MGRetrieval: Memory-Guided Reflective Retrieval for Long-Term Dialogue Agents
Northwestern Polytechnical University(西北工业大学)
提出MGRetrieval方法,通过记忆引导的反思检索构建精确检索路径,逐步积累关键记忆,提升长期对话代理中相关证据的检索效果。
2026-05-22 cs.AI cs.IR
GeAR: Graph-enhanced Agent for Retrieval-augmented Generation
Huawei Technologies Co., Ltd.(华为技术有限公司)
GeAR通过图扩展机制增强基础检索器,并集成智能体框架实现多步检索,在MuSiQue等数据集上取得超10%的性能提升。
2025-06-22 cs.AI cs.CL cs.IR
ARCagent: An Adaptive Retrieval Calibration Agent for Clinical Question Answering
ARCagent是一个针对ME/CFS临床问答的自适应检索校准智能体,通过构建含冲突登记表的知识库、冲突感知检索校准流程及LLM评判基准,达到95.3%性能,优于基础大语言模型。
2026-09-30 cs.AI cs.IR
From Naive RAG to Deep Agentic Retrieval: An Evolving Context Engineering Pipeline for Regulatory Compliance
Ontario Power Generation(安大略发电公司);Dalhousie University(达尔豪斯大学)
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。
2026-07-29 cs.AI cs.CL cs.IR
ADEPT: An Entropy-Driven Dual-Strategy Agent for Interactive Video Retrieval
提出ADEPT框架,通过熵驱动的决策引擎动态选择ASK或REFINE策略,解决用户意图与查询之间的鸿沟,在交互式视频检索中显著超越现有基线。
2026-05-07 cs.AI cs.IR
One Model Is Enough: Native Retrieval Embeddings from LLM Agent Hidden States
Temple University(特拉华大学)
本文提出通过轻量级投影头使LLM代理具备原生检索能力,无需额外嵌入模型,保留97%检索质量并在QReCC基准测试中表现优异。
2026-03-09 cs.AI cs.CL cs.IR
Reformulate, Retrieve, Localize: Agents for Repository-Level Bug Localization
Concordia University(康科迪亚大学);Toronto Metropolitan University(多伦多 Metropolitan 大学)
本文提出利用LLM代理通过查询重新表述和摘要改进仓库级缺陷定位,实现更高效的文件级定位性能。
2025-12-07 cs.AI cs.IR cs.SE
SPAR: Scholar Paper Retrieval with LLM-based Agents for Enhanced Academic Search
Beijing Academy of Artificial Intelligence(北京智源人工智能研究院);Beijing Jiaotong University(北京交通大学)
SPAR是一个基于大语言模型的多智能体学术检索框架,通过RefChain查询分解与查询演化提升搜索效果,并构建专家标注基准SPARBench,在多个基准上显著超越现有方法。
2025-07-21 cs.AI cs.IR
LLM Agents Factory: Retrieval of Domain-Specific LLM Agents
Sber AI;Moscow Institute of Physics and Technology(莫斯科物理技术学院);National University of Science and Technology MISIS(莫斯科国立科学技术大学MISIS);Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究所);Artificial Intelligence Research Institute(人工智能研究所)
本研究提出LLM Agents Factory框架,通过检索2万余个预设智能体配置文件按需构建领域特定智能体,在多基准测试中实现高准确率与低推理成本,为工业应用提供动态智能体生成的替代方案。
2026-08-12 cs.AI cs.CL
Agent-Orchestrated Adaptive RAG: A Comparative Study on Structured and Multi-Hop Retrieval
University of California, Berkeley(加州大学伯克利分校);University of Washington(华盛顿大学);University of California, Los Angeles(加州大学洛杉矶分校)
提出Agent编排的自适应RAG框架,通过动态查询分解、迭代检索和自反思评估,在结构化领域(DevOps)和多跳推理基准(MuSiQue)上对比发现,查询分解在结构化领域提升性能但降低多跳排名精度,反思机制提高引用准确性但增加延迟,表明Agent增强需根据查询和领域特性选择性应用。
2026-06-04 cs.AI cs.IR
PRISM: Agentic Retrieval with LLMs for Multi-Hop Question Answering
Department of Computing Science University of Alberta(计算科学系阿尔伯塔大学)
