Beyond Chunks and Graphs: Retrieval-Augmented Generation through Triplet-Driven Thinking
Emory University（埃默里大学）；Amazon（亚马逊）；Microsoft（微软）
提出T$^2$RAG框架，利用三元组知识库和迭代检索，在六数据集上平均性能提升11%，检索成本降低45%。
2026-06-16 cs.IR
QE-RAG: A Robust Retrieval-Augmented Generation Benchmark for Query Entry Errors
针对RAG基准未考虑用户查询输入错误的问题，提出首个鲁棒基准QE-RAG，通过注入错误评估模型表现，并设计基于对比学习的检索器训练与查询纠正方法，显著提升了RAG在查询错误下的鲁棒性且兼容现有方法。
2025-04-05 cs.IR
Mindful-RAG: A Study of Points of Failure in Retrieval Augmented Generation
针对基于知识图谱的检索增强生成系统存在的回答不准确问题，研究识别出八个关键失败点，提出基于意图、上下文对齐的Mindful-RAG框架，有效提升大语言模型回答的正确性与相关性。
2024-10-06 cs.IR
Creating a Taxonomy for Retrieval Augmented Generation Applications
本研究针对目前缺乏全面RAG应用分类体系的问题，采用ACL领域不常见的四阶段迭代方法构建了包含五个元维度和十六个维度的分类体系，可助力理解RAG应用并推导特定领域未来解决方案的设计知识。
2025-02-18 cs.IR
Doctor-RAG: A Failure-Aware Repair Framework for Agentic Retrieval-Augmented Generation
Harbin Institute of Technology（哈尔滨工业大学）；Meituan（美团）；Macquarie University（麦考瑞大学）；UNSW Sydney（新南威尔士大学）
提出Doctor-RAG框架，通过显式错误定位和前缀复用，在智能RAG中实现高效诊断与局部修复，显著提升多跳问答准确率。
2026-06-15 cs.IR
T$^2$-RAGBench: Text-and-Table Benchmark for Evaluating Retrieval-Augmented Generation
T$^2$-RAGBench是一个用于评估检索增强生成在文本和表格数据上性能的基准，通过上下文无关的问题测试RAG方法，发现Hybrid BM25在处理此类数据时表现最佳，但仍然对最先进的模型构成挑战。
2026-01-16 cs.IR
Cog-RAG: Cognitive-Inspired Dual-Hypergraph with Theme Alignment Retrieval-Augmented Generation
Cog-RAG通过双超图结构和主题对齐策略，提升检索增强生成的语义对齐与生成一致性。
2025-12-16 cs.IR
mmRAG: A Modular Benchmark for Retrieval-Augmented Generation over Text, Tables, and Knowledge Graphs
针对现有RAG评估侧重文本、依赖不透明端到端评估的局限，研究推出覆盖文本、表格与知识图谱的模块化基准mmRAG，可细粒度评估RAG组件，并确立了基准性能。
2025-05-16 cs.IR
Telco-RAG: Navigating the Challenges of Retrieval-Augmented Language Models for Telecommunications
本文提出开源框架Telco-RAG，针对3GPP等电信标准文档的复杂性和快速演进问题，解决在高度技术性内容上实施RAG流水线的关键挑战，并为其他技术领域提供RAG实施指南。
2024-08-07 cs.IR eess.SP
RAGVUE: A Diagnostic View for Explainable and Automated Evaluation of Retrieval-Augmented Generation
University of Luxembourg（卢森堡大学）
RAGVUE通过分解RAG行为并提供结构化解释，实现无参考的自动评估，揭示RAG流程中的细粒度失败。
2025-12-03 cs.CL cs.IR
M-RAG: Reinforcing Large Language Model Performance through Retrieval-Augmented Generation with Multiple Partitions
Huawei Technologies, Co., Ltd.（华为技术有限公司）
本文提出M-RAG，一种基于多分区数据库的检索增强生成范式，利用多智能体强化学习优化大语言模型，在摘要、翻译和对话任务上分别提升11%、8%和12%。
2024-05-26 cs.CL cs.IR
Harnessing Retrieval-Augmented Generation (RAG) for Uncovering Knowledge Gaps
本研究提出利用RAG模型模拟用户搜索行为以发现互联网知识缺口的方法，验证其生成相关建议的准确率达93%，可应用于多领域，为后续工作提供指导。
2023-12-12 cs.AI cs.CL cs.IR
Graphs RAG at Scale: Beyond Retrieval-Augmented Generation With Labeled Property Graphs and Resource Description Framework for Complex and Unknown Search Spaces
Capital Group（资本集团）
