RAG / 检索增强生成

Connect the Dots: Knowledge Graph-Guided Crawler Attack on Retrieval-Augmented Generation Systems

连点成线：知识图谱引导的爬虫攻击对抗检索增强生成系统

Mengyu Yao, Ziqi Zhang, Ning Luo, Shaofei Li, Yifeng Cai, Xiangqun Chen, Yao Guo, Ding Li

机构 * MOE Key Lab of HCST (PKU), School of Computer Science, Peking University（信息与电子技术教育部重点实验室（北京大学）、计算机科学学院、北京大学） ； Department of Computer Science, University of Illinois Urbana-Champaign（计算机科学系、伊利诺伊大学厄巴纳-香槟分校） ； Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign（电气与计算机工程系、伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 RAGCrawler通过知识图谱引导的攻击方法，有效提升RAG系统知识库的覆盖能力，实现70%覆盖率的查询效率提升达4.03倍，并达到0.699的代理重建相似度。

RAG4Tickets: AI-Powered Ticket Resolution via Retrieval-Augmented Generation on JIRA and GitHub Data

RAG4Tickets: 通过在JIRA和GitHub数据上的检索增强生成实现AI驱动的工单解决

Mohammad Baqar

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

AI总结 RAG4Tickets通过整合JIRA和GitHub数据，利用检索增强生成技术，提升工单解决的准确性与效率。

Comments 13 Pages

Pruning Minimal Reasoning Graphs for Efficient Retrieval-Augmented Generation

对检索增强生成进行最小推理图剪枝以提高效率

Ning Wang, Kuanyan Zhu, Daniel Yuehwoon Yee, Yitang Gao, Shiying Huang, Zirun Xu, Sainyam Galhotra

机构 * Cornell University（康奈尔大学） ； University of Cambridge（剑桥大学） ； The University of Hong Kong（香港大学） ； HKUST（香港科技大学） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

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

AI总结 AutoPrunedRetriever通过最小推理图剪枝提升检索增强生成效率，实现更高效的知识密集型任务处理。

Atomic Information Flow: A Network Flow Model for Tool Attributions in RAG Systems

原子信息流：一种用于RAG系统工具归因的网络流模型

James Gao, Josh Zhou, Qi Sun, Ryan Huang, Steven Yoo

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

AI总结 原子信息流通过分解工具输出和LLM调用为原子单元，提升RAG系统中工具归因的准确性和上下文压缩效率。

Mitigating Hallucination in Financial Retrieval-Augmented Generation via Fine-Grained Knowledge Verification

通过细粒度知识验证缓解金融检索增强生成中的幻觉

Taoye Yin, Haoyuan Hu, Yaxin Fan, Xinhao Chen, Xinya Wu, Kai Deng, Kezun Zhang, Feng Wang

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

AI总结 本文提出RLFKV框架，通过细粒度知识验证和信息量奖励，缓解金融RAG系统中的幻觉问题，提升响应准确性与一致性。

Comments accepted by ICASSP 2026

RAG without Forgetting: Continual Query-Infused Key Memory

无需遗忘的RAG：持续查询注入键记忆

Yuntong Hu, Sha Li, Naren Ramakrishnan, Liang Zhao

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

AI总结 ERM通过正确性门控反馈实现持续检索改进，无需训练，将查询扩展转化为稳定索引，提升多领域检索与生成性能。

Comments 24 pages, 12 figures

ProphetKV: User-Query-Driven Selective Recomputation for Efficient KV Cache Reuse in Retrieval-Augmented Generation

ProphetKV: 基于用户查询的 selective recompute 方法用于高效 KV 缓存重用

Shihao Wang, Jiahao Chen, Yanqi Pan, Hao Huang, Yichen Hao, Xiangyu Zou, Wen Xia, Wentao Zhang, Chongyang Qiu, Pengfei Wang

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Beijing Yanrong Technology Co., Ltd.（北京燕龙科技有限公司） 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 ProphetKV通过用户查询驱动的KV缓存重用方法，高效恢复交叉注意力，提升检索增强生成的推理准确性。

Dynamic Context Adaptation for Consistent Role-Playing Agents with Retrieval-Augmented Generations

