RAG / 检索增强生成

Experiments with Large Language Models on Retrieval-Augmented Generation for Closed-Source Simulation Software

在闭源仿真软件上使用检索增强生成进行大型语言模型实验

Andreas Baumann, Peter Eberhard

机构 * Institute of Engineering and Computational Mechanics, University of Stuttgart（工程与计算力学研究所，斯图加特大学） 纠错

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

AI总结 本研究测试了RAG系统在闭源仿真软件Pasimodo中的表现，发现定制信息提供能显著提升响应质量，凸显了改进闭源仿真模型信息检索的重要性。

Comments 16 pages, 6 tables, 2 figures

Everything is Context: Agentic File System Abstraction for Context Engineering

一切皆为上下文：面向上下文工程的代理文件系统抽象

Xiwei Xu, Robert Mao, Quan Bai, Xuewu Gu, Yechao Li, Liming Zhu

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

AI总结 本文提出一种基于文件系统的上下文工程抽象，通过统一挂载、元数据和访问控制，实现可验证的上下文管理，支持可问责和以人类为中心的AI协作。

Comments Submitted

VERIRAG: A Post-Retrieval Auditing of Scientific Study Summaries

VERIRAG：一种科学研究摘要的后检索审计

Shubham Mohole, Hongjun Choi, Shusen Liu, Christine Klymko, Shashank Kushwaha, Derek Shi, Wesam Sakla, Sainyam Galhotra, Ruben Glatt

机构 * Cornell University（康奈尔大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； University of Illinois Urbana‑Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 VERIRAG通过后检索审计框架检测科学摘要的方法学漏洞，提升宏F1值19个百分点，提供结构化审计轨迹支持负责任的科学实践。

Bita: A Conversational Assistant for Fairness Testing

Bita：一个用于公平性测试的对话助手

Keeryn Johnson, Cleyton Magalhaes, Ronnie de Souza Santos

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)

AI总结 Bita是一个基于大型语言模型的对话助手，旨在通过公平性视角帮助软件测试人员检测偏见、评估测试计划并生成公平性导向的测试章程，提供可重复的公平性测试解决方案。

Cloud-Native Vector Search: A Comprehensive Performance Analysis

云原生向量搜索：全面性能分析

Zhaoheng Li, Wei Ding, Silu Huang, Zikang Wang, Yuanjin Lin, Ke Wu, Yongjoo Park, Jianjun Chen

专题命中 向量检索 ：vector search(title,abstract)；分类 cs.DB

AI总结 本文研究云原生向量搜索的性能，分析集群与图索引的优劣，指出图索引在高并发和高维数据场景中更优，并探讨缓存优化对索引性能的影响。

RAG-IGBench: Innovative Evaluation for RAG-based Interleaved Generation in Open-domain Question Answering

RAG-IGBench: 用于开放领域问答中基于检索增强生成的交错生成的创新评估

Rongyang Zhang, Yuqing Huang, Chengqiang Lu, Qimeng Wang, Yan Gao, Yi Wu, Yao Hu, Yin Xu, Wei Wang, Hao Wang, Enhong Chen

机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学） ； Xiaohongshu Inc.（小红书公司） ； Xi’an Jiaotong University（西安交通大学） 纠错

专题命中 知识库问答 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 RAG-IGBench通过创新的评估指标和多模态数据，评估基于检索增强生成的交错生成任务，验证了模型在开放领域问答中的性能提升。

Comments 26 pages, 6 figures, NeurIPS 2025 D&B Track poster

Debate over Mixed-knowledge: A Robust Multi-Agent Reasoning Framework for Incomplete Knowledge Graph Question Answering

混合知识辩论：一种用于不完整知识图谱问答的鲁棒多智能体推理框架

Jilong Liu, Pengyang Shao, Wei Qin, Fei Liu, Yonghui Yang, Richang Hong

专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.AI

AI总结 本文提出DoM框架，通过多智能体辩论机制整合结构化和非结构化知识，解决不完整知识图谱问答中的知识互补性问题，并引入新数据集提升基准挑战性。

LA-RL: Language Action-guided Reinforcement Learning with Safety Guarantees for Autonomous Highway Driving

LA-RL: 基于语言动作引导的安全强化学习用于自动驾驶高速公路驾驶

Yiming Shu, Jiahui Xu, Jiwei Tang, Ruiyang Gao, Chen Sun

专题命中 图谱与结构化RAG ：retrieval augmented generation(abstract)；RAG(abstract)

AI总结 LA-RL通过整合大语言模型的语义推理和改进的安全层，提升自动驾驶高速公路驾驶的效率与安全性。

Natural Language Summarization Enables Multi-Repository Bug Localization by LLMs in Microservice Architectures

自然语言摘要通过LLM在微服务架构中多仓库Bug定位

Amirkia Rafiei Oskooei, S. Selcan Yukcu, Mehmet Cevheri Bozoglan, Mehmet S. Aktas

机构 * Yildiz Technical University, Dept. of Computer Eng.（Yildiz技术大学，计算机工程系） ； Yildiz Technical University, Department of Computer Engineering（Yildiz技术大学，计算机工程系） 纠错

专题命中 多模态RAG ：RAG(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 利用自然语言摘要和LLM技术，通过多仓库微服务架构实现更高效的Bug定位，显著提升定位准确率和透明度。

Comments Accepted at LLM4Code Workshop, ICSE 2026

Optimizing Medical Question-Answering Systems: A Comparative Study of Fine-Tuned and Zero-Shot Large Language Models with RAG Framework

优化医疗问答系统：基于RAG框架的微调与零样本大语言模型比较研究

Tasnimul Hassan, Md Faisal Karim, Haziq Jeelani, Elham Behnam, Robert Green, Fayeq Jeelani Syed

机构 * Department of Electrical Engineering ； Computer Science University of Toledo Toledo, USA ； Institute of Mathematical Sciences Claremont Graduate University Claremont, USA ； Department of Bioengineering University of Toledo Toledo, USA ； Department of Computer Science Bowling Green State University Bowling Green, USA 纠错

专题命中 RAG评测 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；knowledge retrieval(abstract)；分类 cs.CL、cs.AI

AI总结 本文通过RAG框架结合微调与零样本大语言模型，提升医疗问答系统的准确性与可靠性，实验证明检索增强显著提高回答质量。