RAG / 检索增强生成

RAVEN: Agentic RAG for Automated Vulnerability Repair

RAVEN：用于自动化漏洞修复的智能体检索增强生成框架

Varun Gadey, Zijie Liu, Alexandra Dmitrienko

机构 * University of Duisburg-Essen（杜伊斯堡- Essen大学） 纠错

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

AI总结 提出RAVEN框架，集成智能体RAG管道与可控迭代修复，利用开源LLM实现跨类型、跨语言的自动化漏洞修复，在160个真实CVE上达到83.13%修复成功率。

Comments 17 Pages, 4 figures. Under review

Ricci-Filtration: Boosting Retrieval-Augmented Generation Reranker to Query-Answer Tasks by Discrete Ricci Flow

Ricci-Filtration：通过离散Ricci流提升检索增强生成重排序器在查询-答案任务中的性能

Tian Qin, Wei-Min Huang

机构 * Tian Qin（田琴） ； Wei-Min Huang（黄伟民） 纠错

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

AI总结 提出基于离散曲率和Ricci流的几何重排序增强方法Ricci-Filtration，通过建模查询与检索块为网络并利用曲率过滤噪声块，显著提升RAG生成性能。

UniversalRAG: Retrieval-Augmented Generation over Corpora of Diverse Modalities and Granularities

UniversalRAG: 在多样模态和粒度的语料库上实现检索增强生成

Woongyeong Yeo, Kangsan Kim, Soyeong Jeong, Jinheon Baek, Sung Ju Hwang

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 本文提出UniversalRAG，一种能够处理多种模态和粒度的检索增强生成框架，通过动态路由机制和多粒度组织，提升跨模态知识检索的有效性，实验表明其在多个模态基准上的优越性。

Comments ACL 2026. Project page : https://universalrag.github.io

DiscourseFlip: An Oblique Discourse-Level Opinion Manipulation Attack against Black-box Retrieval-Augmented Generation

DiscourseFlip: 面向黑盒检索增强生成的非直述式语篇级观点操纵攻击

Yuyang Gong, Miaokun Chen, Jiawei Liu, Zhuo Chen, Guoxiu He, Wei Lu, XiaoFeng Wang, Xiaozhong Liu

机构 * Wuhan University（武汉大学） ； East China Normal University（华东师范大学） ； Nanyang Technological University（南洋理工大学） ； Worcester Polytechnic Institute（沃思堡理工学院） 纠错

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

AI总结 提出一种基于图引导的代理攻击方法DiscourseFlip，通过语义查询网络中的协同影响在有限预算下最大化语篇级观点偏差，实验证明其有效性和隐蔽性，并揭示现有防御的不足。

Grounded Cache Routing for Retrieval-Augmented Generation: When Is It Safe to Reuse an Answer?

基于证据的缓存路由用于检索增强生成：何时可以安全地重用答案？

Syed Huma Shah

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

AI总结 提出GroundedCache，一种通过四个廉价门控（查询相似性、检索证据重叠、源版本有效性和词汇支持）验证缓存答案安全性的路由方法，显著降低不安全服务率。

Comments 19 pages, 9 figures, 10 tables. Code: https://github.com/syedhumarahim/grounded-cache-router

RADAR: Defending RAG Dynamically against Retrieval Corruption

RADAR: 通过动态防御对抗RAG的检索腐败

Ziyuan Chen, Yueming Lyu, Yi Liu, Weixiang Han, Jing Dong, Caifeng Shan, Tieniu Tan

机构 * School of Intelligence Science and Technology, Nanjing University, Suzhou, China（南京大学智能科学与技术学院，中国，苏州） ； City University of Hong Kong, Hong Kong, China（香港城市大学，中国，香港） ； Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所，北京，中国） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)

AI总结 RADAR通过将可靠的上下文选择建模为图基能最小化问题，利用最大流最小割算法进行精确求解，采用贝叶斯记忆节点递归更新信念状态，以平衡稳定性和对抗性攻击，同时适应真实知识变化，在动态数据集上实现了比基线方法更优越的鲁棒性和响应质量，且存储开销小。

ClusterRAG: Cluster-Based Collaborative Filtering for Personalized Retrieval-Augmented Generation

ClusterRAG: 基于聚类的协同过滤用于个性化检索增强生成

Gibson Nkhata, Uttamasha Anjally Oyshi, Quan Mai, Susan Gauch

机构 * University of Arkansas（阿肯色大学） ； Walmart Inc.（沃尔玛公司） 纠错

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

AI总结 ClusterRAG通过聚类用户轮廓文档，利用相似用户的协同信号提升当前用户的个性化生成性能，通过在集群和文档层面进行检索，实现了高效的个性化检索增强生成。

Comments 17 pages, 2 figures, to be published in the proceedings of ACL 2026

Enhancing Retrieval-Augmented Generation with Entity Linking for Educational Platforms