本研究提出PRISM智能体检索框架,通过三个专门LLM智能体迭代交互优化多跳问答的证据检索,在四个基准上性能优于强基线,减少无关信息并提升下游QA模型表现。
2026-08-31 cs.AI cs.CL cs.IR
Retrieval-Augmented LLM Agents: Learning to Learn from Experience
NAVER LABS Europe(NAVER实验室欧洲)
本文提出结合微调与经验检索的方法,通过LoRA优化SFT流程,分析经验检索关键设计,提出整合经验检索的训练流程,提升代理对新任务的泛化能力。
2026-09-01 cs.AI cs.CL
DARE: Aligning LLM Agents with the R Statistical Ecosystem via Distribution-Aware Retrieval
Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University, Hong Kong SAR, China(数据科学与人工智能系,香港理工大学,香港特别行政区,中国);Department of Applied Mathematics, The Hong Kong Polytechnic University, Hong Kong SAR, China(应用数学系,香港理工大学,香港特别行政区,中国)
DARE通过整合数据分布信息提升R包检索效果,构建了面向R的LLM代理以实现更高效的统计分析任务。
2026-11-03 cs.AI cs.CL cs.IR
PaperQA: Retrieval-Augmented Generative Agent for Scientific Research
Future House(未来之家);Francis Crick Institute(弗朗西斯·克里克研究所);Align to Innovate(创新对齐组织);University of Oxford(牛津大学);University of Rochester(罗切斯特大学)
针对大语言模型的幻觉与不可解释性问题,提出面向科研的检索增强生成式智能体PaperQA,其性能优于现有同类模型,同时发布更复杂的文献问答基准LitQA,且该智能体在该基准上表现与人类专家相当。
2023-12-14 cs.AI cs.CL cs.LG
FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering
University of Florida(佛罗里达大学)
针对金融领域缺乏多步推理检索评估基准的问题,本文提出首个金融智能体检索基准FinAgentBench,含2.6万条专家标注样本,分离两步推理评估,验证了微调可显著提升性能。
2025-10-03 cs.AI cs.CL cs.IR
ActMem: Bridging the Gap Between Memory Retrieval and Reasoning in LLM Agents
State Key Laboratory for Novel Software Technology, Nanjing University, China(南京大学新型软件技术国家重点实验室);Alibaba Group, Hangzhou, China(阿里巴巴集团,杭州,中国);National Institute of Healthcare Data Science, Nanjing University, China(南京大学健康数据科学国家研究院)
提出ActMem框架,通过将非结构化对话历史转化为结构化因果语义图,结合反事实推理和常识补全,实现主动因果推理,显著提升LLM代理在复杂记忆依赖任务中的表现。
2026-06-18 cs.AI cs.CL cs.IR
SPARK: Search Personalization via Agent-Driven Retrieval and Knowledge-sharing
Texas State University(德克萨斯州立大学)
提出SPARK框架,利用基于角色的多智能体LLM协作实现动态个性化搜索,通过协调器激活相关专家智能体,结合记忆和推理模块,从分布式行为中涌现个性化特性。
2026-05-23 cs.AI
Dynamic Multi-Agent Orchestration and Retrieval for Multi-Source Question-Answer Systems using Large Language Models
BNDES - Área de Tecnologia da Informação(巴西国家经济社会发展银行信息技术部);PUC-Rio(里约热内卢天主教大学)
本文提出一种结合LLM检索的多智能体编排与动态检索方法,利用SQL、RAG等专用智能体动态选择策略并采用动态提示工程,有效整合结构化与非结构化数据,显著提升了多源问答系统的准确性和可扩展性。
2024-12-23 cs.AI
V-Agent: An Interactive Video Search System Using Vision-Language Models
Korea Advanced Institute of Science and Technology(韩国科学技术院)
V-Agent通过多智能体协作和视觉-语言模型提升视频搜索性能,实现多模态交互与零样本性能。
2026-01-07 cs.AI cs.CV cs.IR
VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval
State Key Lab of General AI, School of Intelligence Science and Technology, Peking University(北京大学智能科学与技术学院通用人工智能省部共建国家重点实验室)
该研究提出VisDocAgentBench基准,对比静态与智能体检索,发现视觉检索优于OCR文本检索,智能体可改善双桥项检索性能,为检索智能体发展提供方向。
2026-08-27 cs.AI cs.CV cs.IR
Relevance as a Vulnerability: How Web Retrieval Degrades Safety Alignment in LLM Agents
