RAG / 检索增强生成

DACL-RAG: Data Augmentation Strategy with Curriculum Learning for Retrieval-Augmented Generation

Shaohan Wang, Licheng Zhang, Zheren Fu, Zhendong Mao, Yongdong Zhang

机构 * School of Information Science and Technology, University of Science and Technology of China（信息科学与技术学院，中国科学技术大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（人工智能研究院，合肥综合性国家科学中心） 纠错

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

Biomedical Literature Q&A System Using Retrieval-Augmented Generation (RAG)

Mansi Garg, Lee-Chi Wang, Bhavesh Ghanchi, Sanjana Dumpala, Shreyash Kakde, Yen Chih Chen

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

Comments 10 pages, 6 figures, 3 tables

A Systematic Review of Key Retrieval-Augmented Generation (RAG) Systems: Progress, Gaps, and Future Directions

Agada Joseph Oche, Ademola Glory Folashade, Tirthankar Ghosal, Arpan Biswas

机构 * Bredesen Center for Interdisciplinary Research, University of Tennessee, Knoxville, USA（跨学科研究中心，田纳西大学，肯塔基州 Knoxville） ； National Center for Computational Sciences, Oak Ridge National Laboratory, Oak Ridge, USA（计算科学国家中心，橡树岭国家实验室，橡树岭） ； University of Tennessee-Oak Ridge Innovation Institute, University of Tennessee, Knoxville, USA（田纳西大学橡树岭创新研究所，田纳西大学，肯塔基州 Knoxville） 纠错

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

Comments 33 pages, 2 figures

Spatial-RAG: Spatial Retrieval Augmented Generation for Real-World Geospatial Reasoning Questions

Dazhou Yu, Riyang Bao, Ruiyu Ning, Jinghong Peng, Gengchen Mai, Liang Zhao

机构 * Emory University（埃默里大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

CDF-RAG: Causal Dynamic Feedback for Adaptive Retrieval-Augmented Generation

Elahe Khatibi, Ziyu Wang, Amir M. Rahmani

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

MoK-RAG: Mixture of Knowledge Paths Enhanced Retrieval-Augmented Generation for Embodied AI Environments

Zhengsheng Guo, Linwei Zheng, Xinyang Chen, Xuefeng Bai, Kehai Chen, Min Zhang

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

Mindful-RAG: A Study of Points of Failure in Retrieval Augmented Generation

Garima Agrawal, Tharindu Kumarage, Zeyad Alghamdi, Huan Liu

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

RQ-RAG: Learning to Refine Queries for Retrieval Augmented Generation

Chi-Min Chan, Chunpu Xu, Ruibin Yuan, Hongyin Luo, Wei Xue, Yike Guo, Jie Fu

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.CL

Collab-RAG: Boosting Retrieval-Augmented Generation for Complex Question Answering via White-Box and Black-Box LLM Collaboration

Ran Xu, Wenqi Shi, Yuchen Zhuang, Yue Yu, Joyce C. Ho, Haoyu Wang, Carl Yang

机构 * Emory University（埃默里大学） ； University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心） ； Georgia Institute of Technology（佐治亚理工学院） ； SUNY Albany（纽约州立大学奥尔巴尼分校） 纠错

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

Comments Work in progress. Code: https://github.com/ritaranx/Collab-RAG/

RAGSentinel: Certifiable Geometric Consensus for Robust Retrieval-Augmented Generation

RAGSentinel：用于鲁棒检索增强生成的可验证几何共识

Yueyang Quan, Anjun Gao, Yufei Xia, Minghong Fang, Zhuqing Liu

机构 * University of North Texas（北得克萨斯大学） ； University of Louisville（路易斯维尔大学） 纠错

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

AI总结 研究针对RAG系统的中毒攻击漏洞，提出无训练无标签的RAGSentinel防御方法，通过几何共识过滤中毒文档，实验显示其能低攻高保准且抗自适应攻击。

Comments To appear in EMNLP 2026 (Main Conference)

SCAR: Semantic Continuity-Aware Retrieval for Efficient Context Expansion in RAG

SCAR: 语义连续性感知检索以实现RAG中的高效上下文扩展

Nathanaël Langlois

机构 * Horizon Flow 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 提出SCAR自适应检索策略，通过查询-邻居相关性与结构连续性惩罚的权衡，选择性扩展相邻块，在保持高召回率的同时显著减少token开销。

Comments 5 pages, 1 figure. Accepted at CIKM 2026 (Short Paper Track)

