RAG / 检索增强生成

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。

As We May Search

如我们可能搜索

Saber Zerhoudi, Adam Roegiest, Jelena Mitrovic, Michael Granitzer

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

AI总结 针对个人文档等敏感信息搜索中的隐私问题，提出本地优先信息检索（local-first IR）设计理念，通过将索引、模型和推理置于用户设备上，在消费级硬件上实现与云端相当的性能，并指出真正的权衡在于搜索范围而非质量。

Journal ref Proceedings of the 2026 International ACM SIGIR Conference on Innovative Concepts and Theories in Information Retrieval (ICTIR'26), July 25, 2026, Melbourne, VIC, Australia

How Do Tool-Augmented LLM Agents Perform on Real-World Energy Analytics Tasks?

工具增强的LLM智能体在真实世界能源分析任务中的表现如何？

David Akinpelu, Akintonde Abbas, Rereloluwa Alimi, Ayodeji Lana

机构 * Independent Researcher（独立研究员） ； Tume AI 纠错

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

AI总结 针对能源领域缺乏智能体评估基准的问题，构建了包含243个专家策划问题的测试环境，评估工具增强的LLM智能体在数据检索、知识解释和定量建模三类任务上的表现。

EvoEmbedding: Evolvable Representations for Long-Context Retrieval and Agentic Memory

EvoEmbedding: 面向长上下文检索与智能体记忆的可演化表示

Chang Nie, Chaoyou Fu, Junlan Feng, Caifeng Shan

机构 * Nanjing University（南京大学） 纠错

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

AI总结 提出EvoEmbedding模型，通过持续更新的潜在记忆生成可演化嵌入，实现基于动态上下文的检索，在长上下文基准上超越更大规模模型，并泛化到下游任务。

Comments Project Page: https://clare-nie.github.io/EvoEmbedding

Probabilistic Agents in Deterministic Audits: Evaluating Multi-Agent Systems for Automated Audits Based on the German IT-Grundschutz

确定性审计中的概率性智能体：基于德国IT-Grundschutz的自动化审计多智能体系统评估

Lea Roxanne Muth, Marian Margraf

机构 * Department of Mathematics and Computer Science（数学与计算机科学系） ； Freie Universität Berlin（柏林自由大学） 纠错

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

AI总结 提出结合混合检索增强生成的多智能体系统架构，通过假设验证循环和解耦推理流水线部分自动化IT-Grundschutz认证，实验表明在语义任务上高效但在逻辑推理阶段受限于LLM的概率性。

Comments Accepted for publication at the 2026 IEEE International Systems Conference (SysCon), Halifax, NS, Canada, April 6-9, 2026. 8 pages, 1 figure

TASR: Training-Free Adaptive Stopping for Iterative Retrieval

TASR：无需训练的迭代检索自适应停止规则

Adrian Kieback, Uyiosa Philip Amadasun, Aman Chadha, Aaron Elkins

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

AI总结 提出TASR，一种无需训练的迭代检索停止规则，通过重复答案检测和逻辑回归边际阈值减少冗余检索，在多种配置下保持高F1值并降低调用次数。

Comments 20 pages, 5 figures. Accepted at Agent4IR Workshop, KDD 2026

Closing the Prior-Posterior Loop: Self-Reflective Molecular Design with Analysis-Driven LLM Iteration

闭合先验-后验循环：基于分析驱动LLM迭代的自反性分子设计

Junyi Gong, Zijie Qiu, Ben Zhong Tang

机构 * Faculty of Chemistry, Shenzhen MSU-BIT University（深圳MSU-BIT大学化学学院） ； School of Science and Engineering, Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）科学与工程学院） ； Department of Chemistry, Hong Kong University of Science and Technology（香港科技大学化学系） 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 提出一种自反性分子设计框架，用第一性原理计算的完整物化理由替代标量反馈，使LLM从随机采样器转变为因果推理器，在HOMO-LUMO能隙任务中实现0.0003 eV偏差和100%成功率。

Comments 3 tables, 4 figures

Explainable AML Triage with LLMs: Evidence Retrieval and Counterfactual Checks

可解释的AML优先级排序与LLMs：证据检索与反事实检查

Dorothy Torres, Wei Cheng, Ke Hu

机构 * School of Science, Technology, Engineering and Mathematics（科学、技术、工程与数学学院） ； School of Electrical Engineering and Computer Science（电气工程与计算机科学学院） 纠错

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

AI总结 本文提出一种可解释的AML优先级排序框架，结合证据增强的证据捆绑、结构化LLM输出合同和反事实验证，提升审计性和鲁棒性，实验证明其在优先级排序和证据支持方面表现优异。

