RAG / 检索增强生成

FAIR-RAG: Faithful Adaptive Iterative Refinement for Retrieval-Augmented Generation

Mohammad Aghajani Asl, Majid Asgari-Bidhendi, Behrooz Minaei-Bidgoli

机构 * Sharif University of Technology（谢里夫理工大学） ； Iran University of Science and Technology（伊朗科学技术大学） ； Noor Avaran Jelvehaye Maanaei Najm Co., Ltd.（诺尔·阿瓦兰·杰拉维耶·马纳埃尼纳姆公司） 纠错

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

Comments 30 pages, 5 figures, 5 tables. Keywords: Retrieval-Augmented Generation (RAG), Large Language Models (LLMs), Agentic AI, Multi-hop Question Answering, Faithfulness

Hybrid Retrieval for Hallucination Mitigation in Large Language Models: A Comparative Analysis

Chandana Sree Mala, Gizem Gezici, Fosca Giannotti

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

Does RAG Know When Retrieval Is Wrong? Diagnosing Context Compliance under Knowledge Conflict

RAG 能知道检索错误吗？知识冲突下的上下文合规性诊断

Yihang Chen, Pin Qian, Su Wang, Sipeng Zhang, Huan Xu, Shuhuai Lin, Xinpeng Wei

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 提出上下文驱动分解（CDD）方法，在推理时探测并干预检索增强生成中的上下文与参数知识冲突，揭示上下文合规性模式并提升鲁棒性。

Comments Preprint. 3 figures, 3 tables. Diagnostic study of context compliance in RAG under knowledge conflict; closed-API evaluations (Gemini-2.5-Flash and Claude family)

R$^3$AG: Retriever Routing for Retrieval-Augmented Generation

R$^3$AG：基于检索增强生成的检索路由

Tong Zhao, Yutao Zhu, Yucheng Tian, Zhicheng Dou

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

AI总结 R$^3$AG通过动态对齐查询与检索器能力，解决检索增强生成中检索器选择单一的问题，提升生成准确性。

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。

When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation

在何时使用图在RAG中：图检索增强生成的全面分析

Zhishang Xiang, Chuanjie Wu, Qinggang Zhang, Shengyuan Chen, Zijin Hong, Xiao Huang, Jinsong Su

机构 * Xiamen University（厦门大学） ； 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(title,abstract)；RAG(title,abstract)；knowledge retrieval(abstract)；分类 cs.CL

AI总结 本文提出GraphRAG-Bench基准，系统分析GraphRAG在不同任务中的表现，揭示其在特定场景下的优势与适用条件。

Comments All resources and analyses are collected at https://github.com/GraphRAG-Bench/GraphRAG-Benchmark

Zero-RAG: Towards Retrieval-Augmented Generation with Zero Redundant Knowledge

零冗余知识下的检索增强生成：Zero-RAG

Qi Luo, Xiaonan Li, Junqi Dai, Shuang Cheng, Xipeng Qiu

机构 * School of Computer Science, Fudan University（复旦大学计算机学院） 纠错

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

AI总结 Zero-RAG通过修剪冗余知识和优化检索流程，提升LLM在减少冗余信息下的生成性能。

Journal ref Frontiers of Computer Science (2026)

T-Retriever: Tree-based Hierarchical Retrieval Augmented Generation for Textual Graphs

T-Retriever：基于树的分层检索增强生成用于文本图谱

Chunyu Wei, Huaiyu Qin, Siyuan He, Yunhai Wang, Yueguo Chen

机构 * BRAIN of RUC（北京理工大学脑科学研究院） 纠错

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

AI总结 T-Retriever通过语义和结构引导的树状检索方法，改进了图谱检索增强生成，提升复杂查询的连贯性和语境相关性。

You Don't Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures

Shengyuan Chen, Chuang Zhou, Zheng Yuan, Qinggang Zhang, Zeyang Cui, Hao Chen, Yilin Xiao, Jiannong Cao, Xiao Huang

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

Comments This work has been accepted to AAAI'26

The RAG Paradox: A Black-Box Attack Exploiting Unintentional Vulnerabilities in Retrieval-Augmented Generation Systems

Chanwoo Choi, Jinsoo Kim, Sukmin Cho, Soyeong Jeong, Buru Chang

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

Multimodal RAG for Unstructured Data:Leveraging Modality-Aware Knowledge Graphs with Hybrid Retrieval

Rashmi R, Vidyadhar Upadhya

机构 * National Institute of Technology Karnataka, Surathkal, India（印度卡纳塔克国家理工学院） 纠错

