RAG / 检索增强生成

Pursuing Best Industrial Practices for Retrieval-Augmented Generation in the Medical Domain

追求医疗领域检索增强生成的最佳工业实践

Liz Li, Wei Zhu

机构 * DataSelect AI ； University of Hong Kong（香港大学） 纠错

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

AI总结 本文针对医疗领域RAG系统构建，分析各组件并提出替代方案，通过系统评估揭示最佳实践及性能效率权衡。

Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation

学习路由：一种基于规则的代理框架用于混合源检索增强生成

Haoyue Bai, Haoyu Wang, Shengyu Chen, Zhengzhang Chen, Lu-An Tang, Wei Cheng, Haifeng Chen, Yanjie Fu

机构 * Arizona State University（亚利桑那州立大学） ； NEC Laboratories America（NEC美国实验室） 纠错

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

AI总结 本文提出基于规则的路由框架，通过系统规则选择合适来源提升检索增强生成的准确性和效率。

CyberBOT: Towards Reliable Cybersecurity Education via Ontology-Grounded Retrieval Augmented Generation

CyberBOT: 通过基于本体的检索增强生成实现可靠的网络安全教育

Chengshuai Zhao, Riccardo De Maria, Tharindu Kumarage, Kumar Satvik Chaudhary, Garima Agrawal, Yiwen Li, Jongchan Park, Yuli Deng, Ying-Chih Chen, Huan Liu

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

AI总结 CyberBOT通过基于本体的检索增强生成技术，提供可靠的网络安全教育解决方案，提升教学效果和学生参与度。

Comments Accepted by The Conference on Information and Knowledge Management (CIKM) 2025

IGMiRAG: Intuition-Guided Retrieval-Augmented Generation with Adaptive Mining of In-Depth Memory

IGMiRAG: 基于直觉引导的检索增强生成与深度记忆适应性挖掘

Xingliang Hou, Yuyan Liu, Qi Sun, haoxiu wang, Hao Hu, Shaoyi Du, Zhiqiang Tian

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

AI总结 IGMiRAG通过直觉引导的检索增强生成框架，结合超图和演绎路径，提升多粒度知识对齐和深度记忆挖掘，实现更高效有效的生成性能。

Comments 29 pages, Information Retrieval

Mitigating Hallucination in Financial Retrieval-Augmented Generation via Fine-Grained Knowledge Verification

通过细粒度知识验证缓解金融检索增强生成中的幻觉

Taoye Yin, Haoyuan Hu, Yaxin Fan, Xinhao Chen, Xinya Wu, Kai Deng, Kezun Zhang, Feng Wang

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

AI总结 本文提出RLFKV框架，通过细粒度知识验证和信息量奖励，缓解金融RAG系统中的幻觉问题，提升响应准确性与一致性。

Comments accepted by ICASSP 2026

RAG without Forgetting: Continual Query-Infused Key Memory

无需遗忘的RAG：持续查询注入键记忆

Yuntong Hu, Sha Li, Naren Ramakrishnan, Liang Zhao

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

AI总结 ERM通过正确性门控反馈实现持续检索改进，无需训练，将查询扩展转化为稳定索引，提升多领域检索与生成性能。

Comments 24 pages, 12 figures

ProphetKV: User-Query-Driven Selective Recomputation for Efficient KV Cache Reuse in Retrieval-Augmented Generation

ProphetKV: 基于用户查询的 selective recompute 方法用于高效 KV 缓存重用

Shihao Wang, Jiahao Chen, Yanqi Pan, Hao Huang, Yichen Hao, Xiangyu Zou, Wen Xia, Wentao Zhang, Chongyang Qiu, Pengfei Wang

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Beijing Yanrong Technology Co., Ltd.（北京燕龙科技有限公司） 纠错

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

AI总结 ProphetKV通过用户查询驱动的KV缓存重用方法，高效恢复交叉注意力，提升检索增强生成的推理准确性。

Dynamic Context Adaptation for Consistent Role-Playing Agents with Retrieval-Augmented Generations

