RAG / 检索增强生成

An LLM -Powered Assessment Retrieval-Augmented Generation (RAG) For Higher Education

基于大语言模型的评估检索增强生成（RAG）系统用于高等教育

Reza Vatankhah Barenji, Nazila Salimi, Sina Khoshgoftar

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

AI总结 本研究提出基于RAG架构的大语言模型驱动评估系统，通过整合评分标准和范文生成高质量反馈，实现大规模、一致的评估反馈，提升学生自主学习能力。

Comments 19 Pages

L-RAG: Balancing Context and Retrieval with Entropy-Based Lazy Loading

L-RAG：基于熵的惰性加载平衡上下文与检索

Sergii Voloshyn

机构 * Faculty of Computer Science and Cybernetics（计算机科学与自动化系） ； Taras Shevchenko National University of Kyiv（塔拉斯·谢甫琴科基辅国立大学） ； ClickUp（ClickUp公司） 纠错

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

AI总结 L-RAG通过基于熵的惰性加载机制，在准确率与效率之间提供可调节的权衡，有效减少检索开销并提升RAG系统的部署效率。

Stronger Baselines for Retrieval-Augmented Generation with Long-Context Language Models

更强的检索增强生成基线：长上下文语言模型

Alex Laitenberger, Christopher D. Manning, Nelson F. Liu

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出DOS RAG作为长上下文问答任务的强基线，通过保持文档结构和简单性，在多个基准上超越复杂方法。

Comments 11 pages, 6 figures, for associated source code, see https://github.com/alex-laitenberger/stronger-baselines-rag

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025), pages 32559-32569

NeuroGenPoisoning: Neuron-Guided Attacks on Retrieval-Augmented Generation of LLM via Genetic Optimization of External Knowledge

NeuroGenPoisoning: 通过神经引导对抗LLM检索增强生成中的外部知识注入

Hanyu Zhu, Lance Fiondella, Jiawei Yuan, Kai Zeng, Long Jiao

机构 * University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校） ； George Mason University（乔治·梅森大学） 纠错

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

AI总结 NeuroGenPoisoning通过神经引导和遗传优化生成对抗性外部知识，有效解决RAG中的知识冲突并提高污染成功率。

Seeing through the Conflict: Transparent Knowledge Conflict Handling in Retrieval-Augmented Generation

通过冲突看见：在检索增强生成中实现透明的知识冲突处理

Hua Ye, Siyuan Chen, Ziqi Zhong, Canran Xiao, Haoliang Zhang, Yuhan Wu, Fei Shen

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

AI总结 TCR通过透明冲突解决框架提升检索增强生成中的冲突检测与知识恢复能力，减少误导性上下文影响。

Comments 9 pages, 9 figures, 5 tables

Rational Synthesizers or Heuristic Followers? Analyzing LLMs in RAG-based Question-Answering

理性合成器还是启发式追随者？分析基于检索增强生成的问答系统

Atharv Naphade

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文通过GroupQA数据集分析LLM在基于检索增强生成的问答系统中如何整合冲突证据，发现模型倾向于优先证据且解释不忠实，表明LLM作为脆弱的启发式追随者。

Comments 13 pages, 9 figures, ACL ARR submission

RIPRAG: Hack a Black-box Retrieval-Augmented Generation Question-Answering System with Reinforcement Learning

RIPRAG：通过强化学习攻击基于检索增强生成的黑盒问答系统

Meng Xi, Sihan Lv, Yechen Jin, Guanjie Cheng, Naibo Wang, Ying Li, Jianwei Yin

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

AI总结 RIPRAG通过强化学习攻击黑盒RAG系统，提升污染攻击成功率0.72，揭示LLM安全防御的不足。

Controlled Retrieval-augmented Context Evaluation for Long-form RAG

受控检索增强上下文评估用于长形式RAG

Jia-Huei Ju, Suzan Verberne, Maarten de Rijke, Andrew Yates

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

AI总结 CRUX提出了一种受控检索增强上下文评估框架，用于评估长形式RAG任务中检索增强上下文的质量和影响。

Task Prototype-Based Knowledge Retrieval for Multi-Task Learning from Partially Annotated Data

