RAG / 检索增强生成

Forgotten History or Test-of-Time? Retrospect and Prospect on RAG from an IR Perspective

被遗忘的历史还是时间的考验？从信息检索视角回顾与展望检索增强生成（RAG）

Xiaoyan Zhao, Yujie Cai, Yang Zhang, Grace Hui Yang, Tat-Seng Chua

机构 * National University of Singapore（新加坡国立大学） ； Georgetown University（乔治城大学） 纠错

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

AI总结 本文从IR视角指出RAG核心思想源于21世纪初的经典研究，提出将LLM视为旧QA架构的新接口层，其前期工作可指导下一代RAG设计，促进跨领域整合。

ConMem: Contribution-Aware Memory for Long-Horizon Manufacturing Inspection Logs

ConMem：面向长周期制造检查日志的贡献感知记忆

Bingchen Liu, Yuanyuan Fang, Lei Liu, Guangyuan Dong, Xing Fu, Yuanyuan Gao, Shuyue Wei, Xin Li, Xiangtian Meng

机构 * Shandong University（山东大学） ； Boston University（波士顿大学） ； North China Electric Power University（华北电力大学） ； National University of Singapore（新加坡国立大学） ； Joint SDU-NTU Centre for Artificial Intelligence Research (C-FAIR), Shandong University（山东大学-南洋理工大学人工智能联合研究中心（C-FAIR）） ； Rizhao Steel Holding Group Co., Ltd.（日照钢铁控股集团有限公司） 纠错

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

AI总结 该研究针对长周期制造检查日志的早期风险筛查需求，提出ConMem贡献感知记忆框架，通过Shapley风格评估保留高价值证据，在真实数据集上实现76.0% QA准确率，大幅减少输入token数与响应时间，可有效保留弱早期信号并提供预警。