsik Yoon

机构 * HDC LABS（HDC实验室） 纠错

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

AI总结 CHOP通过分块相关性评估和上下文连续性决策模块，有效解决多文档检索中相似文档导致的检索混淆问题，提升检索准确性和知识库质量。

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

Retrieval as a Decision: Training-Free Adaptive Gating for Efficient RAG

检索作为决策：无需训练的自适应检索门控以实现高效的RAG

Yufeng Wang, Lu wei, Haibin Ling

机构 * Department of Computer Science（计算机科学系） ； Stony Brook University（石溪大学） ； Department of Artificial Intelligence（人工智能系） ； Westlake University（西湖大学） 纠错

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

AI总结 本文提出TARG，一种无需训练的自适应检索门控方法，通过短稿前缀logits计算不确定性评分，仅在评分超过阈值时触发检索，提升RAG的效率与准确性。

Benchmarking Vector, Graph and Hybrid Retrieval Augmented Generation (RAG) Pipelines for Open Radio Access Networks (ORAN)

Sarat Ahmad, Zeinab Nezami, Maryam Hafeez, Syed Ali Raza Zaidi

机构 * School of Electronic and Electrical Engineering（电子与电气工程学院） 纠错

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

The EPS Research Astro-RAG Platform: A Unified Open-Science Infrastructure for Cross-Epoch Astrophysical Kinematic Analysis, LLM-Assisted Research Workflows, and Educational Outreach

EPS Research Astro-RAG平台：用于跨纪元天体物理运动学分析、LLM辅助研究工作流程和教育推广的统一开放科学基础设施

David C. Flynn

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

AI总结 提出一个开放科学平台，整合四个跨纪元天体物理语料库、120个可执行Jupyter笔记本示例，并利用LLM辅助检索增强生成（RAG）研究工作流程，通过ω运动学校正揭示从z=0到z~5的角速度符号反转。

Comments 5 pages, no figures, no tables. Platform release: four open astrophysical corpora (772 objects, z=0 to z~6), 120 verified Jupyter notebooks, QuickStart reproducibility pathway, and High-School Exploration Track. Zenodo DOIs: 10.5281/zenodo.19563417, 10.5281/zenodo.20320362, 10.5281/zenodo.19907765, 10.5281/zenodo.20369285. GitHub: github.com/eps-research/rag-corpus-series

Self-MedRAG: a Self-Reflective Hybrid Retrieval-Augmented Generation Framework for Reliable Medical Question Answering

Self-MedRAG：一种用于可靠医学问答的自反思混合检索增强生成框架

Jessica Ryan, Alexander I. Gumilang, Robert Wiliam, Derwin Suhartono

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

AI总结 Self-MedRAG通过混合检索与自反思机制提升医学问答的准确性和可靠性。

Enhancing Financial RAG with Agentic AI and Multi-HyDE: A Novel Approach to Knowledge Retrieval and Hallucination Reduction

Akshay Govind Srinivasan, Ryan Jacob George, Jayden Koshy Joe, Hrushikesh Kant, Harshith M R, Sachin Sundar, Sudharshan Suresh, Rahul Vimalkanth, Vijayavallabh

机构 * Indian Institute of Technology Madras（印度理工学院马德拉斯学院） 纠错

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

Comments 14 Pages, 8 Tables, 2 Figures. Accepted and to be published in the proceedings of FinNLP, Empirical Methods in Natural Language Processing 2025

HybGRAG: Hybrid Retrieval-Augmented Generation on Textual and Relational Knowledge Bases

Meng-Chieh Lee, Qi Zhu, Costas Mavromatis, Zhen Han, Soji Adeshina, Vassilis N. Ioannidis, Huzefa Rangwala, Christos Faloutsos

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） 纠错

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

Comments Accepted to ACL 2025

UniMS-RAG: A Unified Multi-source Retrieval-Augmented Generation for Personalized Dialogue Systems

Hongru Wang, Wenyu Huang, Yang Deng, Rui Wang, Zezhong Wang, Yufei Wang, Fei Mi, Jeff Z. Pan, Kam-Fai Wong

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

When Context Bites: Detecting RAG Poisoning via Document-Level Attention Collapse