动态上下文适应用于具有检索增强生成的连贯角色扮演代理

Jeiyoon Park, Yongshin Han, Minseop Kim, Kisu Yang

机构 * SOOP ； Korea University（韩国大学） 纠错

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

AI总结 本文提出Amadeus框架，通过动态上下文适应提升角色扮演代理在知识外延问题中的连贯性，并构建CharacterRAG数据集以支持RAG基于角色扮演代理的开发与评估。

Comments preprint

CUBO: Self-Contained Retrieval-Augmented Generation on Consumer Laptops 10 GB Corpora, 16 GB RAM, Single-Device Deployment

CUBO：面向消费者笔记本电脑的自包含检索增强生成系统，支持10 GB语料库、16 GB RAM单设备部署

Paolo Astrino

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

AI总结 CUBO是一种面向消费者笔记本电脑的RAG系统，通过16GB内存和本地处理实现GDPR合规的高效检索增强生成。

Comments 24 pages, 2 figures, 6 tables

CiMRAG: CiM-Aware Domain-Adaptive and Noise-Resilient Retrieval-Augmented Generation for Edge-Based LLMs

CiMRAG: 面向边缘LLM的意识域自适应与噪声鲁棒检索增强生成

Shih-Hsuan Chiu, Ming-Syan Chen

机构 * National Taiwan University（国立台湾大学） 纠错

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

AI总结 CiMRAG通过TONEL框架提升边缘LLM在噪声环境下的检索准确性和域适应性。

Comments Accepted by ICASSP 2026

Logic-Oriented Retriever Enhancement via Contrastive Learning

基于对比学习的逻辑导向检索增强

Wenxuan Zhang, Yuan-Hao Jiang, Changyong Qi, Rui Jia, Yonghe Wu

机构 * Shanghai Institute of Artificial Intelligence for Education, East China Normal University, China（上海人工智能教育研究院，华东师范大学） ； Education Technology, East China Normal University, China（教育技术，华东师范大学） 纠错

专题命中 检索器与排序 ：retriever(title,abstract)；RAG(abstract)；分类 cs.CL

AI总结 LORE通过对比学习提升检索器的逻辑分析能力，无需额外资源，有效增强检索和生成性能。

Comments accepted by icassp 2026

Retrieval-Augmented Generation for Natural Language Art Provenance Searches in the Getty Provenance Index

基于检索增强生成的自然语言艺术来源检索在盖蒂来源索引中的应用

Mathew Henrickson

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

AI总结 本研究提出一种基于检索增强生成的框架，用于多语言自然语言艺术来源检索，提升艺术档案的探索性搜索能力。

Journal ref Academia AI and Applications. 2026;2(1)

DGRAG: Distributed Graph-based Retrieval-Augmented Generation in Edge-Cloud Systems

DGRAG：边缘-云计算系统中的分布式图驱动检索增强生成

Wenqing Zhou, Yuxuan Yan, Qianqian Yang

机构 * Zhejiang University（浙江大学） 纠错

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

AI总结 DGRAG是一种面向边缘-云计算系统的分布式图驱动检索增强生成框架，通过边缘设备本地知识图和云端轻量级索引实现隐私保护和高效检索。

CtrlRAG: Black-box Document Poisoning Attacks for Retrieval-Augmented Generation of Large Language Models

CtrlRAG：用于大型语言模型检索增强生成的黑盒文档污染攻击

Runqi Sui

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Sun Yat-sen University（中山大学） 纠错

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

AI总结 CtrlRAG通过注入恶意文档实现对RAG系统的黑盒攻击，提升攻击成功率并提出动态防御策略以平衡安全与性能。

Parametric Retrieval-Augmented Generation using Latent Routing of LoRA Adapters

基于LoRA适配器潜在路由的参数化检索增强生成

Zhan Su, Fengran Mo, Jinghan Zhang, Yuchen Hui, Jiaao Sun, Jian-yun Nie

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

AI总结 Poly-PRAG通过少量LoRA适配器和潜在路由函数，高效整合外部知识，降低存储与推理成本。

LIR$^3$AG: A Lightweight Rerank Reasoning Strategy Framework for Retrieval-Augmented Generation