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

Comments 12 pages, 6 figures, submitted for review

ModernBERT + ColBERT: Enhancing biomedical RAG through an advanced re-ranking retriever

Eduardo Martínez Rivera, Filippo Menolascina

机构 * School of Informatics University of Edinburgh（信息学院爱丁堡大学） ； School of Engineering University of Edinburgh（工程学院爱丁堡大学） 纠错

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

DACL-RAG: Data Augmentation Strategy with Curriculum Learning for Retrieval-Augmented Generation

Shaohan Wang, Licheng Zhang, Zheren Fu, Zhendong Mao, Yongdong Zhang

机构 * School of Information Science and Technology, University of Science and Technology of China（信息科学与技术学院，中国科学技术大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（人工智能研究院，合肥综合性国家科学中心） 纠错

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

Biomedical Literature Q&A System Using Retrieval-Augmented Generation (RAG)

Mansi Garg, Lee-Chi Wang, Bhavesh Ghanchi, Sanjana Dumpala, Shreyash Kakde, Yen Chih Chen

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

Comments 10 pages, 6 figures, 3 tables

A Systematic Review of Key Retrieval-Augmented Generation (RAG) Systems: Progress, Gaps, and Future Directions

Agada Joseph Oche, Ademola Glory Folashade, Tirthankar Ghosal, Arpan Biswas

机构 * Bredesen Center for Interdisciplinary Research, University of Tennessee, Knoxville, USA（跨学科研究中心，田纳西大学，肯塔基州 Knoxville） ； National Center for Computational Sciences, Oak Ridge National Laboratory, Oak Ridge, USA（计算科学国家中心，橡树岭国家实验室，橡树岭） ； University of Tennessee-Oak Ridge Innovation Institute, University of Tennessee, Knoxville, USA（田纳西大学橡树岭创新研究所，田纳西大学，肯塔基州 Knoxville） 纠错

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

Comments 33 pages, 2 figures

Spatial-RAG: Spatial Retrieval Augmented Generation for Real-World Geospatial Reasoning Questions

Dazhou Yu, Riyang Bao, Ruiyu Ning, Jinghong Peng, Gengchen Mai, Liang Zhao

机构 * Emory University（埃默里大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

CDF-RAG: Causal Dynamic Feedback for Adaptive Retrieval-Augmented Generation

Elahe Khatibi, Ziyu Wang, Amir M. Rahmani

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

MoK-RAG: Mixture of Knowledge Paths Enhanced Retrieval-Augmented Generation for Embodied AI Environments

Zhengsheng Guo, Linwei Zheng, Xinyang Chen, Xuefeng Bai, Kehai Chen, Min Zhang

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

Mindful-RAG: A Study of Points of Failure in Retrieval Augmented Generation

Garima Agrawal, Tharindu Kumarage, Zeyad Alghamdi, Huan Liu

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

RQ-RAG: Learning to Refine Queries for Retrieval Augmented Generation

Chi-Min Chan, Chunpu Xu, Ruibin Yuan, Hongyin Luo, Wei Xue, Yike Guo, Jie Fu

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

Collab-RAG: Boosting Retrieval-Augmented Generation for Complex Question Answering via White-Box and Black-Box LLM Collaboration

Ran Xu, Wenqi Shi, Yuchen Zhuang, Yue Yu, Joyce C. Ho, Haoyu Wang, Carl Yang

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

Comments Work in progress. Code: https://github.com/ritaranx/Collab-RAG/

CAR: Query-Guided Confidence-Aware Reranking for Retrieval-Augmented Generation

CAR：面向检索增强生成的查询引导置信感知重排序

Zhipeng Song, Yizhi Zhou, Xiangyu Kong, Jiulong Jiao, Xuezhou Ye, Chunqi Gao, Xueqing Shi, Yu Wang, Yuhang Zhou, Heng Qi

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

AI总结 针对RAG现有重排序仅关注相关性的问题，提出无需训练的CAR框架，通过查询引导的答案稳定性校正排名，在多数据集实验中实现稳健性能提升，可用于黑盒LLM。

RAG-Based Auto-Configuration for Industrial Fieldbus Devices

基于检索增强生成（RAG）的工业现场总线设备自动配置

Aadil Gani Ganie, Saad Ezzini, Naveed Farooz Marazi

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

AI总结 针对工业现场总线设备手动配置的低效易错问题，提出SysName流水线，结合RAG、本地LLM与两级弃权门控，在多协议设备配置任务中实现高效高准确率的端到端自动化，经基准测试与案例验证效果优异。

Recall Is Not Enough: A Reader-Context Diagnostic for Budget-Constrained Retrieval-Augmented Generation

