RAG / 检索增强生成

Predicting Retrieval Utility and Answer Quality in Retrieval-Augmented Generation

在检索增强生成中预测检索效用和答案质量

Fangzheng Tian, Debasis Ganguly, Craig Macdonald

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

AI总结 本文提出在检索增强生成中通过预测检索文档效用和答案质量来提升生成性能。

Comments 18 pages (including reference), 3 figures, 2 table, 61 references; this paper has been accepted by ECIR'26 as a full paper

From Textbook to Talkbot: A Case Study of a Greek-Language RAG-Based Chatbot in Higher Education

从教材到谈bot：面向高等教育的希腊语基于检索增强生成的聊天机器人案例研究

Maria Eleni Koutsiaki, Marina Delianidi, Chaido Mizeli, Konstantinos Diamantaras, Iraklis Grigoropoulos, Nikolaos Koutlianos

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

AI总结 本研究开发了一个基于RAG框架的希腊语AI聊天机器人，用于高等教育中的教学支持，旨在提升教育实践和AI技术在语言教育中的应用。

Comments 11 pages, 5 figures, 6th Barcelona Conference on Education (BCE2025)

Graph-based Approaches and Functionalities in Retrieval-Augmented Generation: A Comprehensive Survey

基于图的方法和功能在检索增强生成中的应用：全面综述

Zulun Zhu, Tiancheng Huang, Kai Wang, Junda Ye, Xinghe Chen, Siqiang Luo

机构 * Nanyang Technological University（南洋理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 本文综述了图方法在检索增强生成中的应用，分析了图在提升性能中的作用，指出现有挑战和未来研究方向。

Beyond the Geometric Curse: High-Dimensional N-Gram Hashing for Dense Retrieval

超越几何诅咒：高维N-gram哈希用于密集检索

Sangeet Sharma

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

AI总结 NUMEN通过确定性字符哈希实现无训练高维N-gram哈希，首次在密集检索中超越BM25基线。

Comments 11 page long, 5 figure. Yes, am undergrad in pharmacy and love computer work

Agentic-R: Learning to Retrieve for Agentic Search

Agentic-R: 为代理搜索学习检索

Wenhan Liu, Xinyu Ma, Yutao Zhu, Yuchen Li, Daiting Shi, Dawei Yin, Zhicheng Dou

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Baidu Inc.（百度公司） 纠错

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

AI总结 本文提出了一种针对代理搜索的检索器训练框架，通过结合局部查询-段落相关性和全局答案正确性，提升多轮搜索性能。

AlertGuardian: Intelligent Alert Life-Cycle Management for Large-scale Cloud Systems

AlertGuardian: 大规模云系统中的智能警报生命周期管理

Guangba Yu, Genting Mai, Rui Wang, Ruipeng Li, Pengfei Chen, Long Pan, Ruijie Xu

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

AI总结 AlertGuardian通过结合LLMs和图模型，优化大规模云系统的警报生命周期管理，显著减少警报疲劳并提升故障诊断效率。

Comments Accepted by ASE 2025

PankRAG: Enhancing Graph Retrieval via Globally Aware Query Resolution and Dependency-Aware Reranking Mechanism

PankRAG: 通过全局意识查询解析和依赖意识重排序机制增强图检索

Ningyuan Li, Junrui Liu, Yi Shan, Minghui Huang, Ziren Gong, Tong Li

机构 * College of Computer Science, Beijing university of technology, Beijing, China（北京理工大学计算机科学学院） ； Department of Computer Science and Engineering, Bologna University, Bologna, Italy（博洛尼亚大学计算机科学与工程系） 纠错

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

AI总结 PankRAG通过全局意识查询解析和依赖意识重排序机制，有效提升复杂查询中潜在关系的捕捉与解析，增强图检索的准确性和泛化能力。

Comments Accepted by ICASSP 2026

QueStER: Query Specification for Generative keyword-based Retrieval

QueStER：生成式关键词检索的查询规范

Arthur Satouf, Yuxuan Zong, Habiboulaye Amadou-Boubacar, Pablo Piantanida, Benjamin Piwowarski