LIR$^3$AG：一种轻量级重排序推理策略框架用于检索增强生成

Guo Chen, Junjie Huang, Huaijin Xie, Fei Sun, Tao Jia

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

AI总结 LIR$^3$AG通过重构检索证据为连贯推理链，使非推理模型在RAG中实现性能超越，减少计算开销并提升F1分数。

Comments AAAI2026

Unlocking the Potentials of Retrieval-Augmented Generation for Diffusion Language Models

解锁检索增强生成在扩散语言模型中的潜力

Chuanyue Yu, Jiahui Wang, Yuhan Li, Heng Chang, Ge Lan, Qingyun Sun, Jia Li, Jianxin Li, Ziwei Zhang

机构 * Nankai University（南开大学） ； Beihang University（北航） ； HKUST (Guangzhou)（香港科技大学（广州）） ； Huawei Technologies Co., Ltd.（华为技术有限公司） 纠错

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

AI总结 本文提出SPREAD框架，通过引入查询相关性引导的去噪策略，解决DLMs在RAG框架中生成精度低和语义漂移的问题。

Comments Preprints

PruneRAG: Confidence-Guided Query Decomposition Trees for Efficient Retrieval-Augmented Generation

PruneRAG: 基于置信度的查询分解树用于高效的检索增强生成

Shuguang Jiao, Xinyu Xiao, Yunfan Wei, Shuhan Qi, Chengkai Huang, Quan Z. Michael Sheng, Lina Yao

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

AI总结 PruneRAG通过基于置信度的查询分解树，提升检索增强生成的效率与准确性。

RoutIR: Fast Serving of Retrieval Pipelines for Retrieval-Augmented Generation

RoutIR: 为检索增强生成系统提供快速服务的检索流水线

Eugene Yang, Andrew Yates, Dawn Lawrie, James Mayfield, Trevor Adriaanse

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

AI总结 RoutIR 提供了一种高效的 HTTP API，支持动态构建和查询检索流水线，适用于需要在线服务的 RAG 系统。

Comments 17 pages, 1 figure

LADFA: A Framework of Using Large Language Models and Retrieval-Augmented Generation for Personal Data Flow Analysis in Privacy Policies

LADFA：利用大型语言模型和检索增强生成进行隐私政策中个人数据流分析的框架

Haiyue Yuan, Nikolay Matyunin, Ali Raza, Shujun Li

机构 * Institute of Cyber Security for Society (iCSS) \& School of Computing, University of Kent Canterbury United Kingdom ； Honda Research Institute Europe GmbH Germany ； Institute of Cyber Security for Society (iCSS) \& School of Computing, University of Kent ； Honda Research Institute Europe GmbH 纠错

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

AI总结 LADFA利用大型语言模型和检索增强生成技术，实现对隐私政策中个人数据流的自动化分析与可视化。

Topo-RAG: Topology-aware retrieval for hybrid text-table documents

Topo-RAG：面向混合文本-表格文档的拓扑感知检索

Alex Dantart, Marco Kóvacs-Navarro

机构 * Humanizing Internet 纠错

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

AI总结 Topo-RAG通过双架构处理混合文本-表格文档，保留空间关系提升检索效果。

Classifying and Addressing the Diversity of Errors in Retrieval-Augmented Generation Systems

对检索增强生成系统中错误多样性的分类与解决

Kin Kwan Leung, Mouloud Belbahri, Yi Sui, Alex Labach, Xueying Zhang, Stephen Anthony Rose, Jesse C. Cresswell

机构 * Layer 6 AI 纠错

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

AI总结 本文对检索增强生成系统中的错误类型进行分类，并提出解决方法和数据集，以提升系统的鲁棒性。

Comments EACL 2026

RAGShaper: Eliciting Sophisticated Agentic RAG Skills via Automated Data Synthesis