本文提出了一种端到端的图RAG框架，利用标记属性图和资源描述框架解决传统RAG在未知搜索空间和半结构化数据中的局限，提升准确性和查询生成效率。
2026-03-21 cs.AI cs.IR
ArchRAG: Attributed Community-based Hierarchical Retrieval-Augmented Generation
Microsoft（微软）
ArchRAG通过引入属性社区和层次聚类方法，提升图数据检索效率与生成准确性，降低token消耗。
2026-05-11 cs.AI cs.IR
PRA-RAG: Provably Robust Aggregation in Retrieval-Augmented Generation against Retrieval Corruption
提出PRA-RAG算法，通过采样检索文本组合并利用嵌入空间几何结构选择鲁棒子集，提供理论鲁棒性保证，在多个基准上将攻击成功率降至1%同时保持71%准确率。
2026-07-02 cs.AI cs.IR
RAG-Fusion: a New Take on Retrieval-Augmented Generation
Infineon Technologies（英飞凌科技）
针对快速获取产品信息的需求，本研究评估了结合RAG与RRF的RAG-Fusion方法，发现其能生成更准确全面的答案，但存在查询相关性不足时答案偏题的问题，为AI与NLP的行业应用提供了新进展。
2024-02-21 cs.IR cs.LG
RAGO: Systematic Performance Optimization for Retrieval-Augmented Generation Serving
ETH Zurich（苏黎世联邦理工学院）；Google（谷歌公司）；Google DeepMind（谷歌DeepMind）
针对RAG变体多、工作负载性能差异大导致的高效服务难题，该研究提出结构化抽象RAGSchema，分析不同负载性能差异，并推出系统优化框架RAGO，实现单芯片QPS最高2倍提升、首令牌时延降低55%。
2025-03-21 cs.AI cs.CL cs.DC
S2G-RAG: Structured Sufficiency and Gap Judging for Iterative Retrieval-Augmented QA
Soochow University（苏州大学）
S2G-RAG通过结构化充分性判断和间隙判断机制，提升多跳问答的准确性和鲁棒性，适用于多轮检索流程。
2026-04-26 cs.AI cs.IR
TA-RAG: Tone-Aware Retrieval-Augmented Generation for Peer-Support Health Communication
Swinburne University of Technology（斯winburne大学）
提出TA-RAG框架，通过轻量级提示在RAG管道中嵌入语气控制（无污名化、可读性调整、受众适应、同理心改写），无需微调模型，提升敏感健康沟通质量。
2026-06-15 cs.CL cs.IR
RAGe: A Retrieval-Augmented Generation Evaluation Framework
School of Technology, Pontifical Catholic University of Rio Grande do Sul（里约格兰德杜斯-萨尔大学技术学院）
提出模块化框架RAGe，通过资源遥测和组件推荐，评估检索增强生成应用在准确性、效率和可扩展性之间的权衡，支持领域特定数据集的最佳组件选择。
2026-05-23 cs.AI cs.IR
Typed-RAG: Type-Aware Decomposition of Non-Factoid Questions for Retrieval-Augmented Generation
本文提出Typed-RAG框架，通过将非事实型问题分类为预定义类型并分解为单方面子查询，提升检索相关性与答案质量，并构建Wiki-NFQA基准数据集验证其优于现有方法。
2025-07-22 cs.CL cs.IR
Prompt-RAG: Pioneering Vector Embedding-Free Retrieval-Augmented Generation in Niche Domains, Exemplified by Korean Medicine
Gachon University（嘉泉大学）；Stanford University（斯坦福大学）
针对小众领域中通用向量嵌入适用性不足的问题，本文提出无需嵌入向量的Prompt-RAG，并以韩医学QA验证其在相关性和信息性上优于ChatGPT及传统RAG。
2024-01-20 cs.CL cs.IR
RAGE Against the Machine: Retrieval-Augmented LLM Explanations
University of Waterloo（滑铁卢大学）；York University（约克大学）
本文提出RAGE，一个交互式工具，通过反事实分析和剪枝方法解释检索增强的大语言模型，帮助用户识别影响答案的关键上下文并查看答案来源。
2024-05-11 cs.AI cs.CL cs.IR
Optimizing and Evaluating Enterprise Retrieval-Augmented Generation (RAG): A Content Design Perspective
IBM（国际商业机器公司）
本文从内容设计视角分享企业级RAG的构建经验，提出模块化、与模型无关的解决方案策略，发现简单调整知识库内容创建方式对RAG成功影响巨大，并采用灵活的“以人为先”方法监控评估新用户问题的响应。
2024-10-01 cs.AI cs.IR
OmniBench-RAG: A Multi-Domain Evaluation Platform for Retrieval-Augmented Generation Tools
Huazhong University of Science（华中科技大学）
