RAG / 检索增强生成

The Illusion of Agentic Complexity in README.md Generation: Evaluating Single-Agent vs. Multi-Agent RAG Systems

README.md生成中的代理复杂性幻觉：评估单代理与多代理RAG系统

Abu Saleh, Tesfay Welegebreal Tesfay, Phuong T. Nguyen, Juri Di Rocco, Muhammad Umar Zeshan, Davide Di Ruscio

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

AI总结 通过对比单代理、多代理和开发者引导规划三种RAG架构生成GitHub仓库README文件，发现单代理管道在词汇质量相当的情况下，令牌消耗降低86%、速度提升一倍，而多代理系统结构一致性达98%但存在规划瓶颈，开发者引导规划获得最佳文档质量。

Comments The paper has been peer-reviewed and accepted to the 42nd International Conference on Software Maintenance and Evolution (ICSME 2026)

A RAG-Enhanced Bi-Level Cognitive Orchestration Framework for LEO Satellite Networks

一种面向LEO卫星网络的RAG增强双层认知编排框架

Yuhong Jiang, Zhishu Shen, Tong Yin, Qiushi Zheng, Yichao Jin, Fidan Mehmeti, Jiong Jin

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

AI总结 针对LEO卫星网络中资源碎片化问题，提出RAG增强的双层认知编排框架，上层LLM利用离线专家知识库动态推断偏好权重，下层遗传调度器计算路由与任务卸载方案，在Walker-Delta网络测试中丢包率降低30.7%，能效提升30%，端到端时延降低8.5%。

HeRo: Adaptive Orchestration of Agentic RAG on Heterogeneous Mobile SoC

HeRo: 异构移动SoC上智能体RAG的自适应编排

Maoliang Li, Jiayu Chen, Zihao Zheng, Ziqian Li, Xinhao Sun, Guojie Luo, Chenchen Liu, Xiang Chen

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

AI总结 提出HeRo框架，通过基于性能分析的在线调度器，结合形状感知子阶段划分、关键性加速器映射和带宽感知并发控制，在异构移动SoC上实现低延迟智能体RAG，端到端延迟降低达10.94倍。

Comments Will appear in DAC'2026, Camera Ready

From Volume to Value: Preference-Aligned Memory Construction for On-Device RAG

从体积到价值：面向设备端RAG的偏好对齐记忆构建

Changmin Lee, Jaemin Kim, Taesik Gong

机构 * Department of Computer Science and Engineering, Ulsan National Institute of Science and Technology (UNIST), Ulsan, Republic of Korea（计算机科学与工程系，全州国立科学与技术研究所（UNIST），全州，韩国） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文提出EPIC方法，通过将用户偏好作为紧凑且稳定的个人上下文形式，整合到RAG流程中，以在有限内存下提高检索与用户偏好的对齐度，从而减少内存使用并提升准确性。

Comments Accepted to ICML 2026. Code and data are available at https://github.com/UbiquitousAILab/EPIC

An Efficient and Privacy-Preserving Architecture for Cross-Institutional Collaborative RAG

一种高效且保护隐私的跨机构协作RAG架构

Chenxin Mao, Shangyu Liu, Zhenzhe Zheng, Fan Wu, Jie Wu, Guihai Chen

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

AI总结 提出FedRAG框架，通过Scrambled Distributed Attention协议解决跨机构RAG中Transformer自注意力机制与隐私保护的冲突，实现高吞吐量、隐私保护且无需专用硬件或模型重训练。

MimirRAG: A Multi-Agent RAG Framework for Financial Data Retrieval with Metadata Integration

MimirRAG：一种集成元数据的金融数据检索多智能体RAG框架

Magnus Samuelsen, Wilmer Nyström, Somnath Mazumdar, Mansoor Hussain, Mikkel Strange

机构 * Copenhagen Business School（哥本哈根商学院） 纠错

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

AI总结 提出MimirRAG多智能体RAG框架，通过元数据集成、表格感知分块和智能体工作流，在金融数据检索中实现89.3%准确率，优于基线。

Dissecting Agentic RAG: A Component Ablation for Multi-Hop QA with a Local 7B Model