什么能进入上下文：预算受限的多跳RAG的诊断以及当子模证据打包改善它时

Ananto Nayan Bala

机构 * Ahsanullah University of Science and Technology（阿赫桑乌拉科技大学） 纠错

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

AI总结 针对固定读者上下文预算下的检索增强生成，提出答案在上下文中诊断指标，并构建基于子模最大化的打包器，在特定条件下提升性能。

Comments Under review at EACL 2027

Bridging the Question-Answer Gap in Retrieval-Augmented Generation: Hypothetical Prompt Embeddings

弥合检索增强生成中的问答差距：假设提示嵌入

Domen Vake, Jernej Vičič, Aleksandar Tošić

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

AI总结 该研究提出假设提示嵌入（HyPE）框架，将假设内容生成移至索引阶段，提升RAG的检索对齐度与效率，在六个数据集上实现检索精度和召回率的显著提升且兼容多种RAG技术

Comments 10 pages, 8 figures, 5 tables. Published in IEEE Access

Journal ref IEEE Access, vol. 13, pp. 129952-129961, 2025

FinCacheServe: Dependency-Consistent Answer Reuse for Cost-Efficient RAG Serving over Mutable Enterprise Documents

FinCacheServe：面向可变企业文档的高性价比RAG服务的依赖一致答案复用

Lingteng Zeng, Yifan Jin

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

AI总结 FinCacheServe为可变企业文档的RAG服务设计依赖一致的答案复用机制，可跳过大量LLM调用，相比现有方法能降低能耗，提升服务成本效率。

Comments 16 pages, 11 figures, 12 tables; preprint

Agentic Graph Retrieval-Augmented Generation for Auditable Commercial Registry Analysis

代理图RAG：利用协作AI导航无结构财务数据

Arthur Capozzi, Dirk Helbing

机构 * Computational Social Science ETH Zürich（计算社会科学 ETH 瑞士 Zurich） ； Computational Social Science, ETH Complexity Science Hub Zürich（计算社会科学 ETH 复杂性科学中心 Zurich） ； ETH Complexity Science Hub Zürich, Switzerland（ETH 复杂性科学中心 Zurich 瑞士） ； Vienna, Austria（维也纳 奥地利） 纠错

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

AI总结 本文提出了一种协作代理图RAG框架，用于专家分析商业登记数据。通过构建Neo4j知识图谱，结合确定性节点摄入、LLM提取弱节点以及确定性身份解析和去重，提升了多跳、时间相关和实体中心的查询能力。

TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework

TeaRAG：一种令牌高效的智能检索增强生成框架

Chao Zhang, Yuhao Wang, Derong Xu, Haoxin Zhang, Yuanjie Lyu, Yuhao Chen, Shuochen Liu, Tong Xu, Xiangyu Zhao, Yan Gao, Yao Hu, Enhong Chen

机构 * University of Science and Technology of China（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； Xiaohongshu Inc.（小红书公司） 纠错

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

AI总结 研究提出TeaRAG框架解决智能RAG令牌开销大问题，通过基于简洁三元组的图检索压缩检索内容，用IP-DPO减少推理步骤，在多个数据集上实验，提高了平均精确匹配，减少了输出令牌。

Comments 34 pages

Integrating Chain-of-Thought and Retrieval Augmented Generation Enhances Rare Disease Diagnosis from Clinical Notes

将链式思维与检索增强生成相结合增强了从临床笔记中诊断罕见疾病的性能

Zhanliang Wang, Da Wu, Quan Nguyen, Kai Wang

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

AI总结 本研究提出RAG驱动的CoT和CoT驱动的RAG方法，通过结合链式思维与检索增强生成，提升从临床笔记中诊断罕见疾病的性能。

Evaluating Retrieval-Augmented Generation vs. Long-Context Input for Clinical Reasoning over EHRs

评估检索增强生成与长上下文输入用于电子健康记录临床推理的效果

Skatje Myers, Dmitriy Dligach, Timothy A. Miller, Samantha Barr, James Landefeld, Yanjun Gao, Matthew Churpek, Anoop Mayampurath, Majid Afshar

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Loyola University Chicago（芝加哥洛约拉大学） ； Boston Children’s Hospital Harvard Medical School（波士顿儿童医院哈佛医学院） ； University of Colorado-Anschutz（科罗拉多大学安舒茨分校） 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、cs.AI

AI总结 研究评估检索增强生成（RAG）用于电子健康记录临床推理的效果，定义三个基于EHR的任务，用真实住院临床记录评估三种大语言模型，发现RAG在成像程序和抗生素时间线任务中令牌效率高，诊断生成任务较具挑战性，RAG是临床任务的有效方法。