eMEM: A Hybrid Spatio-Temporal Memory System For Embodied Agents
eMEM：一种面向具身智能体的混合时空记忆系统
专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)
AI总结 提出eMEM混合图记忆系统，通过多索引架构和分层整合管道实现具身智能体在空间、时间和语义上的高效记忆检索，并在ProcTHOR-10K基准测试中达到80.8加权平均分。
AI 大模型
RAG / 检索增强生成
检索增强生成、向量检索、知识库问答和面向大模型的搜索系统。
1. 图谱与结构化RAG 40 篇
PRAXIS: Case-distilled and code-verified AI agents for biological research
PRAXIS：用于生物学研究的案例提炼与代码验证的AI智能体
专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)
AI总结 提出PRAXIS框架，通过文献学习和案例提炼将研究经验转化为结构化长期记忆，支持生物计算任务中的问题定义、对象验证、方法选择等，实验表明基于案例的学习提升了复杂生物研究任务的方法选择、错误抑制和工作流组织。
Detecting Knowledge Inconsistencies Across Text, Tables, and Knowledge Graphs
跨文本、表格和知识图谱检测知识不一致性
机构 * EURECOM（欧洲电信学院）
专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI
AI总结 研究跨文本、表格和知识图谱的知识不一致性检测问题，提出\textsc{Kontrast}框架，通过文本到SPARQL和语言模型推理比较并分类不一致性，实验表明跨模态不一致性常见且有价值，为知识审计提供工具并建立基准。
MedKGent: A Large Language Model Agent Framework for Constructing Temporally Evolving Medical Knowledge Graph
MedKGent：用于构建随时间演变的医学知识图谱的大语言模型智能体框架
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德大学人工智能学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Kyoto University（京都大学） ； Tsinghua University（清华大学） ； East China Normal University（华东师范大学） ； Center for Excellence in Brain Science and Intelligence Technology（脑科学与智能技术卓越中心） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里特妇女医院） ； GenBio AI
专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI
AI总结 研究针对医学文献增长带来的知识结构化挑战，引入MedKGent框架，利用PubMed摘要通过两个智能体每日增量构建医学知识图谱，经评估其三元组有效性高，能显著改进大语言模型在医学问答基准上的检索增强生成。
Comments Accepted by Npj Digital Medicine
TGMS: An Agent-Native Bi-Temporal Graph Management System
TGMS：一种原生代理双时态图管理系统
专题命中 图谱与结构化RAG ：RAG(abstract)；分类 cs.DB
AI总结 研究针对时态图问题中LLM代理常失败的情况，提出双时态属性图管理系统TGMS，将13个运算符作为代理工具，LLM规划调用，系统计算，能分离有效时间与事务时间，在基准测试中表现优异，开源代码等。
AnnoRetrieve: Efficient Structured Retrieval for Unstructured Document Analysis
AnnoRetrieve：面向无结构文档分析的高效结构化检索
专题命中 图谱与结构化RAG ：vector search(abstract)；分类 cs.IR
AI总结 本文提出AnnoRetrieve，通过结构化注释替代向量嵌入，实现高效精准的语义检索，降低LLM调用频率和成本，提升文档分析的准确性和可扩展性。
Spatiotemporal Knowledge Graphs as Persistent Scene Memory for Embodied Question Answering
VL-KnG：从单目视频构建持久时空知识图谱以实现具身场景理解
机构 * Applied AI Institute, Moscow, Russia（莫斯科应用人工智能研究所）
专题命中 图谱与结构化RAG ：RAG(abstract_cn)；分类 cs.AI
AI总结 VL-KnG通过构建时空知识图谱实现高效具身场景理解，采用LLM驱动的时空对象关联和图增强检索，无需3D重建，支持常数时间推理，优于现有前沿VLMs。
AeroRAG: Structured Multimodal Retrieval-Augmented LLM for Fine-Grained Aerial Visual Reasoning
AeroRAG：结构化多模态检索增强型LLM用于细粒度航空视觉推理
机构 * Research Center for Space Computing System, Zhejiang Lab, Hangzhou（杭州浙大实验室空间计算系统研究中心） ； Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Hangzhou（中国科学院大学杭州高等研究院） ； School of Cyber Science and Engineering, Zhengzhou University（郑州大学计算机科学与工程学院） ； School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院）
专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)
AI总结 本文提出AeroRAG，通过结构化场景图引导的多模态检索增强生成框架，解决航空场景中视觉问答的挑战，提升对小物体、数量、位置及物体关系的推理能力。
Self-Driving Datasets: From 20 Million Papers to Nuanced Biomedical Knowledge at Scale
自主驾驶数据集：从2000万篇论文到大规模精细化生物医学知识
机构 * Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Department of Genetics, University of Pennsylvania（宾夕法尼亚大学遗传学系） ； Departments of Bioengineering and Chemical and Biomolecular Engineering, University of Pennsylvania（宾夕法尼亚大学生物工程与化学与生物分子工程系）
专题命中 图谱与结构化RAG ：dense retrieval(abstract)
AI总结 本文提出通过PubMed自动生成结构化数据集，实现更大规模、更精细和更准确的生物医学知识，展示Starling系统在多个任务中生成大规模数据集并提升准确性。
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
机构 * Beijing University of Posts and Telecommunications（北京邮电大学）
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。