解析智能体RAG：基于本地7B模型的多跳问答组件消融研究

Sheroz Shaikh

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 通过消融实验，发现固定混合检索和短检索循环对多跳问答贡献最大，自适应路由和深度循环并非必要。

Comments 8 pages, 4 figures, 4 tables. Code: https://github.com/sherozshaikh/agentic-rag-eval

Multi-Field Hybrid Retrieval-Augmented Generation for Maritime Accident Root Cause Analysis

面向海事事故根因分析的多字段混合检索增强生成

Seongjin Kim, Sungil Kim

机构 * Department of Industrial Engineering, Ulsan National Institute of Science and Technology (UNIST)（蔚山国立科学技术院工业工程系） 纠错

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

AI总结 提出多字段混合检索增强生成框架，利用结构化事故卡片和分层原因分类，通过字段感知的混合检索与融合排序，显著提升海事事故根因分析的检索和生成质量。

Telco-oRAG: Optimizing Retrieval-augmented Generation for Telecom Queries via Hybrid Retrieval and Neural Routing

Telco-oRAG: 通过混合检索与神经路由优化电信查询的检索增强生成

Andrei-Laurentiu Bornea, Fadhel Ayed, Antonio De Domenico, Nicola Piovesan, Tareq Si Salem, Ali Maatouk

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

AI总结 Telco-oRAG通过混合检索与神经路由优化，提升电信领域问题回答的准确性和效率，实现开源大模型在电信基准测试中接近GPT-4水平。

Comments 12 pages, 10 figures, 4 tables

HKRAG: Holistic Knowledge Retrieval-Augmented Generation Over Visually-Rich Documents

HKRAG：面向视觉丰富文档的综合知识检索增强生成

Anyang Tong, Xiang Niu, ZhiPing Liu, Chang Tian, Yanyan Wei, Zenglin Shi, Meng Wang

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

AI总结 HKRAG通过综合检索和生成机制，提升视觉丰富文档中显著与细节知识的检索与生成能力。

Transformer Tafsir at QIAS 2025 Shared Task: Hybrid Retrieval-Augmented Generation for Islamic Knowledge Question Answering

Muhammad Abu Ahmad, Mohamad Ballout, Raia Abu Ahmad, Elia Bruni

机构 * QIAS 2025 Shared Task（QIAS 2025 共同任务） 纠错

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

Comments Accepted at ArabicNLP 2025, co-located with EMNLP 2025

DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval-Augmented Generation

Hsin-Ling Hsu, Jengnan Tzeng

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

GuidedRAG: Semantic Steering of Retrieval-Augmented Generation

GuidedRAG：检索增强生成的语义引导

Matthijs Jansen op de Haar, Tobias Stähle, Lorenzo Gatti

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

AI总结 本研究提出新型RAG扩展GuidedRAG，通过检索前语义约束缩小搜索空间，大幅提升检索相关性、精度、效率及用户意图对齐度，且泛化至15种RAG变体，为改进RAG提供了强大范式。

Comments 8 pages + 5 pages of references and appendix. 8 figures and 6 tables

Three Sides of Retrieval: Factorial Evidence for Document-Side, Query-Side, and Answer-Side Complementarity in RAG

检索的三个方面：RAG中文档侧、查询侧和答案侧互补性的因子证据

Ng S. T. Chong

专题命中 检索器与排序 ：RAG(title,title_cn)；分类 cs.IR、cs.AI

AI总结 研究RAG系统中检索问题，提出目录引导的页面检索新算法，通过实验发现该算法对答案质量有显著影响，与答案侧验证结合优于查询侧分解+验证，证明文档、查询、答案侧增强互补，且默认设置接近最优。

Knowing When Not to Answer: Lightweight KB-Aligned OOD Detection for Safe RAG

知道何时不回答：用于安全检索增强生成的轻量级知识库对齐的域外检测

Ilias Triantafyllopoulos, Renyi Qu, Salvatore Giorgi, Brenda Curtis, Lyle H. Ungar, João Sedoc

机构 * New York University（纽约大学） ； National Institute on Drug Abuse（国家成瘾医学研究所） ； University of Pennsylvania（宾夕法尼亚大学） ； Microsoft（微软公司） 纠错