针对RAG评估缺乏多领域覆盖和标准化框架的问题，提出OmniBench-RAG自动化平台，通过改进和转换两个指标，在九个领域评估RAG性能，揭示其效果因领域而异，强调系统化评估的重要性。
2025-07-26 cs.AI cs.IR
Engineering the RAG Stack: A Comprehensive Review of the Architecture and Trust Frameworks for Retrieval-Augmented Generation Systems
The AI Alliance（AI联盟）；IBM Research（IBM研究院）
本文综述了RAG系统架构和信任框架，提出统一分类学和评估框架，为构建安全且领域适应性强的RAG系统提供指导。
2025-11-07 cs.AI cs.IR
RAG-Safety-Bench: Reliable Evaluation of Retrieval-Augmented LLM Safety
University of Ottawa（渥太华大学）
提出RAG-Safety-Bench基准，通过四种条件隔离检索质量影响，评估RAG对LLM安全性的影响，发现良性能力与不安全能力呈反比，基线安全护栏无法保证RAG下游安全。
2026-09-11 cs.CL cs.IR
A Comprehensive Survey of Retrieval-Augmented Generation (RAG): Evolution, Current Landscape and Future Directions
Carnegie Mellon University（卡内基梅隆大学）；BIT Sindri（辛德里贝拉理工学院）
本文全面综述了检索增强生成（RAG）的演进、架构、技术进展与应用，探讨了现有挑战并提出了未来方向，为理解RAG在NLP领域的潜力提供基础资源。
2024-10-03 cs.AI cs.CL cs.IR
DyG-RAG: Dynamic Graph Retrieval-Augmented Generation with Event-Centric Reasoning
Beihang University（北航大学）；Guangxi Normal University（广西师范大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
DyG-RAG提出以事件为中心的动态图检索增强生成框架，通过动态事件单元、事件图和时间思维链策略，解决大语言模型在时间敏感查询上的时间推理难题，并在时间问答基准上显著提升准确率与召回率。
2025-07-16 cs.CL cs.IR
Stochastic RAG: End-to-End Retrieval-Augmented Generation through Expected Utility Maximization
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Google（谷歌公司）
本文提出Stochastic RAG，将检索建模为无放回随机采样，并利用straight-through Gumbel-top-k实现端到端可微优化，在七个数据集中六个上取得最先进结果。
2024-05-05 cs.CL cs.IR cs.LG
PIR-RAG: A System for Private Information Retrieval in Retrieval-Augmented Generation
University of Washington（华盛顿大学）；University of Central Florida（中央佛罗里达大学）
针对RAG中用户查询暴露的隐私风险，提出PIR-RAG系统，采用粗粒度语义聚类剪枝搜索空间与基于格的PIR协议，实现高效私密检索，并在端到端延迟上优于现有基线。
2025-09-01 cs.AI cs.CR cs.IR
FD-RAG: Federated Dual-System Retrieval-Augmented Generation
School of Computer Science and Technology（计算机科学与技术学院）
提出FD-RAG框架，通过解耦轻量级记忆访问与按需LLM推理，并利用语义感知自适应超图蒸馏为紧凑QA记忆，在联邦设置下实现高效、隐私保护的检索增强生成。
2026-05-22 cs.AI cs.IR
MAIN-RAG: Multi-Agent Filtering Retrieval-Augmented Generation
Texas A&M University（德克萨斯农工大学）；Visa Research（Visa研究院）；Worcester Polytechnic Institute（伍斯特理工学院）；University of Utah（犹他大学）；University of Houston（休斯顿大学）
本文提出无需训练的多智能体过滤检索增强生成框架MAIN-RAG，通过多个LLM智能体协作过滤评分检索文档，并利用自适应阈值机制在保持高召回的同时降低噪声，在四个QA基准上实现2-11%的准确率提升。
2024-12-31 cs.CL cs.IR
Blended RAG: Improving RAG (Retriever-Augmented Generation) Accuracy with Semantic Search and Hybrid Query-Based Retrievers
IBM（国际商业机器公司）
本文提出Blended RAG方法，通过融合稠密向量索引、稀疏编码器索引与混合查询策略提升检索准确性，在NQ、TREC-COVID及SQUAD等数据集上取得优于微调的效果。
2024-08-04 cs.AI cs.CL cs.IR
Adaptive Retrieval-Augmented Generation for Conversational Systems
University of Sheffield（谢菲尔德大学）；University of Liverpool（利物浦大学）；University of Aberdeen（阿伯丁大学）；University College London（伦敦大学学院）