When Context Misleads: Intent-Guided Decoding for Robust Retrieval-Augmented Generation

当上下文产生误导时：用于稳健检索增强生成的意图引导解码

Haolin Jin, Pengyue Yang, Huaming Chen

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

AI总结 针对现有RAG系统固定信任策略的缺陷，提出意图引导解码（IGD）框架，经多基准评估，可显著提升事实恢复能力，同时保持或改善上下文遵循行为。

CAR: Query-Guided Confidence-Aware Reranking for Retrieval-Augmented Generation

CAR：面向检索增强生成的查询引导置信感知重排序

Zhipeng Song, Yizhi Zhou, Xiangyu Kong, Jiulong Jiao, Xuezhou Ye, Chunqi Gao, Xueqing Shi, Yu Wang, Yuhang Zhou, Heng Qi

机构 * School of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院） ； School of Information Engineering, Dalian Ocean University（大连海洋大学信息工程学院） ； School of Information Engineering, Liaodong University（辽东学院信息工程学院） ； Information Technology Center, Qinghai University（青海大学信息技术中心） ； College of Health-Preservation and Wellness, Dalian Medical University（大连医科大学养生与健康学院） ； Tencent（腾讯） 纠错

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

AI总结 针对RAG现有重排序仅关注相关性的问题，提出无需训练的CAR框架，通过查询引导的答案稳定性校正排名，在多数据集实验中实现稳健性能提升，可用于黑盒LLM。

RAG-Based Auto-Configuration for Industrial Fieldbus Devices

基于检索增强生成（RAG）的工业现场总线设备自动配置

Aadil Gani Ganie, Saad Ezzini, Naveed Farooz Marazi

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

AI总结 针对工业现场总线设备手动配置的低效易错问题，提出SysName流水线，结合RAG、本地LLM与两级弃权门控，在多协议设备配置任务中实现高效高准确率的端到端自动化，经基准测试与案例验证效果优异。

Recall Is Not Enough: A Reader-Context Diagnostic for Budget-Constrained Retrieval-Augmented Generation

什么能进入上下文：预算受限的多跳RAG的诊断以及当子模证据打包改善它时

Ananto Nayan Bala

机构 * Ahsanullah University of Science and Technology（阿赫桑乌拉科技大学） 纠错

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

AI总结 针对固定读者上下文预算下的检索增强生成，提出答案在上下文中诊断指标，并构建基于子模最大化的打包器，在特定条件下提升性能。

Comments Under review at EACL 2027

Bridging the Question-Answer Gap in Retrieval-Augmented Generation: Hypothetical Prompt Embeddings

弥合检索增强生成中的问答差距：假设提示嵌入

Domen Vake, Jernej Vičič, Aleksandar Tošić

机构 * University of Primorska（普里莫尔斯卡大学） ； InnoRenew CoE ； Research Centre of the Slovenian Academy of Sciences and Arts（斯洛文尼亚科学与艺术研究院研究中心） ； The Fran Ramovš Institute（弗兰·拉莫夫什研究所） 纠错

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

AI总结 该研究提出假设提示嵌入（HyPE）框架，将假设内容生成移至索引阶段，提升RAG的检索对齐度与效率，在六个数据集上实现检索精度和召回率的显著提升且兼容多种RAG技术

Comments 10 pages, 8 figures, 5 tables. Published in IEEE Access

Journal ref IEEE Access, vol. 13, pp. 129952-129961, 2025

FinCacheServe: Dependency-Consistent Answer Reuse for Cost-Efficient RAG Serving over Mutable Enterprise Documents

FinCacheServe：面向可变企业文档的高性价比RAG服务的依赖一致答案复用

Lingteng Zeng, Yifan Jin

机构 * The Chinese University of Hong Kong（香港中文大学） ； Beijing Institute of Technology（北京理工大学） 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.AI

AI总结 FinCacheServe为可变企业文档的RAG服务设计依赖一致的答案复用机制，可跳过大量LLM调用，相比现有方法能降低能耗，提升服务成本效率。

Comments 16 pages, 11 figures, 12 tables; preprint

Agentic Graph Retrieval-Augmented Generation for Auditable Commercial Registry Analysis

代理图RAG：利用协作AI导航无结构财务数据

Arthur Capozzi, Dirk Helbing

机构 * Computational Social Science ETH Zürich（计算社会科学 ETH 瑞士 Zurich） ； Computational Social Science, ETH Complexity Science Hub Zürich（计算社会科学 ETH 复杂性科学中心 Zurich） ； ETH Complexity Science Hub Zürich, Switzerland（ETH 复杂性科学中心 Zurich 瑞士） ； Vienna, Austria（维也纳 奥地利） 纠错