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

AI总结 研究用于检索增强生成（RAG）系统的轻量级、知识库对齐的域外检测，通过PCA处理知识库嵌入，用方差保留或t检验排序选择子空间评分查询，评估规则和分类器，发现低维检测器性能好且更优。

When Does Streaming Tool Use Help? Characterizing Tool-Intent Stabilization in Streaming Retrieval-Augmented Generation

流式工具使用何时有帮助？表征流式检索增强生成中的工具意图稳定化

Elroy Galbraith

机构 * SMG Labs（SMG实验室） 纠错

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

AI总结 通过测量工具意图稳定化（即推测查询收敛到答案的时间点），在CRAG基准上分析流式RAG的延迟隐藏效果，发现73.9%的查询可实现显著延迟隐藏，并识别早期与晚期稳定化的预测因素。

DCD: Domain-Oriented Design for Controlled Retrieval-Augmented Generation

DCD：面向领域的受控检索增强生成设计

Valerii Kovalskii, Nikita Belov, Nikita Miteyko, Igor Reshetnikov, Maksim Maksimov

机构 * red_mad_robot 纠错

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

AI总结 提出DCD（领域-集合-文档）层次化设计，通过结构化知识表示和多阶段路由控制检索与生成范围，无需修改语言模型，提升RAG在异构语料和多步查询中的鲁棒性和准确性。

Comments 14 pages, 4 figures, 2 links, link to HF https://huggingface.co/datasets/redmadrobot-rnd/dcd, link to GIT https://github.com/redmadrobot-rnd/dcd

Thought-Retriever: Don't Just Retrieve Raw Data, Retrieve Thoughts for Memory-Augmented Agentic Systems

Thought-Retriever: 不只是检索原始数据，为记忆增强型智能体检索思想

Tao Feng, Pengrui Han, Guanyu Lin, Ge Liu, Jiaxuan You

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 检索器与排序 ：retriever(title,title_cn)；分类 cs.IR、cs.CL

AI总结 本文提出Thought-Retriever，一种无需受上下文长度限制的算法，使LLM能基于任意长外部数据生成输出。通过利用历史查询生成的中间响应，构建长期记忆，提升回答能力。

Journal ref Transactions on Machine Learning Research (TMLR), 04/2026

PAGE-RAG: Evidence-Grounded Adaptive Graph Retrieval for Long-Document Question Answering

PAGE-RAG：用于长文档问答的基于证据的自适应图检索

Xingyu Chen, Junxiu An, Jun Guo, Li Wang

专题命中 检索器与排序 ：RAG(title,title_cn)；分类 cs.IR

AI总结 针对长文档问答，GraphRAG虽有改进但自动构建图有缺陷。为此提出PAGE-RAG框架，将图结构视为语义骨架，引入任务自适应检索路由策略及知识边界控制，实验表明其提升了检索效率、知识可靠性与答案质量。

Comments 22 pages, 2 figures, and 3 tables. The source code is publicly available at https://github.com/CXY0112/PAGE-RAG

Comparative Analysis of Neural Retriever-Reranker Pipelines for Retrieval-Augmented Generation over Knowledge Graphs in E-commerce Applications

电商应用场景下知识图谱检索增强生成中神经检索-排序流水线的比较分析

Teri Rumble, Zbyněk Gazdík, Javad Zarrin, Jagdeep Ahluwalia

机构 * Abertay University（阿伯泰大学） 纠错

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

AI总结 本文研究电商场景下知识图谱检索增强生成中神经检索-排序流水线的设计与比较，通过实验验证了优化配置在提升检索性能上的有效性。

Comments This manuscript is under review at the Springer journal Knowledge and Information Systems

GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation

基于图的检索增强生成模型：图基础模型

Linhao Luo, Zicheng Zhao, Gholamreza Haffari, Dinh Phung, Chen Gong, Shirui Pan

机构 * Monash University（墨尔本大学） ； Nanjing University of Science and Technology（南京理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Griffith University（格里菲斯大学） 纠错

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

AI总结 GFM-RAG是一种基于图的检索增强生成模型，通过创新的图神经网络捕捉复杂查询-知识关系，实现了在未见数据集上的高效性能和泛化能力。

Comments Accepted by NeurIPS 2025

Blended RAG: Improving RAG (Retriever-Augmented Generation) Accuracy with Semantic Search and Hybrid Query-Based Retrievers

