RAG / 检索增强生成

KidnapRAG: A Black-Box Attack for Hijacking Reasoning in Agentic Retrieval-Augmented Generation Systems

KidnapRAG：针对代理式检索增强生成系统中推理劫持的黑盒攻击

Chanwoo Choi, Euntae Kim, Kyuho Lee, Youngsam Chun, Jinhee Jeong, Eunmi Kim, Myunggyo Oh, Junseo Jang, Buru Chang

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

AI总结 提出KidnapRAG，一种针对代理式RAG系统的黑盒顺序投毒攻击，通过三种角色文档（诱饵、链环、恶意指令）劫持多步推理链，实验表明在多种框架和基准上优于现有方法。

Comments Accepted to the Main Conference of EMNLP 2026

A Wolf in Sheep's Clothing: Targeted Routing Hijacking in Federated RAG

披着羊皮的狼：联邦RAG中的目标路由劫持

Junjie Mu, Qiongxiu Li

机构 * Politecnico di Milano（米兰理工大学） ； Aalborg University（奥胡斯大学） 纠错

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

AI总结 本文提出路由劫持攻击，恶意客户端伪造语义配置文件以吸引目标查询，导致检索结果被篡改，并设计了一种基于信任的后路由框架来缓解该攻击。

Comments Accepted to the EMNLP 2026 Main Conference. Code available at this https URL (https://github.com/Junjie-Mu/routing-hijacking-fedrag)

Do Not Treat Code as Natural Language: Implications for Repository-Level Code Generation and Beyond

不要将代码视为自然语言：对仓库级代码生成及更广泛领域的启示

Minh Le-Anh, Huyen Nguyen, Khanh An Tran, Nam Le Hai, Linh Ngo Van, Nghi D.Q. Bui, Bach Le

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

AI总结 Hydra通过结构化代码生成框架提升仓库级代码生成性能，超越现有方法并实现更高效依赖检索。

Comments Accepted to FSE 2026

Search, Inspect, Fetch: Exploiting Structure-Aware Boolean Retrieval for Deep-Search Agents

搜索、检查、获取：利用布尔检索构建深度研究智能体

Shuai Wang, Haodong Chen, Yu Yin, Shengyao Zhuang, Bevan Koopman, Guido Zuccon

机构 * The University of Queensland（昆士兰大学） ； CSIRO（联邦科学与工业研究组织） 纠错

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

AI总结 本研究针对现有深度研究智能体的缺陷，提出基于BQL的SIEVE接口，在三个问答数据集上实现更高准确率且token用量显著减少，验证了BQL过滤的有效性。

Comments clean up text, format, clearer setup;

ToolSense: A Diagnostic Framework for Auditing Parametric Tool Knowledge in LLMs

ToolSense: 审计LLM中参数化工具知识的诊断框架

Ashutosh Hathidara, Sai Shruthi Sistla, Sebastian Schreiber, Sahil Bansal

机构 * SAP Labs（SAP实验室） 纠错

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

AI总结 提出ToolSense诊断框架，自动生成三类基准测试，揭示参数化工具检索中知识-检索分离现象，发现模型在模糊查询下性能显著下降。

Comments EMNLP 2026 Findings

Mine and Refine: Optimizing Graded Relevance in E-commerce Semantic Search Retrieval

挖掘与精炼：优化电子商务搜索检索中的分级相关性

Jiaqi Xi, Raghav Saboo, Luming Chen, Johny Rufus, Aditya Dodda, Ved Sampath, Kenny Chi, Elyse Winer, Akshad Viswanathan, Martin Wang, Sudeep Das

机构 * DoorDash Inc.（DoorDash公司） 纠错

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

AI总结 本文提出一种两阶段框架，通过挖掘和精炼提升电子商务搜索检索的分级相关性，结合对比学习和多类圆损失优化嵌入空间。

Comparing Chunking and Embedding Strategies for Turkish RAG Systems

土耳其检索增强生成（RAG）系统的分块与嵌入策略比较

Mustafa Sertaç Türkel, Fatma Nur Korkmaz, Ahmet Tuğrul Bayrak

机构 * Data Science and Innovation Ata Technology Platforms（阿塔技术平台数据科学与创新部门） 纠错

专题命中 向量检索 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 该研究针对土耳其语RAG系统，对比三种分块策略、五种嵌入模型和两种生成器LLM，发现布局感知分块可压缩嵌入模型差异，最优配置依内容类型而定，最佳单个组件无法组合出最优整体配置，准确率达87.0%。

Comments Accepted to INTCEC 2026. This is the author's pre-print version. The final authenticated version will be available through the conference proceedings

Vis-Poison: Poisoning Visual Knowledge in Multimodal Retrieval-Augmented Generation

Vis-Poison：多模态检索增强生成中的视觉知识投毒攻击

Rujin Liang, Zhongpu Chen, Yuhao Lei, Xin Miao

机构 * Southwestern University of Finance and Economics（西南财经大学） ； Nanjing University of Science and Technology（南京理工大学） 纠错

专题命中 多模态RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(title,abstract)；分类 cs.AI

AI总结 本文提出Vis-Poison攻击，通过自动化多智能体方法构建视觉合理的被投毒图像，在黑盒设置下对多模态RAG系统实现40.16%-65.40%的攻击成功率，且对仅依赖参数知识的MLLM平均成功率超60%。

Comments Findings of EMNLP, 2026