Queen-Bee Agents: A BeeSpec-Centered Architecture for Governed Enterprise MCP Orchestration

蜂后智能体：一种以BeeSpec为中心的受治理企业MCP编排架构

Dutao Zhang, Liaotian

机构 * Polytechnic University（理工学院） 纠错

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

AI总结 提出Queen-Bee多智能体架构，通过Queen控制平面检索能力、规划任务并编译BeeSpec，由Bee智能体在受限工具访问下执行，实现策略执行、租户隔离和边界内执行，在59个企业任务中达到0.964成功率且零治理失败。

Comments Technical report. Prototype-level systems evidence; 59 enterprise-style tasks

Col-Bandit: Query-Time Top-$K$ Estimation for Late-Interaction Retrieval

Col-Bandit：面向延迟交互检索的查询时Top-$K$估计

Roi Pony, Adi Raz Goldfarb, Oshri Naparstek, Idan Friedman, Udi Barzelay, Eli Schwartz

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

AI总结 提出Col-Bandit方法，通过批量揭示矩阵条目并维护置信区间，在查询时高效估计多向量延迟交互检索中的Top-$K$结果，大幅减少计算量且保持高保真度。

NNGPT: Rethinking AutoML with Large Language Models

NNGPT: 用大型语言模型重新思考AutoML

Roman Kochnev, Waleed Khalid, Tolgay Atinc Uzun, Xi Zhang, Yashkumar Sanjaybhai Dhameliya, Furui Qin, Chandini Vysyaraju, Raghuvir Duvvuri, Avi Goyal, Dmitry Ignatov, Radu Timofte

机构 * Computer Vision Lab, CAIDAS & IFI, University of Würzburg, Germany（计算机视觉实验室，CAIDAS与IFI，乌尔姆大学，德国） 纠错

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

AI总结 提出NNGPT开源框架，利用大型语言模型实现自我改进的AutoML引擎，通过生成-评估-自我改进闭环自动设计神经网络架构和超参数。

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), pp. 5664-5674, 2026

Detecting Is Not Resolving: The Monitoring Control Gap in Retrieval Augmented LLMs

检测不等于解决：检索增强型大语言模型中的监控控制差距

Zhe Yu, Wenpeng Xing, Chen Ye, Xuyang Teng, Bo Yang, Changting Lin, Meng Han

机构 * Zhejiang University（浙江大学） ； Binjiang Institute of Zhejiang University（浙江大学滨江研究院） ； Hangzhou Dianzi University（杭州电子科技大学） ； National Fintech Evaluation Center（国家金融科技评估中心） 纠错

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

AI总结 本文通过多轮文档累积协议发现检索增强型大语言模型存在监控控制差距，即模型能识别矛盾证据但无法安全约束最终建议，并揭示其机制在于行动选择缺陷。

MEMTIER: Tiered Memory Architecture and Retrieval Bottleneck Analysis for Long-Running Autonomous AI Agents

MEMTIER：面向长期运行的自主AI智能体的分层内存架构与检索瓶颈分析

Bronislav Sidik, Lior Rokach

机构 * Institute for Applied AI Research（应用人工智能研究所） ； Faculty of Computer and Information Science（计算机与信息科学学院） ； Ben-Gurion University of the Negev（贝内尔-加里翁大学） 纠错

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

AI总结 提出MEMTIER三层内存架构，通过结构化事件存储、五信号加权检索、注意力归因权重更新、异步合并机制和PPO策略，在LongMemEval-S基准上将全上下文基线准确率从5%提升至38%，并支持本地6GB GPU运行。

Comments 11 pages, 1 figure, 5 tables. Under review

Retrieval Is Not Enough: Why Organizational AI Needs Epistemic Infrastructure

检索是不够的：为什么组织AI需要认知基础设施

Federico Bottino, Carlo Ferrero, Nicholas Dosio, Pierfrancesco Beneventano

机构 * Kakashi Ventures Accelerator (KVA)（Kakashi Ventures加速器） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 本文提出OIDA框架，通过类型化知识对象、知识重力引擎和问题原语，解决组织AI中检索系统缺乏认知结构的问题，并引入认知质量评分（EQS）进行评估。

Comments 10 pages, 2 figures, 8 tables, 6 appendices

PersonalAI 2.0: Enhancing knowledge graph traversal/retrieval with planning mechanism for Personalized LLM Agents