RAGShaper: 通过自动化数据合成激发复杂的代理RAG技能

Zhengwei Tao, Bo Li, Jialong Wu, Guochen Yan, Huanyao Zhang, Jiahao Xu, Haitao Mi, Wentao Zhang

机构 * Peking University（北京大学） ； Tencent AI Lab（腾讯人工智能实验室） 纠错

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

AI总结 RAGShaper通过自动化数据合成构建高质量RAG任务和代理轨迹，提升模型在复杂检索任务中的鲁棒性。

Query Suggestion for Retrieval-Augmented Generation via Dynamic In-Context Learning

通过动态上下文学习实现检索增强生成的查询建议

Fabian Spaeh, Tianyi Chen, Chen-Hao Chiang, Bin Shen

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

AI总结 本文提出通过动态上下文学习实现检索增强生成的查询建议，以提升用户交互的安全性和有效性。

NeuroGenPoisoning: Neuron-Guided Attacks on Retrieval-Augmented Generation of LLM via Genetic Optimization of External Knowledge

NeuroGenPoisoning: 通过神经引导对抗LLM检索增强生成中的外部知识注入

Hanyu Zhu, Lance Fiondella, Jiawei Yuan, Kai Zeng, Long Jiao

机构 * University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校） ； George Mason University（乔治·梅森大学） 纠错

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

AI总结 NeuroGenPoisoning通过神经引导和遗传优化生成对抗性外部知识，有效解决RAG中的知识冲突并提高污染成功率。

Seeing through the Conflict: Transparent Knowledge Conflict Handling in Retrieval-Augmented Generation

通过冲突看见：在检索增强生成中实现透明的知识冲突处理

Hua Ye, Siyuan Chen, Ziqi Zhong, Canran Xiao, Haoliang Zhang, Yuhan Wu, Fei Shen

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

AI总结 TCR通过透明冲突解决框架提升检索增强生成中的冲突检测与知识恢复能力，减少误导性上下文影响。

Comments 9 pages, 9 figures, 5 tables

Rational Synthesizers or Heuristic Followers? Analyzing LLMs in RAG-based Question-Answering

理性合成器还是启发式追随者？分析基于检索增强生成的问答系统

Atharv Naphade

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文通过GroupQA数据集分析LLM在基于检索增强生成的问答系统中如何整合冲突证据，发现模型倾向于优先证据且解释不忠实，表明LLM作为脆弱的启发式追随者。

Comments 13 pages, 9 figures, ACL ARR submission

RIPRAG: Hack a Black-box Retrieval-Augmented Generation Question-Answering System with Reinforcement Learning

RIPRAG：通过强化学习攻击基于检索增强生成的黑盒问答系统

Meng Xi, Sihan Lv, Yechen Jin, Guanjie Cheng, Naibo Wang, Ying Li, Jianwei Yin

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

AI总结 RIPRAG通过强化学习攻击黑盒RAG系统，提升污染攻击成功率0.72，揭示LLM安全防御的不足。

Controlled Retrieval-augmented Context Evaluation for Long-form RAG

受控检索增强上下文评估用于长形式RAG

Jia-Huei Ju, Suzan Verberne, Maarten de Rijke, Andrew Yates

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

AI总结 CRUX提出了一种受控检索增强上下文评估框架，用于评估长形式RAG任务中检索增强上下文的质量和影响。

OptiSet: Unified Optimizing Set Selection and Ranking for Retrieval-Augmented Generation

OptiSet: 一体化的优化集选择与排序用于检索增强生成

Yi Jiang, Sendong Zhao, Jianbo Li, Bairui Hu, Yanrui Du, Haochun Wang, Bing Qin

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 OptiSet通过集中心框架统一集选择和集级排序，提升RAG在复杂组合问题上的性能和生成效率。

Comments Code is available at https://github.com/liunian-Jay/OptiSet.git