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

AI总结 本文提出了一种协作代理图RAG框架，用于专家分析商业登记数据。通过构建Neo4j知识图谱，结合确定性节点摄入、LLM提取弱节点以及确定性身份解析和去重，提升了多跳、时间相关和实体中心的查询能力。

TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework

TeaRAG：一种令牌高效的智能检索增强生成框架

Chao Zhang, Yuhao Wang, Derong Xu, Haoxin Zhang, Yuanjie Lyu, Yuhao Chen, Shuochen Liu, Tong Xu, Xiangyu Zhao, Yan Gao, Yao Hu, Enhong Chen

机构 * University of Science and Technology of China（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； Xiaohongshu Inc.（小红书公司） 纠错

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

AI总结 研究提出TeaRAG框架解决智能RAG令牌开销大问题，通过基于简洁三元组的图检索压缩检索内容，用IP-DPO减少推理步骤，在多个数据集上实验，提高了平均精确匹配，减少了输出令牌。

Comments 34 pages

Integrating Chain-of-Thought and Retrieval Augmented Generation Enhances Rare Disease Diagnosis from Clinical Notes

将链式思维与检索增强生成相结合增强了从临床笔记中诊断罕见疾病的性能

Zhanliang Wang, Da Wu, Quan Nguyen, Kai Wang

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

AI总结 本研究提出RAG驱动的CoT和CoT驱动的RAG方法，通过结合链式思维与检索增强生成，提升从临床笔记中诊断罕见疾病的性能。

Evaluating Retrieval-Augmented Generation vs. Long-Context Input for Clinical Reasoning over EHRs

评估检索增强生成与长上下文输入用于电子健康记录临床推理的效果

Skatje Myers, Dmitriy Dligach, Timothy A. Miller, Samantha Barr, James Landefeld, Yanjun Gao, Matthew Churpek, Anoop Mayampurath, Majid Afshar

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Loyola University Chicago（芝加哥洛约拉大学） ； Boston Children’s Hospital Harvard Medical School（波士顿儿童医院哈佛医学院） ； University of Colorado-Anschutz（科罗拉多大学安舒茨分校） 纠错

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

AI总结 研究评估检索增强生成（RAG）用于电子健康记录临床推理的效果，定义三个基于EHR的任务，用真实住院临床记录评估三种大语言模型，发现RAG在成像程序和抗生素时间线任务中令牌效率高，诊断生成任务较具挑战性，RAG是临床任务的有效方法。

ParamMute: Suppressing Knowledge-Critical FFNs for Faithful Retrieval-Augmented Generation

ParamMute：抑制知识关键的前馈神经网络以实现忠实的检索增强生成

Pengcheng Huang, Zhenghao Liu, Yukun Yan, Haiyan Zhao, Xiaoyuan Yi, Hao Chen, Zhiyuan Liu, Maosong Sun, Tong Xiao, Ge Yu, Chenyan Xiong

机构 * School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Institute for AI, Tsinghua University, China（清华大学人工智能研究院计算机科学与技术系） ； Microsoft Research Asia, Beijing, China（微软亚洲研究院） ； Language Technologies Institute, Carnegie Mellon University, United States（卡内基梅隆大学语言技术研究所） 纠错

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

AI总结 研究RAG中LLMs不忠实生成问题，提出ParamMute框架抑制相关FFNs激活并校准模型，通过CoFaithfulQA基准评估，显著提升忠实性，减少对参数记忆依赖，为提高LLM在RAG中的可信度提供新方向。

Comments 26 pages, 7 figures, 7 tables

Know Before You Fetch: Calibrated Retrieval-Budget Allocation for Retrieval-Augmented Generation

知悉再取：面向检索增强生成的可校准检索预算分配

Zhe Dong, Fang Qin, Manish Shah, Yicheng Wang

机构 * University of Maine at Presque Isle（缅因大学普雷斯基尔分校） ； Stanford University（斯坦福大学） ； Independent Researcher（独立研究者） 纠错

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

AI总结 提出自适应RAG作为可校准检索预算分配，通过校准序列对数概率和前缀logit不确定性为正确性概率，实现分级上下文选择、选择性弃权和显式延迟/令牌权衡，显著提升校准质量并优化检索预算。

Comments 17 pages, 9 figures

A Systems-Level Analysis of Sensitivity, Robustness, and Stability in Retrieval-Augmented Generation