本文提出RAGate门控模型，通过建模对话上下文自适应判断每轮回复是否需要检索增强生成，实验证明其能提升回复质量与生成置信度。
2024-07-31 cs.CL cs.IR
RAG Foundry: A Framework for Enhancing LLMs for Retrieval Augmented Generation
Intel Labs（英特尔实验室）
本文提出开源框架 RAG Foundry，将数据创建、训练、推理与评估集成为单一工作流，用于快速构建和实验 RAG 系统，并通过微调 Llama-3 和 Phi-3 在多个知识密集型数据集上验证了其有效性。
2024-08-05 cs.AI cs.CL cs.IR
Query-Centric Graph Retrieval Augmented Generation
Huawei Technologies Co., Ltd（华为技术有限公司）
针对现有图RAG的粒度困境，提出查询中心图框架QCG-RAG，利用Doc2Query构建查询粒度图并实现多跳块检索，在LiHuaWorld和MultiHop-RAG上提升问答准确性。
2025-09-25 cs.CL cs.IR
RAGPerf: An End-to-End Benchmarking Framework for Retrieval-Augmented Generation Systems
RAGPerf是一个用于评估检索增强生成系统性能的端到端基准框架，支持多种数据集和模型，提供细粒度性能分析和自动化指标收集。
2026-03-11 cs.IR cs.PF
GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation
Monash University（墨尔本大学）；Nanjing University of Science and Technology（南京理工大学）；Shanghai Jiao Tong University（上海交通大学）；Griffith University（格里菲斯大学）
GFM-RAG是一种基于图的检索增强生成模型，通过创新的图神经网络捕捉复杂查询-知识关系，实现了在未见数据集上的高效性能和泛化能力。
2025-12-11 cs.AI cs.CL cs.IR
RAGdb: A Zero-Dependency, Embeddable Architecture for Multimodal Retrieval-Augmented Generation on the Edge
SKAS IT
RAGdb通过单文件SQLite容器实现多模态检索增强生成，无需GPU推理，提升边缘计算效率与数据主权
2025-12-09 cs.AI cs.IR
Hyper-RAG: Combating LLM Hallucinations using Hypergraph-Driven Retrieval-Augmented Generation
School of Software, Tsinghua University（清华大学软件学院）；Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人工智能与机器人研究所）；School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件工程学院）；School of Science, Shanghai University（上海大学理学院）；School of Information and Electronics, Beijing Institute of Technology（北京理工大学信息与电子学院）
针对大语言模型在医学领域的幻觉问题，提出超图驱动的检索增强生成方法Hyper-RAG，通过捕捉领域知识的成对及超成对关联减轻幻觉，在多个数据集上验证了其比现有方法提升准确率、保持查询复杂度增加时的稳定性及检索速度优势。
2025-03-30 cs.AI cs.IR
HyPA-RAG: A Hybrid Parameter Adaptive Retrieval-Augmented Generation System for AI Legal and Policy Applications
Holistic AI（整体人工智能公司）；University College London（伦敦大学学院）
针对AI法律应用中LLM知识过时与幻觉问题，HyPA-RAG通过查询复杂度分类器、混合检索和定制评估框架，在LL144测试中提升了检索与响应质量。
2025-02-25 cs.AI cs.IR cs.LG
Understanding Parametric Knowledge Injection in Retrieval-Augmented Generation
State Key Laboratory of AI Safety（人工智能安全国家重点实验室）；ICT, Chinese Academy of Sciences（中国科学院信息科技研究院）；University of Chinese Academy of Sciences（中国科学院大学）
本文研究了参数化RAG中的知识注入，发现结合传统和参数化方法（PT-RAG）在性能上最佳，同时揭示了其在知识冲突和鲁棒性方面的优势。
2026-01-24 cs.CL cs.IR
Database-Augmented RAG for Automated Repair of REST API Misuses
Ritsumeikan University（立命馆大学）
本研究构建11种不同数据库结构的RAG配置，对比基线方法，发现按版本和内容类型组织API规范的四数据库RAG方法，能将REST API误用修复率从54.3%提升至88.6%。
2026-09-01 cs.IR cs.SE
Towards a Search Engine for Machines: Unified Ranking for Multiple Retrieval-Augmented Large Language Models