Department of Electrical and Computer Engineering(电子与计算机工程系);National University of Singapore(新加坡国立大学)
本文提出AgentREVEAL框架,分析检索集成方式和内容属性如何导致LLM智能体安全退化,发现相关性是共同激活条件,并引入HarmURLBench基准。
2026-09-01 cs.AI cs.CL cs.CR
SPD-RAG: Sub-Agent Per Document Retrieval-Augmented Generation
TOBB University of Economics and Technology(托布大学经济与技术学院);OSTIM Technical University(OSTIM技术大学)
SPD-RAG通过文档级子代理和集中融合提升多文档问答性能,实现高效检索与生成。
2026-03-09 cs.AI cs.CL cs.IR
Efficient Agent: Optimizing Planning Capability for Multimodal Retrieval Augmented Generation
OPPO Research Institute(OPPO研究院);OPPO AI Center(OPPO人工智能中心)
提出E-Agent智能体框架,通过mRAG规划器和工具感知执行序列优化多模态检索增强生成的规划能力,并引入RemPlan基准,在准确率提升13%的同时减少37%冗余搜索。
2025-08-12 cs.AI
Learning to Retrieve from Agent Trajectories
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);CAS Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所人工智能安全重点实验室)
本文提出从智能体交互数据直接训练检索模型的新方法,通过分析轨迹中的行为信号,提出LRAT框架提升检索性能。
2026-03-30 cs.AI cs.CL cs.IR
Bias-Aware Agent: Enhancing Fairness in AI-Driven Knowledge Retrieval
Salesforce(赛富时公司)
本研究提出一种基于智能体框架和偏见检测器的偏见感知知识检索方法,旨在识别并突出检索内容中的固有偏见,增强用户透明度和公平性,推动负责任AI发展。
2025-03-27 cs.AI cs.CL cs.IR
Agent-UniRAG: A Trainable Open-Source LLM Agent Framework for Unified Retrieval-Augmented Generation Systems
Viettel Group(越通集团);Hanoi University of Science and Technology(河内科学技术大学)
本文提出可训练开源框架Agent-UniRAG,通过LLM智能体根据输入复杂度以端到端方式逐步处理单跳与多跳查询,并引入SynAgent-RAG数据集使小型开源LLM在多RAG基准上达到与闭源大模型相当的性能。
2025-05-30 cs.AI cs.CL cs.DB
Beyond Outcome Rewards: Constructing and Assigning Retrieval Credit for Search Agents
University of Edinburgh(爱丁堡大学);Huawei Technologies Research & Development (UK) Limited(华为技术研发(英国)有限公司)
本文针对搜索智能体强化学习中稀疏结果奖励导致的信用分配难题,系统研究中间监督信号,提出结合中间信号与结果奖励的训练框架,并在多基准上验证了性能提升,凸显奖励设计与信用分配的关键作用。
2026-10-08 cs.AI cs.CL cs.LG
Diagnosing Retrieval vs. Utilization Bottlenecks in LLM Agent Memory
University of California, San Diego(加利福尼亚大学圣迭戈分校);Carnegie Mellon University(卡内基梅隆大学);University of North Carolina(北卡罗来纳大学)
本文通过3x3实验分析写入策略、检索方法和记忆利用行为对性能的影响,发现检索方法是主要瓶颈,且原始分块存储在无需LLM调用时表现优异。
2026-04-12 cs.AI
SkillRet: A Large-Scale Benchmark for Skill Retrieval in LLM Agents
ThakiCloud
本文提出SkillRet基准,用于评估LLM代理中的技能检索。该基准包含17810个公开技能,提供63259个训练样本和4997个评估查询,通过任务特定微调显著提升了检索性能。
2026-09-02 cs.AI
Don't Just Listen, Try Planning: Graph-based Retrieval-Generation Agent for Long-form Audio Meeting Understanding
Jiangsu Key Lab of Language Computing(江苏省语言计算重点实验室)
针对长音频会议理解任务的问答数据集稀缺及现有语音模型的声学信息丢失、长期记忆差问题,构建LongAudioQA数据集,提出基于图的GRGA模型,利用智能体规划实现检索与答案生成。
2026-08-26 cs.AI cs.SD
Memanto: Typed Semantic Memory with Information-Theoretic Retrieval for Long-Horizon Agents
Moorcheh
Memanto通过信息论检索引擎实现高效持久记忆,无需复杂知识图谱,提升长周期智能体性能,实现89.8%和87.1%的高准确率。
2026-04-23 cs.AI