PersonalAI 2.0：通过规划机制增强知识图谱遍历/检索以实现个性化大语言模型代理

Mikhail Menschikov, Matvey Iskornev, Alexander Kharitonov, Alina Bogdanova, Mikhail Belkin, Ekaterina Lisitsyna, Artyom Sosedka, Victoria Dochkina, Ruslan Kostoev, Ilia Perepechkin, Evgeny Burnaev

机构 * Huawei, Moscow, Russia（华为，莫斯科，俄罗斯） 纠错

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

AI总结 PersonalAI 2.0通过动态多阶段查询流程提升知识图谱遍历与检索能力，结合实体提取和生成线索查询，提升回答准确性，优于现有方法，且在多个基准测试中表现优异。

AgentSim: A Platform for Verifiable Agent-Trace Simulation

AgentSim：可验证代理跟踪模拟平台

Saber Zerhoudi, Michael Granitzer, Jelena Mitrovic

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

AI总结 本文提出AgentSim平台，通过多模型验证和主动人工参与流程，生成可验证的代理推理轨迹，构建了覆盖三个信息检索基准的Agent-Trace Corpus，并揭示了先进模型在信息检索中的系统性差异。

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

Context Kubernetes: Declarative Orchestration of Enterprise Knowledge for Agentic AI Systems

上下文Kubernetes：面向代理AI系统的企业知识声明式编排

Charafeddine Mouzouni

机构 * OPIT -- Open Institute of Technology（开放技术研究所） 纠错

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

AI总结 本文提出Context Kubernetes架构，通过声明式知识架构-as-code和三层权限模型，解决企业知识在代理AI系统中的安全编排问题，实验表明其在治理和安全性方面优于传统方法。

Comments 24 pages, 8 tables, 1 figure, 8 experiments (5 correctness + 3 value). Open-source prototype: https://github.com/Cohorte-ai/context-kubernetes

CARO: Chain-of-Analogy Reasoning Optimization for Robust Content Moderation

CARO：用于鲁棒内容审核的类比推理优化

Bingzhe Wu, Haotian Lu, Yuchen Mou

机构 * National Engineering Laboratory for Big Data System Computing Technology（大数据系统计算技术国家工程实验室） ； Shenzhen University（深圳大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） 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 CARO通过两阶段训练框架提升LLM的类比推理能力，有效缓解内容审核中的误导性决策短路问题，实验显示其在模糊审核基准上平均F1得分提升24.9%。

Comments Accepted to ACL 2026 findings; under official publication process

ADAM: A Systematic Data Extraction Attack on Agent Memory via Adaptive Querying

ADAM：通过自适应查询对代理记忆进行系统性数据提取攻击

Xingyu Lyu, Jianfeng He, Ning Wang, Yidan Hu, Tao Li, Danjue Chen, Shixiong Li, Yimin Chen

机构 * University of Massachusetts Lowell, USA（马萨诸塞大学洛厄尔分校） ； Amazon, USA（亚马逊） ； University of South Florida, USA（南佛罗里达大学） ； Rochester Institute of Technology, USA（罗切斯特理工学院） ； Purdue University, USA（普渡大学） ； North Carolina State University, USA（北卡罗来纳州立大学） 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ADAM攻击，通过估计受害者代理内存的数据分布和熵引导查询策略，提升隐私泄露效果，实验显示其攻击成功率高达100%。

Efficient and Effective Internal Memory Retrieval for LLM-Based Healthcare Prediction

高效且有效的内部内存检索用于基于大语言模型的医疗预测

Mingchen Li, Jiatan Huang, Zonghai Yao, Hong yu

机构 * University of Connecticut（康涅狄格大学） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校） ； University of Massachusetts, Lowell（马萨诸塞大学洛厄尔分校） ； UMass Chan Medical School（马萨诸塞大学陈医学院） 纠错

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

AI总结 本文提出K2K框架，通过内部键基知识访问提升LLM在医疗预测中的效率与准确性，实验显示在四个基准数据集上达到最佳性能。

Comments ACL 2026 (Findings), reviewer score: 3.5,3.5,4

ChunQiuTR: Time-Keyed Temporal Retrieval in Classical Chinese Annals

ChunQiuTR: 经典汉语编年史中的时间键检索

Yihao Wang, Zijian He, Jie Ren, Keze Wang

机构 * Sun Yat-Sen University（中山大学） ； Shaanxi Normal University（陕西师范大学） 纠错

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

AI总结 本文提出ChunQiuTR基准，通过编年史和注释传统构建，结合傅里叶绝对日历上下文与相对偏移偏差，提升时间键检索的准确性，支持历史RAG的忠实生成。

Comments 24 pages, 11 figures. To appear in Findings of ACL 2026

From Exposure to Internalization: Dual-Stream Calibration for In-context Clinical Reasoning