基于任务原型的知识检索多任务学习：从部分标注数据中学习

Youngmin Oh, Hyung-Il Kim, Jung Uk Kim

专题命中 检索器与排序 ：knowledge retrieval(title,abstract)；分类 cs.AI

AI总结 本文提出基于原型的知识检索框架，通过任务原型嵌入和知识检索变压器实现稳健的多任务学习，适用于部分标注数据场景。

Comments Accepted at AAAI 2026

Autonomous QA Agent: A Retrieval-Augmented Framework for Reliable Selenium Script Generation

自主问答代理：一种增强检索的框架，用于可靠的Selenium脚本生成

Dudekula Kasim Vali

机构 * Department of Computer Science（计算机科学系） ； VIT-AP University（VIT-AP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 本文提出了一种基于增强检索的框架，通过项目文档和HTML结构生成可靠的Selenium测试脚本，显著提高了脚本生成的准确性和执行成功率。

Comments 13 figures, 3 tables

Beyond Single-Shot: Multi-step Tool Retrieval via Query Planning

超越单次检索：通过查询规划实现多步工具检索

Wei Fang, James Glass

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 本文提出TOOLQP框架，通过迭代查询规划解决多步工具检索问题，实现更高效的检索和执行能力。

Approximate Graph Propagation Revisited: Dynamic Parameterized Queries, Tighter Bounds and Dynamic Updates

重新审视近似图传播：动态参数化查询、更紧的界限和动态更新

Zhuowei Zhao, Zhuo Zhang, Hanzhi Wang, Junhao Gan, Zhifeng Bao, Jianzhong Qi

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

AI总结 本文提出AGP-Dynamic算法，实现动态图的O(1)均摊更新时间，同时保持近似保证和查询效率。

CIRAG: Construction-Integration Retrieval and Adaptive Generation for Multi-hop Question Answering

CIRAG：多跳问答中的构造-整合检索与自适应生成

Zili Wei, Xiaocui Yang, Yilin Wang, Zihan Wang, Weidong Bao, Shi Feng, Daling Wang, Yifei Zhang

机构 * Northeastern University（东北大学） 纠错

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

AI总结 CIRAG通过构造-整合模块和自适应生成模块，提升多跳问答的准确性和鲁棒性。

Overcoming the Retrieval Barrier: Indirect Prompt Injection in the Wild for LLM Systems

突破检索障碍：为LLM系统设计的野外间接提示注入

Hongyan Chang, Ergute Bao, Xinjian Luo, Ting Yu

专题命中 检索器与排序 ：RAG(abstract)；分类 cs.AI

AI总结 本研究提出了一种高效且低成本的黑盒攻击算法，通过分解恶意内容为触发片段和攻击片段，实现了对LLM系统的间接提示注入攻击，揭示了检索过程中存在的关键安全漏洞。

SwarmFoam: An OpenFOAM Multi-Agent System Based on Multiple Types of Large Language Models

SwarmFoam: 基于多种大语言模型的开放FOAM多智能体系统

Chunwei Yang, Yankai Wang, Jianxiang Tang, Haojie Qu, Ziqiang Zou, YuLiu, Chunrui Deng, Zhifang Qiu, Ming Ding

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

AI总结 SwarmFoam通过整合多模态感知与智能校正技术，提升复杂CFD模拟的适应性与准确性。

Comments 26 pages, 15 figures

Curator: Efficient Vector Search with Low-Selectivity Filters

Curator: 基于低选择性过滤的高效向量搜索

Yicheng Jin, Yongji Wu, Wenjun Hu, Bruce M. Maggs, Jun Yang, Xiao Zhang, Danyang Zhuo

专题命中 向量检索 ：vector search(title)；dense retrieval(abstract)；分类 cs.IR、cs.DB

AI总结 Curator通过双索引架构和基于分区的索引，有效处理低选择性过滤的ANNS，提升查询效率并降低资源消耗。

Comments Accepted at SIGMOD 2026

Credible Plan-Driven RAG Method for Multi-Hop Question Answering

可信计划驱动的RAG方法用于多跳问答

Ningning Zhang, Chi Zhang, Zhizhong Tan, Xingxing Yang, Weiping Deng, Wenyong Wang

