RAG / 检索增强生成

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