CodeGrep: An RL-Trained Retrieval Agent for LLM Coding Agents
Netease Guangzhou AI Lab(网易广州人工智能实验室)
该研究针对LLM编码智能体查找文件效率低的问题,提出基于GRPO训练的14B检索智能体CodeGrep,在SWE-Bench Verified上保持解决率的同时,减少了交互轮数和token使用量。
2026-08-07 cs.AI cs.SE
UpliftMem: Learning Set-Level Uplift for Agent Memory Retrieval
MIIT Key Laboratory of Data and Decision Intelligence(工业和信息化部数据与决策智能重点实验室);Beihang University(北京航空航天大学)
针对LLM智能体记忆检索中反馈成本高的问题,提出UpliftMem,通过集合级执行提升学习检索,利用EVSI准则分配探测,在多个基准上取得最优成功率。
2026-11-20 cs.AI
FLAIRR-TS -- Forecasting LLM-Agents with Iterative Refinement and Retrieval for Time Series
Google(谷歌);Carnegie Mellon University(卡内基梅隆大学)
FLAIRR-TS提出一种测试时提示优化框架,通过预测智能体与精炼智能体的迭代协作,结合检索相似样本自适应改进提示,在无需微调的情况下提升LLM时间序列预测精度,接近专用提示性能。
2025-08-24 cs.AI cs.CL
Quantifying the Accuracy and Cost Impact of Design Decisions in Budget-Constrained Agentic LLM Search
本研究探讨了预算约束下代理LLM搜索中搜索深度、检索策略和完成预算对准确性和成本的影响,并提供了可重复的评估方法和实验结果。
2026-03-09 cs.AI
CoEvo-Mem: Co-Evolving Retrieval Policy and Memory Bank for LLM Agents
CoEvo-Mem是协同演化检索策略与记忆库的闭环框架,通过交替更新路由器与记忆库,在七个基准测试中实现了大语言模型智能体的最先进性能。
2026-08-04 cs.AI
HERO: Human-profile Enhanced Retrieval Optimization Framework for Long-term Agent Memory
China Mobile Information Technology Co., Ltd.(中国移动信息技术有限公司)
本研究提出HERO框架,通过异构记忆图保留原始对话文本,结合人像优化检索,在两个基准数据集上提升了智能体的事实与个性化推理性能。
2026-08-25 cs.AI
Bias Mitigation Agent: Optimizing Source Selection for Fair and Balanced Knowledge Retrieval
Salesforce
针对智能体AI因继承内外部信息源偏见而导致检索信息不公平、不平衡的问题,本文提出多智能体系统Bias Mitigation Agent,通过专门智能体优化源选择以缓解偏见,实验显示其较基线朴素检索策略偏见减少81.82%。
2025-08-26 cs.AI cs.CL
Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents
Shanghai Jiao Tong University(上海交通大学);National University of Singapore(新加坡国立大学);OPPO
受认知神经科学启发,提出REALM框架,通过自主组织异质认知图、自适应图搜索和基于检索反馈的记忆再巩固,实现LLM智能体长期记忆的持续演化,在LoCoMo和LongMemEval上分别提升7.17和1.31个百分点。
2026-09-16 cs.AI cs.CL
EdgeMem: LLM-Free Agent Memory Construction and Retrieval via Evidence-Preserving Multi-Anchor Hypergraph
The Hong Kong Polytechnic University(香港理工大学);JIUTIAN Research, China Mobile(中国移动九天研究院)
EdgeMem通过保留原始交互并利用多锚点超图组织证据,实现无生成式LLM调用的高效智能体记忆构建与检索,在LoCoMo上取得最优严格评判分数。
2026-09-09 cs.AI cs.MA
Superintelligent Retrieval Agent: The Next Frontier of Agentic Retrieval
Meta Superintelligence Labs(Meta超级智能实验室);Rice University(里士满大学)
提出SIRA,通过单次语料判别性检索压缩多轮探索,利用LLM丰富文档词汇、预测查询缺失词汇并基于语料统计过滤,在BEIR基准上取得最强平均检索性能,并在下游QA任务中超越RL训练的代理系统。
2026-08-26 cs.AI cs.IR cs.LG
Agent Retrieval Bench: Evaluating Repository Context Retrieval for Coding Agents
National University of Singapore (NUS)(新加坡国立大学);Peking University(北京大学)
研究代码智能体仓库上下文检索问题,引入智能体检索基准,涵盖多种检索任务和样本。评估多种检索方法,发现无单一方法占优,存在校准差距,且记录轨迹有缺失。通过试验表明检索得出的初始上下文有优势,神谕金上下文还有提升空间。
2026-07-29 cs.AI cs.CL cs.IR
VLD-RAG: Agentic Vision-Language Retrieval-Augmented Generation for Long, Visually-Rich Multi-Page Documents