动态上下文适应用于具有检索增强生成的连贯角色扮演代理

Jeiyoon Park, Yongshin Han, Minseop Kim, Kisu Yang

机构 * SOOP ； Korea University（韩国大学） 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 本文提出Amadeus框架，通过动态上下文适应提升角色扮演代理在知识外延问题中的连贯性，并构建CharacterRAG数据集以支持RAG基于角色扮演代理的开发与评估。

Comments preprint

Automated Customization of LLMs for Enterprise Code Repositories Using Semantic Scopes

基于语义范围的LLM企业代码仓库自动化定制

Ulrich Finkler, Irene Manotas, Wei Zhang, Geert Janssen, Octavian Popescu, Shyam Ramji

机构 * IBM Research Yorktown Heights New York, USA（IBM研究院扬斯敦高地新 York 美国） 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 本文提出基于语义范围的LLM企业代码仓库自动化定制方法，通过RAG和FT策略提升代码生成精度，提高开发者生产力。

LayoutCoT: Unleashing the Deep Reasoning Potential of Large Language Models for Layout Generation

LayoutCoT: 解锁大型语言模型在布局生成中的深度推理潜力

Hengyu Shi, Junhao Su, Tianyang Han, Junfeng Luo, Jialin Gao

机构 * Meituan（美团） 纠错

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

AI总结 LayoutCoT通过结合RAG和CoT技术，利用LLMs的推理能力实现无需训练的高质量布局生成。

PASH at TREC 2021 Deep Learning Track: Generative Enhanced Model for Multi-stage Ranking

PASH在TREC 2021深度学习赛道中的表现：生成增强的多阶段排序模型

Yixuan Qiao, Shanshan Zhao, Jun Wang, Hao Chen, Tuozhen Liu, Xianbin Ye, Xin Tang, Rui Fang, Peng Gao, Wenfeng Xie, Guotong Xie

机构 * Ping An Health Technology, Beijing, China Peking University, Beijing, China Ping An Property \& Casualty Insurance Company, Shenzhen, China Central University of Finance ； Economics, Beijing, China Ping An Health Cloud Company Limited., Shenzhen, China Ping An International Smart City Technology Co., Ltd., Shenzhen, China 纠错

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

AI总结 PASH在TREC 2021深度学习赛道中采用生成增强的多阶段排序模型，结合稀疏和密集检索方法，并引入T5生成模型提升排序性能。

Comments TREC 2021

NeuCLIRTech: Chinese Monolingual and Cross-Language Information Retrieval Evaluation in a Challenging Domain

NeuCLIRTech: 中文单语和跨语言信息检索评估在具有挑战性的领域

Dawn Lawrie, James Mayfield, Eugene Yang, Andrew Yates, Sean MacAvaney, Ronak Pradeep, Scott Miller, Paul McNamee, Luca Soldaini

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

AI总结 NeuCLIRTech是一个用于评估中文单语和跨语言信息检索技术的挑战性数据集，包含110个查询及35962个文档判断，提供强大的统计区分能力，支持神经检索系统与重排序算法的评估。

Comments 14 pages, 6 figures

Persistent Human Feedback, LLMs, and Static Analyzers for Secure Code Generation and Vulnerability Detection

持久的人类反馈、LLMs和静态分析器用于安全代码生成和漏洞检测

Ehsan Firouzi, Mohammad Ghafari

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

AI总结 本文提出了一种持久存储人类反馈的框架，以提升LLMs在安全代码生成和漏洞检测中的可靠性。

Can We Classify Flaky Tests Using Only Test Code? An LLM-Based Empirical Study

仅通过测试代码可以对不稳定测试进行分类吗？基于LLM的经验研究

Alexander Berndt, Vekil Bekmyradov, Rainer Gemulla, Marcus Kessel, Thomas Bach, Sebastian Baltes

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

AI总结 本研究探讨了仅通过测试代码是否能有效分类不稳定测试，发现LLM在无额外上下文时表现有限，需进一步结合检索增强生成等方法提升泛化能力。

Comments 10 pages, 3 figures, 7 tables, 33rd IEEE International Conference on Software Analysis, Evolution and Reengineering: Reproducibility Studies and Negative Results (SANER-RENE 2025)