Retrieval-augmented generation

最近完整七日的证据

来源提及

7

前七日 9

不同来源

2

前期 3

可比较增长

不可比较

榜单记录

0

采集观测与无发布日期的记录，和有日期的原文提及分别统计。 七日观测：4 · 无日期记录：2

每日趋势 · 最多 90 天

柱形表示有日期的来源提及。最新 UTC 日可能尚未结束。零提及和缺少采集覆盖是不同情况。

虚线标记表示当日无记录，不作为零提及统计。

来源证据

当前展示证据的来源：arXiv 17 · V2EX 4 · Hacker News 3 · GitHub Trending 2

1. arXiv · 原文发布 2026年11月5日

   RAGCompass: Generalizable Retriever Routing via Reranking

   arXiv:2611.05596v1 Announce Type: new Abstract: Different retrievers exist for retrieval-augmented generation, yet none performs best for all queries. Therefore, the key question is: given a query and retrieved passages from different retrievers, which one is most suited for that query? Existing routers usually make predictions from query-specific features a

   查看来源记录 →

2. arXiv · 原文发布 2026年11月4日

   From Logs to Faults: Reference-Free Fault Localization for Retrieval-Augmented Generation Pipelines

   arXiv:2611.03725v1 Announce Type: new Abstract: Retrieval-Augmented Generation (RAG) pipelines are widely used for domain-specific question answering, yet locating faults remains manual and time-consuming. Fault localization is challenging because RAG pipelines consist of interdependent stages, where faults can propagate downstream, masking their origin, or

   查看来源记录 →

3. arXiv · 原文发布 2026年11月2日

   Better Retrievers, Worse Labels: How Incomplete Relevance Judgments Distort Abstention Evaluation in Conversational RAG

   arXiv:2610.40966v1 Announce Type: new Abstract: Conversational RAG benchmarks such as MTRAG and RETECO evaluate retrieval and generation end to end: each system answers from its own retrieval, so abstention must be scored against whether each retrieved context is sufficient. A convenient shortcut reads sufficiency off the relevance judgments and treats a con

   查看来源记录 →

4. arXiv · 原文发布 2026年11月2日

   Language Models Show Conformity Bias in RAG: When the Majority Endorses a Poisoned Claim

   arXiv:2610.41012v1 Announce Type: new Abstract: Retrieval-augmented generation (RAG) can expose language models to misleading evidence in retrieved documents. We investigate whether increasing the number of mutually agreeing poisoned documents affects a model's ability to detect misinformation. We evaluate 200 randomly selected questions from SciFact (random

   查看来源记录 →

5. V2EX · 原文发布 2026年10月31日

   [程序员] 我在 2 核 2G 云主机上跑 OpenViking：一次关于云主机、模型选型与长期成本的真实复盘

   最近把自己的 AI Coding Agent 记忆底座迁移到了自建的 OpenViking 上（ OpenViking 真的满足我所有的要求：即是各种 Agent 的统一大脑自进化、又是知识库，检索的时候是两方面综合起来的）。RAG 相关的东西看着挺吓人，动辄推荐高配服务器和本地显存，实际上用下来，只要选型想清楚，一台几十块钱的入门级云服务器完全能跑得飞起。 这篇不是教你怎么敲命令的安装教程，只是聊聊折腾这一圈下来，在云主机、模型组合、算力开销上的一些真实心得和踩坑取舍。 1. 云主机：为什么我选 99 元的 2G ，不选友商更便宜的 4G ？ 买云服务器时，第一眼很容易被一些友商“几十块钱买 4G 甚至 8G”的新客促销吸引。但我最终还是选了阿里云 99 元/年的 2 核 2G （ ecs.e-c1m1.la

   查看来源记录 →

6. V2EX · 原文发布 2026年10月29日

   [分享创造] 我把斯坦福 CS329Z 的 Agent 学习资料整理成了中文教程，做了个打开就能学的阅读网站。

   我把斯坦福 CS329Z 的学习资料整理成了中文教程，做了个打开就能学的阅读网站。非常适合会一点 Python 、调过模型 API ，想继续学 Agent 的朋友。 19 章覆盖 RAG 、工具调用、上下文、记忆、多 Agent 、评测和安全，附 4 项实践材料和配套代码导读。既可以按章节学习，也方便结合代码理解这些模块怎么配合。 学概念、看代码、做项目时查资料，都方便。网站有目录、全文搜索和深浅主题，GitHub 还提供 Markdown 和单文件 HTML ，下载后就能离线学。 在线： https://cs329z-course-review-20261029.wanghao162263.chatgpt.site GitHub： https://github.com/wanghao-SunSky/cs329