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出uRAG框架，通过统一检索引擎服务多个下游RAG系统，并构建含36个RAG系统的大规模实验生态，以研究面向机器的搜索引擎的核心问题。
2024-04-30 cs.CL cs.IR
Bridge-RAG: An Abstract Bridge Tree Based Retrieval Augmented Generation Algorithm
Peking University（北京大学）
针对检索增强生成中准确性和效率的挑战，提出Bridge-RAG框架，通过抽象桥树结构实现多级检索，并集成布谷鸟过滤器实现O(1)实体查找，在保持高准确率的同时将检索速度提升至1.9倍。
2026-05-28 cs.AI cs.CL cs.IR
M-RAG: Semantic Key-Value Indexing for Retrieval-Augmented Generation
Southwestern University of Finance and Economics（西南财经大学）；Zhida AI, Zhida Technology（智达AI，智达科技）；University of Maryland, College Park（马里兰大学帕克分校）
M-RAG提出一种无片段检索策略，通过提取结构化元标记提升检索与生成效率，实验证明其在低资源环境下优于传统RAG方法。
2026-07-22 cs.AI cs.IR
RAGEAR: Retrieval-Augmented Graph-Enhanced Academic Recommender
Department of Mathematics and Computer Science, University of Catania, Italy（卡塔尼亚大学数学与计算机科学系，意大利）；Institute for Cognitive Science and Technology, National Research Council, Italy（意大利国家研究委员会认知科学与技术研究所）
提出RAGEAR，一种神经符号推荐系统，结合密集检索和知识图谱，通过图感知聚合函数将片段级证据传播到课程级推荐，在学术课程推荐中优于元数据基线。
2026-05-26 cs.AI cs.IR
MG$^2$-RAG: Multi-Granularity Graph for Multimodal Retrieval-Augmented Generation
School of Computer Science, Hangzhou Dianzi University（杭州电子科技大学计算机学院）
MG$^2$-RAG通过构建层次化多模态知识图谱，融合文本与视觉信息，提升多模态检索与生成性能，实验显示其在四个任务中均取得最佳效果，同时显著提升效率。
2026-07-14 cs.AI cs.IR
Ragnarök: A Reusable RAG Framework and Baselines for TREC 2024 Retrieval-Augmented Generation Track
University of Waterloo（滑铁卢大学）；Snowflake Inc.（雪花公司）；Microsoft（微软公司）
本研究为推动RAG系统评估创新，推出TREC 2024 RAG赛道，构建可复用框架Ragnarök，发布开发主题与工业基准，推出众包成对测评的网页交互平台并开源相关资源，为RAG系统建立统一评估标准。
2024-06-24 cs.AI cs.CL cs.IR
Spatial-RAG: Spatial Retrieval Augmented Generation for Real-World Geospatial Reasoning Questions
Emory University（埃默里大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
提出 Spatial-RAG 框架，通过结合稀疏空间过滤与密集语义匹配的混合检索器，并进行空间与语义多目标优化，提升真实地理空间问答性能。
2025-06-11 cs.ET cs.IR cs.LG
RAGSentinel: Certifiable Geometric Consensus for Robust Retrieval-Augmented Generation
University of North Texas（北得克萨斯大学）；University of Louisville（路易斯维尔大学）
研究针对RAG系统的中毒攻击漏洞，提出无训练无标签的RAGSentinel防御方法，通过几何共识过滤中毒文档，实验显示其能低攻高保准且抗自适应攻击。
2026-08-26 cs.AI cs.CR cs.IR
InfoGain-RAG: Boosting Retrieval-Augmented Generation via Document Information Gain-based Reranking and Filtering
Kuaishou Technology, Beijing, China（快手科技，北京，中国）；Peking University, Beijing, China（北京大学，北京，中国）
本文提出文档信息增益（DIG）指标量化检索文档对答案生成的贡献，并构建InfoGain-RAG框架训练专门重排器以过滤无关文档，在多个基准上显著优于现有RAG方法。
2025-09-16 cs.AI cs.CL cs.IR
Towards Fair RAG: On the Impact of Fair Ranking in Retrieval-Augmented Generation
Carnegie Mellon University（卡内基梅隆大学）
本文首次系统评估了融合公平感知排序的RAG系统，在七个任务上实验十二个模型，证明公平检索能维持甚至提升排序与生成质量，并带来更均衡的来源归因，为构建公平RAG系统奠定基础。
2025-07-04 cs.AI cs.CL cs.IR