机构 * MILA – Quebec AI Institute & ILLS（魁北克人工智能研究所） ； Université Paris-Saclay & CentraleSupélec & CNRS（巴黎-萨克雷大学） ； Air Liquide（Air Liquide公司） ； Sorbonne Université & ISIR & CNRS（索邦大学） 纠错

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

AI总结 QueStER通过生成显式的关键词检索规范，结合生成式查询重写和传统检索的效率，提升跨领域检索性能。

Journal ref eACL 2026

SAQ: Pushing the Limits of Vector Quantization through Code Adjustment and Dimension Segmentation

SAQ: 通过编码调整和维度分割推动向量量化极限

Hui Li, Shiyuan Deng, Xiao Yan, Xiangyu Zhi, James Cheng

专题命中 向量检索 ：RAG(abstract)；分类 cs.IR、cs.DB

AI总结 SAQ通过编码调整和维度分割技术提升向量量化精度和效率，实现量化误差降低80%及编码速度提升80倍。

Comments 13 pages, 12 figures, accepted by SIGMOD

Context-Picker: Dynamic context selection using multi-stage reinforcement learning

Context-Picker: 基于多阶段强化学习的动态上下文选择

Siyuan Zhu, Chengdong Xu, Kaiqiang Ke, Chao Yu

机构 * Sun Yat-sen University（中山大学） 纠错

专题命中 知识库问答 ：RAG(abstract)；分类 cs.AI

AI总结 Context-Picker通过多阶段强化学习动态选择上下文，提升长上下文问答的准确率和效率。

Constructing Multi-label Hierarchical Classification Models for MITRE ATT&CK Text Tagging

构建MITRE ATT&CK文本标记的多标签分层分类模型

Andrew Crossman, Jonah Dodd, Viralam Ramamurthy Chaithanya Kumar, Riyaz Mohammed, Andrew R. Plummer, Chandra Sekharudu, Deepak Warrier, Mohammad Yekrangian

机构 * JPMorganChase（摩根大通） 纠错

专题命中 知识库问答 ：RAG(abstract)

AI总结 本文提出了一种基于经典机器学习的多标签分层分类模型，用于MITRE ATT&CK文本标记，实现了94%的战术层面准确率和82%的技术层面准确率，且无需依赖LLM等复杂方法。

Lightweight LLMs for Network Attack Detection in IoT Networks

轻量级大语言模型用于物联网网络中的网络攻击检测

Piyumi Bhagya Sudasinghe, Kushan Sudheera Kalupahana Liyanage, Harsha S. Gardiyawasam Pussewalage

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

AI总结 本文提出利用轻量级大语言模型结合QLoRA和RAG技术，实现高效的物联网网络攻击检测，展示在未知攻击类型上的零样本能力。

Comments 6 pages with 2 figures, This paper was accepted and presented at the 7th Computing, Communications and IoT Applications Conference (ComComAp 2025), held in Madrid, Spain, during 14th to 17th December 2025

Rethinking On-Device LLM Reasoning: Why Analogical Mapping Outperforms Abstract Thinking for IoT DDoS Detection

重新思考设备端LLM推理：为什么类比映射优于抽象思维用于IoT DDoS检测

William Pan, Guiran Liu, Binrong Zhu, Qun Wang, Yingzhou Lu, Beiyu Lin, Rose Qingyang Hu

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

AI总结 本文提出一种结合Co_T和RAG的物联网边缘DDoS检测框架，通过示例驱动推理提升小型ODLLMs在资源受限下的检测性能。

HumanoidVLM: Vision-Language-Guided Impedance Control for Contact-Rich Humanoid Manipulation