当上下文产生危害：通过文档级注意力崩溃检测RAG中毒

Yingtao Ren, Ziyi Zhao, Yiwei Fu, Xiao Luo, Yu-Cheng Chang, Chin-Teng Lin

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

AI总结 针对RAG中毒攻击现有检测方法失效的问题，提出基于文档级注意力崩溃的轻量级检测框架D-SCAN，可在攻击未改变最终答案时也实现有效检测。

Comments Accepted by SIGIR2026

VITAL-RAG: Invariance Race for Context Allocation in Coding Agents

VITAL-RAG：编码智能体中上下文分配的不变性竞争

Zijian Lu, Yonghua Lu, Mingcai Chen, Yiping Zuo, Xin He, Weijun Wang, Weibei Fan

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

AI总结 VITAL-RAG针对编码智能体上下文分配的不变性竞争问题，通过按规范代码对象组织证据等方法，在RepoBench等数据集上提升了代码检索性能并减少了令牌占用。

Comments 8 pages, 2 figures

From Naive RAG to Deep Agentic Retrieval: An Evolving Context Engineering Pipeline for Regulatory Compliance

从朴素检索增强生成到深度智能检索：用于合规监管的不断演进的上下文工程管道

Mishca de Costa, Muhammad Saleh Anwar, Dave Mercier, Issam Hammad

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

AI总结 研究针对RAG朴素实现的局限，追溯安大略发电公司检索管道演变，历经多阶段形成PEA-CAE架构，表明上下文工程对监管语料库更具优势，深度智能检索进展反映经典思想，迭代证据获取等渐成企业问答基础。

Comments Accepted at the 2026 IEEE the 14th International Conference on Smart Energy Grid Engineering (SEGE 2026)

IteraSim RAG: A Multi-Stage Retrieval-Augmented Agentic Back-End for OpenFOAM-Based Computational Fluid Dynamics

IteraSim RAG：基于OpenFOAM的计算流体动力学的多阶段检索增强智能后端

Pratyush Kumar

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

AI总结 研究针对OpenFOAM配置CFD案例的难题，提出IteraSim RAG。通过LLM扩展查询、多种融合与重排策略及多智能体分工协作，结合规范知识层。在28个案例基准测试中表现良好，能完成配置、诊断修复问题，还公布相关内容以保障可重复性。

Comments 40 pages, 7 figures, 5 tables. Submitted to Computer Physics Communications

Not All Retrievals are Useful: Cross-Attention for Input-Aware RAG in Time Series Forecasting

并非所有检索都有用：时间序列预测中输入感知RAG的交叉注意力

Seunghan Lee, Jaehoon Lee, Jun Seo, Sungdong Yoo, Minjae Kim, Tae Yoon Lim, Dongwan Kang, Hwanil Choi, SoonYoung Lee, Wonbin Ahn

机构 * LG AI Research（LG人工智能研究所） 纠错

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

AI总结 提出Cross-RAG框架，通过查询-检索交叉注意力选择性关注相关检索样本，联合利用查询、检索样本及其关系，提升零样本时间序列预测性能，避免无关检索的干扰。

Comments KDD Workshop on Mining and Learning from Time Series 2026 (Oral Presentation)

The Illusion of Agentic Complexity in README.md Generation: Evaluating Single-Agent vs. Multi-Agent RAG Systems

README.md生成中的代理复杂性幻觉：评估单代理与多代理RAG系统

Abu Saleh, Tesfay Welegebreal Tesfay, Phuong T. Nguyen, Juri Di Rocco, Muhammad Umar Zeshan, Davide Di Ruscio

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

AI总结 通过对比单代理、多代理和开发者引导规划三种RAG架构生成GitHub仓库README文件，发现单代理管道在词汇质量相当的情况下，令牌消耗降低86%、速度提升一倍，而多代理系统结构一致性达98%但存在规划瓶颈，开发者引导规划获得最佳文档质量。

Comments The paper has been peer-reviewed and accepted to the 42nd International Conference on Software Maintenance and Evolution (ICSME 2026)

Five Queries Are Enough: Query-Efficient and Surrogate-Free Membership Inference Attacks on RAG via Entailment

五个查询就足够了：基于蕴含的查询高效且无替代模型的RAG成员推断攻击

Nguyen Linh Bao Nguyen, Wanlun Ma, Viet Vo, Alsharif Abuadbba, Minghong Fang, Jun Zhang, Yang Xiang