机构 * Macau University of Science and Technology（澳门科学技术大学） 纠错

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

AI总结 PAR-RAG通过引入复杂性感知的计划生成和双验证机制，提升了多跳问答任务中的推理稳定性和事实一致性，实现了更可靠的问答性能。

Comments 24 pages, 7 figures

Fine-Tuning vs. RAG for Multi-Hop Question Answering with Novel Knowledge

基于新知识的多跳问答中微调与RAG的比较

Zhuoyi Yang, Yurun Song, Iftekhar Ahmed, Ian Harris

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

AI总结 本文比较了微调与RAG在多跳问答中处理新颖知识的效果，发现RAG在时间新颖信息问答中表现更优，而有监督微调整体准确率最高。

TreePS-RAG: Tree-based Process Supervision for Reinforcement Learning in Agentic RAG

TreePS-RAG: 基于树的强化学习过程监督在代理RAG中的应用

Tianhua Zhang, Kun Li, Junan Li, Yunxiang Li, Hongyin Luo, Xixin Wu, James Glass, Helen Meng

机构 * The Chinese University of Hong Kong, Hong Kong SAR, China（香港中文大学） ； Massachusetts Institute of Technology, Cambridge MA, USA（麻省理工学院） 纠错

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

AI总结 TreePS-RAG通过基于树的在线强化学习框架，在代理RAG中实现细粒度过程监督，提升多跳和通用问答任务性能。

N2N-GQA: Noise-to-Narrative for Graph-Based Table-Text Question Answering Using LLMs

N2N-GQA：基于图的表格-文本问答中的噪声到叙事使用大语言模型

Mohamed Sharafath, Aravindh Annamalai, Ganesh Murugan, Aravindakumar Venugopalan

机构 * comcast India Engineering Center (CIEC)（comcast印度工程中心） 纠错

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

AI总结 N2N-GQA通过构建动态证据图提升基于图的表格-文本问答性能，实现零样本多跳问答的高准确率。

Comments Accepted at an AAAI 2026 Workshop

HiMeS: Hippocampus-inspired Memory System for Personalized AI Assistants

HiMeS：基于海马体的记忆系统用于个性化AI助手

Hailong Li, Feifei Li, Wenhui Que, Xingyu Fan

机构 * Tencent Inc.（腾讯公司） 纠错

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

AI总结 HiMeS通过融合短期和长期记忆机制，提升个性化AI助手在知识密集型场景中的问答质量与用户定制能力。

ActiShade: Activating Overshadowed Knowledge to Guide Multi-Hop Reasoning in Large Language Models

ActiShade: 通过激活被遮蔽的知识来指导大语言模型的多跳推理

Huipeng Ma, Luan Zhang, Dandan Song, Linmei Hu, Yuhang Tian, Jun Yang, Changzhi Zhou, Chenhao Li, Yizhou Jin, Xudong Li, Meng Lin, Mingxing Zhang, Shuhao Zhang

专题命中 长文档RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL

AI总结 ActiShade通过激活被遮蔽的知识来提升大语言模型在多跳推理中的表现。

Comments Accepted to AAAI 2026

Graph-KV: Breaking Sequence via Injecting Structural Biases into Large Language Models

Graph-KV: 通过向大语言模型注入结构偏差打破序列

Haoyu Wang, Peihao Wang, Mufei Li, Shikun Liu, Siqi Miao, Zhangyang Wang, Pan Li

机构 * Georgia Institute of Technology（佐治亚理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(abstract)；RAG(abstract)

AI总结 Graph-KV通过引入结构偏差打破序列限制，提升大语言模型在图结构任务中的表现。

CSR-RAG: An Efficient Retrieval System for Text-to-SQL on the Enterprise Scale

CSR-RAG：面向企业级文本到SQL的高效检索系统

Rajpreet Singh, Novak Boškov, Lawrence Drabeck, Aditya Gudal, Manzoor A. Khan

机构 * Technical University of Munich（慕尼黑技术大学） ； Nokia Bell Labs（诺基亚贝尔实验室） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval augmented generation(abstract)；hybrid retrieval(abstract)；分类 cs.CL