检索增强生成中敏感性、鲁棒性和稳定性的系统级分析

Bharath Simha Reddy Muthyam

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

AI总结 通过56次实验控制研究，分析分块大小、检索深度、重排序和噪声对RAG系统的影响，发现检索指标在宽设置下提升但下游准确率非单调变化，建议评估需包含多阶段故障分析。

Comments 11 pages, 8 figures

HistoRAG: Embedding Historical Methodology in Retrieval-Augmented Generation Through Critical Technical Practice

HistoRAG：通过批判性技术实践将历史方法论嵌入检索增强生成

Noah J. Kim-Baumann, Torsten Hiltmann

机构 * Humboldt-Universität zu Berlin（柏林洪堡大学） 纠错

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

AI总结 针对历史学等解释性学科，提出HistoRAG框架，通过分离检索与生成、时间窗口化、LLM作为评判者等架构干预，将历史编纂原则转化为RAG设计，解决标准RAG中的时间偏差、相关性评估等问题。

Comments 25 pages, 6 figures. Companion preprint to a Journal of Digital History notebook article (under review)

Unifying Ranking and Generation in Query Auto-Completion via Retrieval-Augmented Generation and Multi-Objective Alignment

通过检索增强生成和多目标对齐统一查询自动补全中的排序与生成

Kai Yuan, Anthony Zheng, Jia Hu, Divyanshu Sheth, Hemanth Velaga, Kylee Kim, Matteo Guarrera, Besim Avci, Jianhua Li, Xuetao Yin, Rajyashree Mukherjee, Sean Suchter

机构 * Apple（苹果公司） ； UC Berkeley（加州大学伯克利分校） 纠错

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

AI总结 提出一个统一框架，通过检索增强生成（RAG）和多目标直接偏好优化（DPO）将查询自动补全重构为端到端列表生成，解决传统流水线长尾覆盖不足和生成方法幻觉风险的问题，并在大规模商业搜索平台上验证了有效性。

Comments 11 pages, 4 figures

Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), August 09--13, 2026, Jeju Island, Republic of Korea

ConflictRAG: Detecting and Resolving Knowledge Conflicts in Retrieval Augmented Generation

ConflictRAG: 检测和解决检索增强生成中的知识冲突

Chenyu Wang, Yueyuan Li, Yingmin Liu, Yang Shu

机构 * Zhejiang University（浙江大学） 纠错

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

AI总结 本研究提出ConflictRAG框架，通过两阶段冲突检测模块、熵-TOPSIS框架和冲突感知RAG评分，有效检测和解决检索增强生成中的知识冲突，实验表明其在冲突检测F1和正确性方面优于现有方法。

Comments 6 pages, 6 figures, submitted to IEEE SMC 2026

Separating Semantic Competition from Context Length in RAG Reading

在RAG阅读中区分语义竞争与上下文长度

Vyzantinos Repantis, Ameya Gawde, Harshvardhan Singh, Rohit Alekar, Cien Zhang, Svetlana Karslioglu, Akash Vishwakarma

机构 * Meta Platforms（Meta平台） 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 通过匹配对照实验，分离出检索增强生成中阅读器的语义竞争效应，证明性能下降部分源于竞争而非仅上下文长度。

Comments 4 pages, 1 figure, 2 tables

LitSeg: Narrative-Aware Document Segmentation for Literary RAG

LitSeg: 面向文学RAG的叙事感知文档分割

Ruikang Zhang, Zhanni Chen, Yiqiao Cai, Qi Su

机构 * Peking University（北京大学） 纠错

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

AI总结 提出LitSeg，一种基于叙事理论引导的文档分割框架，通过多阶段提示提取事件、梳理叙事线索并定位转折点，以解决现有分割方法忽视文学叙事结构导致检索与生成性能下降的问题，并引入轻量版LitSeg-Lite通过数据蒸馏降低计算开销。

AI-Friendly LaTeX: Using LaTeX Code as a Knowledge Source for Retrieval-Augmented Generation

AI友好的LaTeX：使用LaTeX代码作为检索增强生成的知识源

Tom Verhoeff

机构 * Department of Mathematics & Computer Science, Eindhoven University of Technology（数学与计算机科学系，埃因霍温理工大学） 纠错

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

AI总结 本文提出一种预处理方法，将LaTeX源码及其辅助文件和作者注释转换为Markdown和JSONL格式的文本块，以解决PDF提取中结构信息丢失的问题，从而提升检索增强生成在数学和技术材料上的可靠性。

Comments 19 pages, 3 figures