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

AI总结 提出MEntA攻击方法，利用自然语言蕴含在少量查询下高效推断RAG系统中的文档成员关系，无需替代模型，成本低且难以检测。

Comments Accepted by USENIX Security 2026

A RAG-Enhanced Bi-Level Cognitive Orchestration Framework for LEO Satellite Networks

一种面向LEO卫星网络的RAG增强双层认知编排框架

Yuhong Jiang, Zhishu Shen, Tong Yin, Qiushi Zheng, Yichao Jin, Fidan Mehmeti, Jiong Jin

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

AI总结 针对LEO卫星网络中资源碎片化问题，提出RAG增强的双层认知编排框架，上层LLM利用离线专家知识库动态推断偏好权重，下层遗传调度器计算路由与任务卸载方案，在Walker-Delta网络测试中丢包率降低30.7%，能效提升30%，端到端时延降低8.5%。

HeRo: Adaptive Orchestration of Agentic RAG on Heterogeneous Mobile SoC

HeRo: 异构移动SoC上智能体RAG的自适应编排

Maoliang Li, Jiayu Chen, Zihao Zheng, Ziqian Li, Xinhao Sun, Guojie Luo, Chenchen Liu, Xiang Chen

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

AI总结 提出HeRo框架，通过基于性能分析的在线调度器，结合形状感知子阶段划分、关键性加速器映射和带宽感知并发控制，在异构移动SoC上实现低延迟智能体RAG，端到端延迟降低达10.94倍。

Comments Will appear in DAC'2026, Camera Ready

From Volume to Value: Preference-Aligned Memory Construction for On-Device RAG

从体积到价值：面向设备端RAG的偏好对齐记忆构建

Changmin Lee, Jaemin Kim, Taesik Gong

机构 * Department of Computer Science and Engineering, Ulsan National Institute of Science and Technology (UNIST), Ulsan, Republic of Korea（计算机科学与工程系，全州国立科学与技术研究所（UNIST），全州，韩国） 纠错

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

AI总结 本文提出EPIC方法，通过将用户偏好作为紧凑且稳定的个人上下文形式，整合到RAG流程中，以在有限内存下提高检索与用户偏好的对齐度，从而减少内存使用并提升准确性。

Comments Accepted to ICML 2026. Code and data are available at https://github.com/UbiquitousAILab/EPIC

An Efficient and Privacy-Preserving Architecture for Cross-Institutional Collaborative RAG

一种高效且保护隐私的跨机构协作RAG架构

Chenxin Mao, Shangyu Liu, Zhenzhe Zheng, Fan Wu, Jie Wu, Guihai Chen

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

AI总结 提出FedRAG框架，通过Scrambled Distributed Attention协议解决跨机构RAG中Transformer自注意力机制与隐私保护的冲突，实现高吞吐量、隐私保护且无需专用硬件或模型重训练。

MimirRAG: A Multi-Agent RAG Framework for Financial Data Retrieval with Metadata Integration

MimirRAG：一种集成元数据的金融数据检索多智能体RAG框架

Magnus Samuelsen, Wilmer Nyström, Somnath Mazumdar, Mansoor Hussain, Mikkel Strange

机构 * Copenhagen Business School（哥本哈根商学院） 纠错

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

AI总结 提出MimirRAG多智能体RAG框架，通过元数据集成、表格感知分块和智能体工作流，在金融数据检索中实现89.3%准确率，优于基线。

Dissecting Agentic RAG: A Component Ablation for Multi-Hop QA with a Local 7B Model

解析智能体RAG：基于本地7B模型的多跳问答组件消融研究

Sheroz Shaikh

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 通过消融实验，发现固定混合检索和短检索循环对多跳问答贡献最大，自适应路由和深度循环并非必要。

Comments 8 pages, 4 figures, 4 tables. Code: https://github.com/sherozshaikh/agentic-rag-eval

Multi-Field Hybrid Retrieval-Augmented Generation for Maritime Accident Root Cause Analysis

面向海事事故根因分析的多字段混合检索增强生成

Seongjin Kim, Sungil Kim

机构 * Department of Industrial Engineering, Ulsan National Institute of Science and Technology (UNIST)（蔚山国立科学技术院工业工程系） 纠错

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

AI总结 提出多字段混合检索增强生成框架，利用结构化事故卡片和分层原因分类，通过字段感知的混合检索与融合排序，显著提升海事事故根因分析的检索和生成质量。