RAG / 检索增强生成

EnSI-RAG: Entity-Structure-Indexed Retrieval-Augmented Generation for Long-Document Question Answering

EnSI-RAG：面向长文档问答的实体结构索引增强检索生成框架

Xuanyu Meng, Jiashuo Sun, Jash Rajesh Parekh, Jiawei Han

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

AI总结 该研究针对长文档问答的RAG方法缺陷，提出EnSI-RAG框架，构建以实体为中心的索引，在Loong和Oolong数据集上平均准确率达78.24，较基准提升6.62个百分点，验证了其有效性。

Comments 21 pages, preprint

Edge-Based Agentic Retrieval-Augmented Generation for Autonomous FHWA Bridge Inspection Compliance

面向美国联邦公路管理局（FHWA）桥梁检查合规性的基于边缘的智能体检索增强生成

Viraj Nishesh Darji, Hemaliben Rakeshkumar Darji

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

AI总结 针对FHWA桥梁合规核查的痛点，提出离线智能体RAG系统BridgeGuard，结合向量搜索与SQL查询，在边缘硬件实现高准确率、高速的结构缺陷桥梁识别。

Comments 27 pages, 1 figure, 5 tables. Pre-print submitted to the ASCE Journal of Computing in Civil Engineering. Code and data available at: this https URL (https://github.com/virajdarji/bridgeguard)

jXBW: A Compressed Index Enabling Structure-Aware JSONL Retrieval for Structured RAG

jXBW: 面向结构化RAG中结构感知JSONL检索的压缩索引

Yasuo Tabei

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

AI总结 提出jXBW压缩索引，通过合并树表示、基于扩展Burrows-Wheeler变换的简洁树索引和三阶段子结构搜索算法，实现查询依赖的复杂度，在百万级JSONL数据集上比最强基线快16倍至2800倍。

Temporal Validity on Real Software Histories: Eliminating Stale-Fact Errors in Code-Assistant Memory over GitHub Fixes

真实软件历史中的时间有效性：基于GitHub修复消除代码助手记忆中的过时事实错误

Neeraj Yadav

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

AI总结 该研究针对代码助手RAG存在的无法区分新旧代码事实的问题，提出MemStrata确定性取代记忆，在真实GitHub修复数据集上使过时事实错误率降至约0，准确率达0.91，延迟仅约2.1秒。

Reason-Then-Retrieve for CoVR-R with Structured Edit Prompts and Dense-Sparse Fusion

先推理后检索：面向CoVR-R的结构化编辑提示与密集-稀疏融合

Dongqing Liu, Mengshi Qi, Hongwei Ji

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

专题命中 图谱与结构化RAG ：dense retrieval(abstract)

AI总结 针对CoVR-R任务，提出一种零样本的“先推理后检索”流水线，利用Qwen3.5-27B生成结构化描述和密集嵌入，并结合TF-IDF稀疏分支进行融合排序，在验证集和测试集上取得了领先性能。