通过实体链接增强教育平台的检索增强生成

Francesco Granata, Francesco Poggi, Misael Mongiovì

机构 * Department of Mathematics and Computer Science, University of Catania, Italy（卡塔尼亚大学数学与计算机科学系） ； Institute of Cognitive Sciences and Technologies (ISTC), National Research Council of Italy (CNR)（意大利国家研究委员会认知科学与技术研究所（ISTC）） 纠错

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

AI总结 本文提出ELERAG架构，通过实体链接增强事实信号，提升教育问答系统在意大利语领域的准确性，实验显示其在专业领域表现优异，但通用领域效果不如交叉编码器。

Journal ref Big Data and Cognitive Computing, 10(4), 120. 2026

Career-Aware Resume Tailoring via Multi-Source Retrieval-Augmented Generation with Provenance Tracking: A Case Study

面向职业发展的简历定制：通过多源检索增强生成与溯源的多源检索增强生成：案例研究

Kumar Abhinav

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

AI总结 本文提出Resume Tailor系统，通过多源检索增强生成与溯源技术，利用纵向职业档案提升简历定制效果，实验显示在相关经验存在时，ATS匹配分数提升，但领域知识不足时分数下降。

Comments 6 pages, 1 figure, 5 tables. Also available on SSRN

Self-Aware Vector Embeddings for Retrieval-Augmented Generation: A Neuroscience-Inspired Framework for Temporal, Confidence-Weighted, and Relational Knowledge

具有自我意识的向量嵌入用于检索增强生成：一种受神经科学启发的框架，用于时间、置信度加权和关系知识

Naizhong Xu

机构 * Principal Consultant, CMC APAC（CMC APAC 主任顾问） 纠错

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

AI总结 本文提出SmartVector框架，通过引入时间意识、置信度衰减和关系意识，改进检索增强生成系统，提升准确性与鲁棒性。

Comments 17 pages, 4 tables

Retrieval Improvements Do Not Guarantee Better Answers: A Study of RAG for AI Policy QA

检索改进并不保证更好的答案：RAG在人工智能政策问答中的研究

Saahil Mathur, Ryan David Rittner, Vedant Ajit Thakur, Daniel Stuart Schiff, Tunazzina Islam

机构 * Department of Computer Science, Purdue University（计算机科学系，普渡大学） ； Department of Political Science, Purdue University（政治学系，普渡大学） 纠错

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

AI总结 本文研究了RAG在人工智能治理中的应用，发现领域特定微调虽提升检索指标，但未必改善问答性能，尤其在相关文档缺失时可能导致更自信的幻觉。

Graph Your Way to Inspiration: Integrating Co-Author Graphs with Retrieval-Augmented Generation for Large Language Model Based Scientific Idea Generation

通过图谱获取灵感：将合著者图谱与检索增强生成结合用于基于大语言模型的科学想法生成

Pengzhen Xie, Huizhi Liang

机构 * School of Computing Newcastle University（计算学院新castle大学） 纠错

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

AI总结 本文提出GYWI系统，结合作者图谱与RAG技术，提升大语言模型生成科学想法的可控性和灵感追溯能力。

Comments 15 pages, 10 figures. Submitted to [RAAI]

Neurosymbolic Retrievers for Retrieval-augmented Generation

用于检索增强生成的神经符号检索器

Yash Saxena, Manas Gaur

机构 * Dept. of CSEE University of Maryland Baltimore County, Maryland, USA（电子工程系大学马里兰大学巴尔的摩县） ； Dept. of CSEE University of Maryland Baltimore County, MD, USA（电子工程系大学马里兰大学巴尔的摩县） 纠错

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

AI总结 本文提出神经符号 RAG 框架，通过结合知识图谱与神经检索技术，提升检索过程的透明性和生成性能。

Comments 8 pages, 2 Figures, Published in IEEE Intelligent Systems

Benchmarking Retrieval-Augmented Generation for Chemistry

基于化学领域的检索增强生成基准测试

Xianrui Zhong, Bowen Jin, Siru Ouyang, Yanzhen Shen, Qiao Jin, Yin Fang, Zhiyong Lu, Jiawei Han

机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院） ； National Library of Medicine, National Institutes of Health（美国国立卫生研究院国家医学图书馆） 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.CL、cs.AI

AI总结 本文提出ChemRAG-Bench和Toolkit，用于评估RAG在化学领域的有效性，并展示RAG在化学任务中比直接推理方法有17.4%的性能提升。

Comments Accepted to COLM 2025

VectorLiteRAG: Latency-Aware and Fine-Grained Resource Partitioning for Efficient RAG

VectorLiteRAG: 一种面向延迟敏感的细粒度资源划分方法以实现高效的RAG系统

Junkyum Kim, Divya Mahajan

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

AI总结 VectorLiteRAG通过细粒度GPU资源划分方法，提升RAG系统在延迟敏感场景下的吞吐量性能，无需额外硬件资源。

Efficient and Reproducible Biomedical Question Answering using Retrieval Augmented Generation