Kunal Sawarkar, Abhilasha Mangal, Shivam Raj Solanki

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

Comments Paper accepted by MIPR and presented at The 7th IEEE International Conference on Multimedia Information. Processing and Retrieval (IEEE-MIPR 2024)

Journal ref IEEE 15 October 2024

IM-RAG: Multi-Round Retrieval-Augmented Generation Through Learning Inner Monologues

Diji Yang, Jinmeng Rao, Kezhen Chen, Xiaoyuan Guo, Yawen Zhang, Jie Yang, Yi Zhang

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

Comments Proceedings of the 47th International ACM SIGIR 2024

The Chronicles of RAG: The Retriever, the Chunk and the Generator

Paulo Finardi, Leonardo Avila, Rodrigo Castaldoni, Pedro Gengo, Celio Larcher, Marcos Piau, Pablo Costa, Vinicius Caridá

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

Comments 16 pages, 15 figures, 9 tables

Vendi-RAG: Adaptively Trading-Off Diversity And Quality Significantly Improves Retrieval Augmented Generation With LLMs

Mohammad Reza Rezaei, Adji Bousso Dieng

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

Comments A RAG pipeline that accounts for both diversity and answer quality and that can be used with any LLM backbone to solve complex multi-hop question-answering tasks

FlippedRAG: Black-Box Opinion Manipulation Adversarial Attacks to Retrieval-Augmented Generation Models

FlippedRAG: 黑盒意见操控对抗攻击针对检索增强生成模型

Zhuo Chen, Yuyang Gong, Jiawei Liu, Miaokun Chen, Haotan Liu, Qikai Cheng, Fan Zhang, Wei Lu, Xiaozhong Liu

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

AI总结 本文提出FlippedRAG，一种针对黑盒RAG模型的对抗攻击方法，通过逆向工程检索器和污染触发器实现对意见操控的高效攻击。

Comments Accepted by 32nd ACM Conference on Computer and Communications Security (ACM CCS 2025)

Journal ref CCS '25: Proceedings of the 2025 ACM SIGSAC Conference on Computer and Communications Security

Exact Adaptive Hybrid Retrieval Without Fixed Top-L Cutoffs

无固定Top-L截断的精确自适应混合检索

Chunran Zhang

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

AI总结 该研究针对RAG系统固定Top-L截断融合的问题，提出EAHR方法，以完整列表加权RRF的Top-K为目标，通过PVS和PBM实现自适应精确检索，可复现完整列表Top-20并显著降低延迟。

Comments 10 pages, 4 figures, 1 table

Rhetorical-Role-Aware Retrieval-Augmented Generation for Legal Question Answering over Indian Supreme Court Judgments

面向印度最高法院判决的法律问答的修辞角色感知检索增强生成

Sayed Ayaan Ahmed Sha, Sangeetha Sivanesan, Anand Kumar Madasamy, Navya Binu

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

AI总结 该研究针对印度最高法院判决的法律问答任务，提出含修辞分块、融合检索等模块的领域增强RAG框架，经DeepEval评估效果良好，凸显法律AI系统需领域特定增强。

Where Privacy Risk Lives in English-Source Multilingual RAG: A Stage-Decomposed Audit Across Five Query Languages

英语源多语言检索增强生成（RAG）系统的隐私风险所在：五种查询语言下的阶段分解审计

Yanhang Li, Zhichao Fan, Zexin Zhuang

机构 * Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Southern Methodist University（南卫理公会大学） 纠错

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

AI总结 该研究针对英语源多语言RAG系统，通过含五种查询语言的两阶段防御审计发现，非英语语言仍存在残留PII泄露，附加黄金文档可阻断多数残留单元，后续计划开展独立MT与非Qwen判别器的复现工作。

Select-And-Extract: A Lightweight Plugin for Retrieval-Augmented Generation

Select-And-Extract：一种用于检索增强生成的轻量级插件

Chenming Tang, Jiawei Han

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

AI总结 该研究针对RAG的检索与阅读两类失效模式，提出轻量级插件SANE，通过语义检索+LM选候选、蓝图引导证据提取实现稳定性能提升，且开销适度。

Comments Pre-print