Mazelone(马泽隆)
研究针对视觉丰富的长文档问答的多模态检索增强生成,提出VLD-RAG框架,构建多模态索引并采用混合检索策略,经智能体工作流程协调,在相关基准上提升了证据页面检索及问答表现,凸显协调验证与混合检索的重要性。
2026-07-29 cs.AI cs.CL cs.IR
Agentic Information Retrieval
本文提出智能体信息检索(Agentic IR),由LLM和AI智能体驱动,将信息从静态项扩展为动态信息状态,系统探讨其任务、架构、评估等,奠定下一代IR基础。
2025-02-23 cs.AI cs.IR
A Reference Architecture for Agentic Hybrid Retrieval in Dataset Search
Centre for Industrial Software University of Southern Denmark(工业软件中心 欧洲南部大学)
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。
2026-03-28 cs.AI cs.IR
MATRAG: Multi-Agent Transparent Retrieval-Augmented Generation for Explainable Recommendations
ACM
MATRAG通过多智能体协作与知识图谱增强检索,提升推荐系统的透明性和可解释性,实验表明其在准确率和可信度上均优于现有方法。
2026-02-11 cs.AI cs.IR
Adaptive Multi-Agent Reasoning for Text-to-Video Retrieval
Shenzhen University(深圳大学);The Hong Kong Polytechnic University(香港理工大学);Sichuan University(四川大学)
本文提出自适应多智能体框架,通过动态协调检索、推理和查询重述智能体,提升文本到视频检索的零样本跨模态对齐与复杂查询处理能力。
2025-12-02 cs.AI cs.IR cs.MM
The Crowded Embedding Space: A Mean-Field Mechanism for Emergent Marginalization in Retrieval-Augmented Agents
研究检索增强型智能体中密集检索导致少数内容被边缘化的问题,通过静态和动态分析揭示平均场机制,证明局部相关性目标会系统性地排斥少数兴趣。
2026-06-01 cs.AI cs.IR
A Multi-Agent Perspective on Modern Information Retrieval
本文针对 LLM 驱动下查询、文档与排序均可由智能体完成的新型 IR 场景,提出多智能体视角,并通过实证表明智能体交互显著影响系统性能,呼吁重建建模与评估框架。
2025-02-20 cs.IR
Reasoning RAG via System 1 or System 2: A Survey on Reasoning Agentic Retrieval-Augmented Generation for Industry Challenges
Beijing University of Posts and Telecommunications(北京邮电大学);University of Georgia(佐治亚大学);South China University of Technology(华南理工大学);Technical University of Munich, University of Cologne(慕尼黑技术大学、科隆大学);SenseTime Research(商汤科技研究院);Qingyuan Research Institute, Shanghai Jiaotong University(青原研究院,上海交通大学)
本文针对传统RAG在复杂真实场景的不足,综述推理智能体RAG技术,将其分为预定义推理与智能体推理两类,分析相关技术并提出未来研究方向。
2025-06-12 cs.AI cs.IR
Structured Linked Data as a Memory Layer for Agent-Orchestrated Retrieval
WordLift
本文提出通过结构化链接数据提升代理协调检索的准确性与回答质量,实验表明增强实体页面格式显著提高检索性能。
2026-03-11 cs.AI cs.IR
Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG
Cleveland State University(克利夫兰州立大学);Kent State University(肯特州立大学);Northeastern University(东北大学);Roux Institute at Northeastern University(东北大学鲁克斯研究所);University of Agder (UiA)(阿格德尔大学)
本文综述了代理RAG系统,分析了其架构分类、设计权衡及应用,指出其在灵活性、可扩展性和上下文感知方面的优势,并探讨了未来研究方向。
2026-04-01 cs.AI cs.CL cs.IR
XR: Cross-Modal Agents for Composed Image Retrieval
BCML, Heriot-Watt University(爱丁堡大学)
XR通过多代理协作提升组合图像检索性能,实现38%的提升
2026-02-27 cs.IR
Adapting Embedding Models for Agent Capability Retrieval
University of Technology Sydney(悉尼科技大学);Squirrel AI Learning(松鼠AI学习)
研究如何让一般文本检索的现成模型适应智能体能力检索,通过微调三个模型在特定数据集上训练,测试其在未训练目录上的迁移能力,结果显示适应对两个目录均有帮助。
2026-07-21 cs.IR