AI总结 CSR-RAG通过结合上下文、结构和关系检索，高效支持企业级文本到SQL任务，实现高精度与低延迟的检索性能。

FROAV: A Framework for RAG Observation and Agent Verification -- Lowering the Barrier to LLM Agent Research

FROAV：一个用于RAG观察和代理验证的框架——降低LLM代理研究的门槛

Tzu-Hsuan Lin, Chih-Hsuan Kao

机构 * AetheTech 纠错

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

AI总结 FROAV提供了一个开源平台，通过可视化工作流编排、评估框架和Python集成，降低LLM代理研究的门槛，使研究人员能更专注于算法创新。

Comments 8 pages, 1 figure, 3 tables

Securing RAG: A Risk Assessment and Mitigation Framework

保障RAG：风险评估与缓解框架

Lukas Ammann, Sara Ott, Christoph R. Landolt, Marco P. Lehmann

机构 * Eastern Switzerland University of Applied Sciences (OST)（东瑞士应用科学大学（OST）） ； Cyber-Defence Campus, armasuisse Science and Technology（网络安全校园，armasuisse科技） 纠错

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

AI总结 本文提出了一种结合RAG特定安全考虑与通用安全指南的框架，以保障RAG系统的安全性和可信度。

Comments 8 pages, 3 figures, Sara Ott and Lukas Ammann contributed equally. This work has been submitted to the IEEE for possible publication

Journal ref 2025 IEEE Swiss Conference on Data Science (SDS)

What Breaks Knowledge Graph based RAG? Benchmarking and Empirical Insights into Reasoning under Incomplete Knowledge

什么破坏了基于知识图谱的RAG？对在不完整知识下推理的基准测试和经验洞察

Dongzhuoran Zhou, Yuqicheng Zhu, Xiaxia Wang, Hongkuan Zhou, Yuan He, Jiaoyan Chen, Steffen Staab, Evgeny Kharlamov

机构 * University of Oslo（奥斯陆大学） ； Bosch Center for AI（博世人工智能中心） ； University of Stuttgart（斯图加特大学） ； Amazon（亚马逊公司） ； University of Oxford（牛津大学） ； The University of Manchester（曼彻斯特大学） ； University of Southampton（南安普顿大学） 纠错

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

AI总结 本文提出BRINK基准测试，揭示了当前KG-RAG方法在知识不完整时推理能力有限，依赖内部记忆且泛化能力各异。

Comments Accepted as a main conference paper at EACL 2026

Vextra: A Unified Middleware Abstraction for Heterogeneous Vector Database Systems

Vextra：一种统一的中间件抽象层用于异构向量数据库系统

Chandan Suri, Gursifath Bhasin

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

AI总结 Vextra通过统一的中间件抽象层解决异构向量数据库系统的API碎片化问题，提供统一的高层API和可插拔适配器架构，以促进互操作性和查询优化。

Comments 11 pages, 8 figures

Relink: Constructing Query-Driven Evidence Graph On-the-Fly for GraphRAG

Relink：为GraphRAG构建查询驱动的证据图谱

Manzong Huang, Chenyang Bu, Yi He, Xingrui Zhuo, Xindong Wu

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

AI总结 Relink通过动态构建查询驱动的证据图谱，解决GraphRAG中知识图谱不完整和干扰事实的问题，提升问答性能。

Comments Accepted by AAAI 2026

Amory: Building Coherent Narrative-Driven Agent Memory through Agentic Reasoning

Amory：通过代理推理构建连贯的叙事驱动代理记忆

Yue Zhou, Xiaobo Guo, Belhassen Bayar, Srinivasan H. Sengamedu

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Amazon（亚马逊） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract)；分类 cs.CL、cs.AI

AI总结 Amory通过增强代理推理构建连贯的叙事驱动记忆，提升长期对话代理的推理性能与响应效率。