   查看来源记录 →

7. arXiv · 原文发布 2026年10月29日

   OA-RAG: Ontology-based Agentic RAG for Faithful LLM Reasoning

   arXiv:2610.36335v1 Announce Type: new Abstract: Large language models (LLMs) perform well across many real-world tasks but remain prone to hallucination, limiting their reliability in domains such as biomedicine and healthcare, where answers must be grounded in established knowledge. Retrieval-augmented generation (RAG) mitigates this problem by incorporatin

   查看来源记录 →

8. arXiv · 原文发布 2026年10月29日

   RouteDRAG: Learning to Route and Control Agentic Execution for Multimodal Document RAG

   arXiv:2610.36444v1 Announce Type: new Abstract: Web-based applications increasingly rely on understanding long multimodal documents, where answering questions often requires combining information across pages, tables, and figures. Agentic retrieval-augmented generation addresses these tasks through iterative retrieval and reasoning. However, Agentic executio

   查看来源记录 →

9. V2EX · 原文发布 2026年10月28日

   [分享创造] [开源] 整理了一份 AI Agent 学习与面试手册， 22 章课程、92 道详解题

   工具调用超时，后端可能已经创建了工单。这时如果换个操作 ID 再提交一次，一份申请就可能变成两份。 学 Agent 时，我希望这类执行过程能讲清楚。术语记住了，出问题以后还得知道查哪里，总不能让模型一句“已完成”替后端签收。 于是把学习资料、面试题和实验整理成了一个中文仓库，方便自己复习，也分享给正在学习 AI Agent ／大模型应用开发的朋友： GitHub： https://github.com/harrytted/ai-agent-interview-playbook 目前主要有这些内容： 10 章基础课程：从模型与上下文，讲到工具循环、RAG 、记忆、评测和可靠性。 12 章进阶课程：继续讨论长任务执行、崩溃恢复、工具路由、多 Agent 、性能、安全与训练。 92 道详解题：每题包含口述短答、详细答

   查看来源记录 →

10. arXiv · 原文发布 2026年10月27日

    Who Verifies the Tools? How Warped Formatters Mislead Agents and Their Verifiers

    arXiv:2610.32110v1 Announce Type: new Abstract: Agents and verifiers often rely on the text a tool prints, and that text can misrepresent what the tool actually did, even when the tool's computation is correct. We saw this happen in a production RAG research system used by the Pilsudski Institute in New York, where tool output formatters misled an agent into

    查看来源记录 →

11. arXiv · 原文发布 2026年10月27日

    Multi-Agent Retrieval-Augmented Causality Assessment (MARCA) of Individual Case Safety Reports in Pharmacovigilance

    arXiv:2610.33279v1 Announce Type: new Abstract: Introduction: Increasing volumes of individual case safety reports (ICSRs) challenge expert-led causality assessment in pharmacovigilance. We developed MARCA (Multi-Agent Retrieval-Augmented Causality Assessment), a four-agent framework for Naranjo-based assessment, and evaluated agreement with human experts an

    查看来源记录 →

12. Hacker News · 原文发布 2026年10月27日

    Show HN: Limma – MCP for total recall and precision in data retrieval for agents

    Hello, my name is Berend Graham. My cofounder Shiv Oberai and I have been working on Limma for a year now with the goal of building a proactive solution to the reliability issues that plague practical AI and agentic use in companies with RAG. Limma is a single MCP that exists for the sole purpose of ensuring that the right information is retrieved with every

    查看来源记录 →

13. arXiv · 原文发布 2026年10月24日

    Compiling Autoregressive LLM Control into Policy-Exact Parallel Inference for Hierarchical RAG

    arXiv:2610.30664v1 Announce Type: new Abstract: Large language models increasingly act as controllers in structured decision pipelines, yet their decisions are still executed by autoregressive text decoding. Hierarchical RAG is one such setting: at each frontier of a document tree, an LLM commits to $b$ of $k$ sections under an input-dependent action grammar

    查看来源记录 →

14. arXiv · 原文发布 2026年10月24日

    ULME: Predictive Coupling for Mutually Reinforcing Embedding and Language Modeling

    arXiv:2610.30705v1 Announce Type: new Abstract: Text embedding and text generation are two of the most useful capabilities of modern large language models, yet they are typically provided by separate specialized models (an embedder and a generator) trained with incompatible objectives and deployed side by side in retrieval-augmented generation and agent syst

    查看来源记录 →

15. arXiv · 原文发布 2026年10月22日

    A Small Model Asks Better: Fine-Tuning Query Clarification for Retrieval-Augmented Generation

    arXiv:2610.28686v1 Announce Type: new Abstract: Query clarification is essential for retrieval-augmented generation (RAG) systems that face ambiguous user queries. We consider multi-turn grounded conversational scenarios where a user query is either ill-formed or ambiguous in the context of the prior dialog or, more interestingly, it may be well-formed but w