HumanoidVLM: 用于接触密集型人形机器人工操作的视觉-语言引导阻抗控制

Yara Mahmoud, Yasheerah Yaqoot, Miguel Altamirano Cabrera, Dzmitry Tsetserukou

机构 * Skolkovo Institute of Science and Technology（斯克尔科沃科学与技术研究所） 纠错

专题命中 多模态RAG ：retrieval-augmented generation(abstract)；RAG(abstract)

AI总结 HumanoidVLM通过视觉-语言模型和检索增强生成模块，实现人形机器人在接触密集场景中的自适应阻抗控制与抓取配置选择。

Comments This paper has been accepted for publication at LBR of HRI 2026 conference

Hidden-in-Plain-Text: A Benchmark for Social-Web Indirect Prompt Injection in RAG

隐于 plain-text：一种用于 RAG 中社会网络间接提示注入的基准测试

Haoze Guo, Ziqi Wei

专题命中 RAG评测 ：RAG(title,abstract)；retrieval-augmented generation(abstract)

AI总结 OpenRAG-Soc 提供了一种用于评估 RAG 系统在社会网络间接提示注入攻击下的基准测试工具，通过标准化的端到端评估和可部署的缓解措施，帮助从业者跟踪风险并增强部署安全性。

Comments WWW 2026

Trust Me on This: A User Study of Trustworthiness for RAG Responses

相信我：对RAG响应可信度的用户研究

Weronika Łajewska, Krisztian Balog

专题命中 RAG评测 ：RAG(title)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 本研究通过用户实验探讨了不同解释类型如何影响用户对RAG响应的信任度，发现信任受响应清晰度和用户知识影响，而非单纯客观质量。

Comments This is the author's version of the work. The definitive version is published in: Proceedings of the 48th European Conference on Information Retrieval (ECIR '26), March 29-April 2, 2026, Delft, The Netherlands

Does Less Hallucination Mean Less Creativity? An Empirical Investigation in LLMs

减少幻觉是否意味着减少创造力？在大语言模型中的实证研究

Mohor Banerjee, Nadya Yuki Wangsajaya, Syed Ali Redha Alsagoff, Min Sen Tan, Zachary Choy Kit Chun, Alvin Chan Guo Wei

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

AI总结 本研究探讨了三种减少幻觉的方法对大语言模型创造力的影响，发现CoVe促进发散思维，DoLa抑制创造力，RAG影响较小，为科学应用中的准确性与创造性平衡提供指导。

Comments Accepted at the AAAI 2026 Workshop on AI for Scientific Research (AI4Research)

How to Build AI Agents by Augmenting LLMs with Codified Human Expert Domain Knowledge? A Software Engineering Framework

如何通过将编码化的人类专家领域知识与大语言模型结合来构建AI代理？一种软件工程框架

Choro Ulan uulu, Mikhail Kulyabin, Iris Fuhrmann, Jan Joosten, Nuno Miguel Martins Pacheco, Filippos Petridis, Rebecca Johnson, Jan Bosch, Helena Holmström Olsson

机构 * Department of Computer Science and Engineering, Chalmers University of Technology（计算机科学与工程系，查尔姆斯理工大学） ； Department of Mathematics and Computer Science, Eindhoven University of Technology（数学与计算机科学系，埃因霍温理工大学） ； Department of Computer Science and Media Technology, Malmö University（计算机科学与媒体技术系，马尔默大学） 纠错

专题命中 RAG评测 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.AI

AI总结 本文提出一种软件工程框架，通过增强大语言模型与编码化专家知识，构建能自主生成可视化内容的AI代理，实现非专家在专业领域内达到专家水平的成果。

Predictive Prototyping: Evaluating Design Concepts with ChatGPT

预测性原型：通过ChatGPT评估设计概念

Hilsann Yong, Bradley A. Camburn

专题命中 RAG评测 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.AI

AI总结 本文通过GPT-RAG方法评估设计概念，证明其在预测成本、性能和可用性方面优于人类估计，并展示了由该方法指导的原型在性能上的优势。

Comments 22 pages, 15 figures, 5 tables