从暴露到内化：用于上下文临床推理的双流校准

Chuang Zhao, Hongke Zhao, Xiaofang Zhou, Xiaomeng Li

机构 * Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科技大学电子与计算机工程系） ； College of Management and Economics, Laboratory of Computation and Analytics of Complex Management Systems (CACMS), Tianjin University（天津大学管理与经济学部、复杂管理系统计算与分析实验室） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系） 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 本文提出双流校准框架，通过协同对齐两个校准流实现深度内化，提升临床推理的上下文适应能力，验证表明其在三个任务中优于现有方法。

PDF Retrieval Augmented Question Answering

PDF检索增强型问答

Thi Thu Uyen Hoang, Meenakshi Rajendran, Kun Zhang, Yuhan Wu, Viet Anh Nguyen

机构 * Saarland University（萨尔兰大学） 纠错

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

AI总结 本文提出基于检索增强生成框架的PDF多模态问答系统，通过整合非文本元素提升复杂查询的准确性与相关性。

Retrieval Augmented Time Series Forecasting

检索增强的时间序列预测

Kutay Tire, Ege Onur Taga, Muhammed Emrullah Ildiz, Samet Oymak

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） 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 本文提出检索增强预测框架RAF，用于提升时间序列预测的准确性，尤其在大规模模型中效果更显著。

MemMachine: A Ground-Truth-Preserving Memory System for Personalized AI Agents

MemMachine：一种保持事实真实性的记忆系统用于个性化AI代理

Shu Wang, Edwin Yu, Oscar Love, Tom Zhang, Tom Wong, Steve Scargall, Charles Fan

机构 * MemVerge, Inc.（MemVerge公司） 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 MemMachine是一种开源记忆系统，通过整合短期、长期事件和用户档案记忆，实现事实真实性保护，提升多会话交互的准确性和效率。

Comments 18 pages, 16 tables, 3 figures

An AI Teaching Assistant for Motion Picture Engineering

为电影工程专业设计的AI助教

Deirdre O'Regan, Anil C. Kokaram

机构 * Trinity College Dublin（都柏林圣三一大学） 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 本文介绍基于RAG技术的AI助教在电影工程硕士课程中的应用，通过实验证明其在教学环境中的有效性，并展示学生反馈和评估结果。

Comments Accepted for publication in IEEE Signal Processing Magazine

Beyond Retrieval: Modeling Confidence Decay and Deterministic Agentic Platforms in Generative Engine Optimization

超越检索：在生成引擎优化中建模置信度衰减与确定性代理平台

XinYu Zhao, ChengYou Li, XiangBao Meng, Kai Zhang, XiaoDong Liu

机构 * National University of Singapore（新加坡国立大学） ； Yishu Research（艺树研究） ； Fukuoka Institute of Technology（福冈工业大学） 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 本文提出通过确定性多代理意图路由替代传统检索增强生成方法，建模置信度衰减并构建代理信任经纪生态系统，实验证明显著降低垂直任务幻觉率。

AICCE: AI Driven Compliance Checker Engine

AICCE：基于人工智能的合规检查引擎

Mohammad Wali Ur Rahman, Martin Manuel Lopez, Lamia Tasnim Mim, Carter Farthing, Julius Battle, Kathryn Buckley, Salim Hariri

机构 * University of Arizona（亚利桑那大学） ； Avirtek, Inc.（Avirtek公司） ； Joint Interoperability Test Command (JITC), United States Department of Defense（美国国防部联合互操作性测试司令部） 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AICCE，一种结合双架构推理与检索增强生成的新型生成系统，用于自动化IPv6合规性验证，通过语义编码提升检测精度，实现99%的准确率和F1分数。

Comments Accepted for publication in IEEE Transactions on Artificial Intelligence

RAGnaroX: A Secure, Local-Hosted ChatOps Assistant Using Small Language Models

RAGnaroX：一种使用小型语言模型的安全、本地托管的ChatOps助手

Benedikt Dornauer, Mircea-Cristian Racasan

机构 * University of Innsbruck（因斯布鲁克大学） ； c.c.com Moser GmbH（c.c.com Moser有限公司） 纠错

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

AI总结 RAGnaroX是一种基于本地硬件的高效ChatOps助手，采用Rust实现，提供可审计的本地解决方案，通过模块化数据摄入、混合检索和函数调用实现灵活安全的部署。