    查看来源记录 →

16. arXiv · 原文发布 2026年10月22日

    Scan or Index? large Evidence Coverage, Answer Quality, and Cost in Long-Document RAG

    arXiv:2610.28957v1 Announce Type: new Abstract: Scanning every passage in a long document seems thorough, but does it preserve more useful evidence or produce better answers? We compare 11 retrieval configurations spanning lexical and dense search, hybrid reranking, and full-document scanning with Jev, OpenAI Decisions, and Cloudflare Clef. Our evaluation us

    查看来源记录 →

17. arXiv · 原文发布 2026年10月22日

    C$^2$U in RAG: Compositional Concept Unlearning in Retrieval-Augmented Generation

    arXiv:2610.29223v1 Announce Type: new Abstract: Retrieval-augmented generation can expose unwanted concepts through retrieved evidence even when the generator is moderated. We study query-side concept suppression with a fixed encoder and document index. Compositional Concept Unlearning (C$^2$U) routes a profile-derived direction through an augmented atom ban

    查看来源记录 →

18. arXiv · 原文发布 2026年10月21日

    The Bottleneck Is Retrieval, Not Reading: Diagnosing Evidence-Based Generation with RAG for Long Context Question Answering

    arXiv:2610.26951v1 Announce Type: new Abstract: Retrieval-augmented generation (RAG) is the dominant paradigm for grounding large language models in external corpora, but its similarity-driven, chunked pipeline has structural blind spots: it cannot anticipate which passages a question requires and discards document-level context that resolves cross-passage r

    查看来源记录 →

19. GitHub Trending · 原文发布 未提供

    headroomlabs-ai/headroom

    Compress tool outputs, logs, files, and RAG chunks before they reach the LLM. 20% fewer tokens for coding agents, 60-95% fewer tokens for JSON, same answers. Library, proxy, MCP server.

    查看来源记录 →

20. GitHub Trending · 原文发布 未提供

    ruvnet/ruflo

    🌊 The original agent harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, federation, vector RAG integration, and nativ

    查看来源记录 →

21. arXiv · 原文发布 2026年10月19日

    When Does Uncertainty Measure RAG Hallucination Risk?

    查看来源记录 →

22. arXiv · 原文发布 2026年10月19日

    Evidence-Gated Bilingual RAG for Reliable Consumer Banking Search

    查看来源记录 →

23. V2EX · 原文发布 2026年10月10日

    [开源软件] 折腾了一个 Go Agent：魔改 Runtime + Hybrid RAG + llama.cpp + WebGPU，分享一下实现

    查看来源记录 →

24. arXiv · 原文发布 2026年10月9日

    RAG-Stress: Probing the Limits of Evidence Reliance in Retrieval-Augmented Generation

    查看来源记录 →

25. Hacker News · 原文发布 2026年10月7日

    We Built an Alternative to Vector RAG for AI Agent Memory

    查看来源记录 →

26. Hacker News · 原文发布 2026年10月5日

    Show HN: Halo – A Personal AI with On-Device Harness, Memory and Browser Agent

    Halo is privacy focused personal assistant for iOS that uses a custom built agent harness with support to use you existing LLM subscriptions, Wiki based memory system backed by on-device RAG, a full-fledged local browser agent, chat with generative UI and more. TLDR: It's a better version of Hermes/OpenClaw for iOS, without needing a server! The better part

    查看来源记录 →

研究优先级 64 / 100

此分数用于排列研究候选，不是搜索量、预测结果或经过验证的商业需求。

• 证据数量

  24 / 30

  去重文章或首次观测；重复抓取不加分。

• 发布主体多样性

  16 / 25

  同主体保守归并，转载不增加独立证据。

• 可比变化

  0 / 20

  仅完整且可比的两周参与；零基线不计算百分比。

• 证据时效

  14.5 / 15

  依据最新发布或首次观测，不按重复采集时间刷新。

• 名称明确度

  9.7 / 10

  明确实体链接和技术概念优先于含义不明的缩写。

局限与解读

• 首次观测是采集记录的起点，不能证明词语或产品在全球首次出现。
• 计数仅代表已监测的公开来源，不代表全网热度或搜索需求。
• 本站首次发现时间不等于名称或概念的诞生时间。
• 候选来自公开标题、摘要和实体链接，并非已核实的全文分析。
• 来源多样性采用保守归并；未披露的转载或共同所有权仍可能无法识别。
• 无发布日期的观测单列，不用于判断发布量增长。
• 已有概念或常见产品名，仅保留为历史基线，不视为新创造的词。
• 两周均需足够且可比较的采集覆盖，才判断增长。
• 该词的来源构成发生变化，或缺少可比较的基线。