给时间序列模型检索历史案例，曲线形状相似却可能高低不同、时间错位，直接塞进上下文反而会误导预测。斯坦福大学与亚马逊提出Align-RAG，用两个免训练变换先对齐振幅和相位。
在冻结的Chronos-Bolt上，Align-RAG在标准七数据集的MSE平均比训练式检索适配器低3.75%。同一配置迁移到另外四种冻结模型，零样本MSE改善2.5%至13.7%，没有为每种骨干单独调参。
检索之后先校准高低和时间差
系统先从历史库找出过去—未来窗口，再对每一对样本做闭式振幅缩放和整数滞后相位平移。变换只让检索片段的过去部分贴近当前查询，同时保留它与未来部分的对应关系，之后才把案例打包成上下文示例。
论文图1：检索窗口先做振幅与相位对齐，再作为示例进入冻结的时间序列基础模型。
这套流程没有新增可学习融合模块，最终预测会与检索到的对齐未来所形成的距离加权先验组合。对照实验显示，主要收益来自对齐，而非换了更复杂的检索排序。
模型的变化接近一个岭回归预测器
团队比较模型看到对齐示例前后的预测变化，与同一批样本上的闭式岭回归变化。对齐后两者相关性从约0.30升到约0.45；把示例未来随机打乱后，相关结构仍在，但预测误差恶化，排除了模型只是平均未来曲线的解释。
论文图2：振幅对齐提高模型变化与闭式预测器的一致性，打乱未来则反转误差收益。
一个ETTm1样例中，对齐把MSE降低2.9倍，模型预测变化与岭回归变化的相关系数达到0.94；这是解释性案例，不代表所有窗口都有同样幅度。
论文图3：原始检索片段相位和振幅不合，对齐后围绕查询聚集并改善未来轨迹。
目前只验证标准单变量基准
作者明确把机制结果称为相关性证据，整体相关系数远未达到理论等价。主实验沿用单变量TS-RAG基准，多变量协变量和分布漂移尚未覆盖；检索与对齐的完整消融也只在Chronos-Bolt上完成。
Align-RAG适合作为训练适配器前的低成本基线。进入电力、金融或供应链预测时，还要单独检查异常事件、外生变量和数据泄漏，不能只凭平均MSE决定上线。