高效且可重复的生物医学问答使用检索增强生成

Linus Stuhlmann, Michael Alexander Saxer, Jonathan Fürst

机构 * School of Engineering, Zurich University of Applied Sciences, Winterthur, Switzerland（工程学院，应用科学大学，温特图尔，瑞士） 纠错

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

AI总结 本研究提出了一种高效的生物医学问答系统，通过检索增强生成方法，在PubMed语料库上优化检索深度与响应时间的平衡。

Comments Minor wording corrections and updated author contact information

Journal ref 2025 IEEE Swiss Conference on Data Science (SDS), pp. 154-157

RouteRAG: Efficient Retrieval-Augmented Generation from Text and Graph via Reinforcement Learning

RouteRAG: 通过强化学习实现文本和图的高效检索增强生成

Yucan Guo, Miao Su, Saiping Guan, Zihao Sun, Xiaolong Jin, Jiafeng Guo, Xueqi Cheng

机构 * CAS Key Laboratory of Network Data Science and Technology, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所网络数据科学与技术重点实验室） ； School of Computer Science and Technology, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院） 纠错

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

AI总结 RouteRAG通过强化学习实现文本和图的高效混合检索增强生成，提升多轮推理和复杂任务的适应性与效率。

Retrieval-Augmented Generation for Reliable Interpretation of Radio Regulations

Zakaria El Kassimi, Fares Fourati, Mohamed-Slim Alouini

机构 * KAUST（卡斯泰尔大学） 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.CL、cs.AI

Comments 12 pages, 7 figures, AI4NextG @ NeurIPS 2025

The Cross-Lingual Cost: Retrieval Biases in RAG over Arabic-English Corpora

Chen Amiraz, Yaroslav Fyodorov, Elad Haramaty, Zohar Karnin, Liane Lewin-Eytan

机构 * Technology Innovation Institute（技术创新研究所） 纠错

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

Comments Accepted to ArabicNLP 2025

Is Implicit Knowledge Enough for LLMs? A RAG Approach for Tree-based Structures

Mihir Gupte, Paolo Giusto, Ramesh S

机构 * General Motors（通用汽车公司） 纠错

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

Comments Waiting for Conference Response

Towards Mixed-Modal Retrieval for Universal Retrieval-Augmented Generation

Chenghao Zhang, Guanting Dong, Xinyu Yang, Zhicheng Dou

机构 * Renmin University of China（中国人民大学） 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.CL、cs.AI

Comments This work is in progress

A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models

Qinggang Zhang, Shengyuan Chen, Yuanchen Bei, Zheng Yuan, Huachi Zhou, Zijin Hong, Hao Chen, Yilin Xiao, Chuang Zhou, Junnan Dong, Yi Chang, Xiao Huang

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

A Systematic Literature Review of Retrieval-Augmented Generation: Techniques, Metrics, and Challenges

Andrew Brown, Muhammad Roman, Barry Devereux

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

Comments 58 page

Advancing Retrieval-Augmented Generation for Structured Enterprise and Internal Data

Chandana Cheerla

机构 * IIT Roorkee（罗尔基大学） 纠错

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

Leveraging LLM-Assisted Query Understanding for Live Retrieval-Augmented Generation

Guanting Dong, Xiaoxi Li, Yuyao Zhang, Mengjie Deng

机构 * Renmin University of China（中国人民大学） 纠错

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

Comments Accepted at SIGIR 2025 LiveRAG Workshop (Oral Presentation)

GeAR: Graph-enhanced Agent for Retrieval-augmented Generation

Zhili Shen, Chenxin Diao, Pavlos Vougiouklis, Pascual Merita, Shriram Piramanayagam, Enting Chen, Damien Graux, Andre Melo, Ruofei Lai, Zeren Jiang, Zhongyang Li, YE QI, Yang Ren, Dandan Tu, Jeff Z. Pan

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

Comments ACL 2025 Findings

VisRAG: Vision-based Retrieval-augmented Generation on Multi-modality Documents

Shi Yu, Chaoyue Tang, Bokai Xu, Junbo Cui, Junhao Ran, Yukun Yan, Zhenghao Liu, Shuo Wang, Xu Han, Zhiyuan Liu, Maosong Sun

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

Chat3GPP: An Open-Source Retrieval-Augmented Generation Framework for 3GPP Documents

Long Huang, Ming Zhao, Limin Xiao, Xiujun Zhang, Jungang Hu

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

xRAG: Extreme Context Compression for Retrieval-augmented Generation with One Token

Xin Cheng, Xun Wang, Xingxing Zhang, Tao Ge, Si-Qing Chen, Furu Wei, Huishuai Zhang, Dongyan Zhao

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

Comments Neurips 2024

Reducing hallucination in structured outputs via Retrieval-Augmented Generation

Patrice Béchard, Orlando Marquez Ayala

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

Comments To be presented at NAACL 2024. 11 pages and 4 figures

Journal ref 2024.naacl-industry.19