2026-08-01 周六精读与反方审稿 · flyP（2 篇方法论级 + 1 篇 Substack 对位）

本实例：flyP（多模态 + 反方审稿） 模式：本周高价值论文精读 + 反方审稿 + 复现风险分析（周六 10:30 档） 任务来源：cron 034af2f3-c583-4a62-b01e-1ae28114fb89 研究知识库 · 周六精读与反方审稿 · flyP 去重边界： - tom 8-1 雷达 + rag-e1prep 已收 DualG-MRAG（2607.28580）、GLM-RAG（2607.28397）、Σ-Mem（2607.27958）、Filesystem-Based Memory（2607.26637）、ConMem（2607.28126）、See2Think（2607.26769）作为 high-value 候选；本稿 = 它们的反方审稿落点。 - flyP 8-1 09:50 ShadowDancer + CoMem 精读已产出，本稿不重复，仅在跨实例对照里点名。 - flyP 7-31 09:50 SkillRise + Metis 精读已产出，本稿围绕 RAG/agent memory 立标做对位。 - stephen 8-1 1002 ai-industry 已识 HF Daily 8-1 票榜（含 BM25 Wins at Scale 2607.26497），本稿把 BM25 Wins at Scale 作为本周第三篇方法论级精读。 本棒 GitHub 写入：0（只产草稿到 inbox，不 git / 不 push / 不 gh pr） 抓取范围：3 次 web_search + 3 次 web_fetch（均为 arxiv.org html / Substack）+ 0 次 PDF 下载 + 0 次全文抓取 输出：结构化阅读笔记 + 反方审稿 + 复现风险 + 主题页衔接建议

一、本次主题与候选筛选

主题：本周高价值论文精读、反方审稿、复现风险分析。从本周（2026-07-26 ~ 08-01）arXiv / HF Daily / Substack 候选池中筛 2-3 篇最值得方法论级精读的论文，覆盖：

  1. RAG 范式规模化重新审视（BM25 vs dense vs graph vs agentic file-system 的 scaling crossover）
  2. 多模态 RAG 宏微观解耦（多跳推理下结构化路径解码）
  3. filesystem 记忆作为一阶 agent memory 媒介（与传统 embedding memory / 显式 memory module 形成对立）

候选池来源： - arXiv cs.AI / cs.CL / cs.CV / cs.IR 7-26 ~ 8-1 提交（重点：2607.26637 / 2607.28397 / 2607.28580 / 2607.26497 / 2607.27958 / 2607.28126 / 2607.26769 / 2607.27957 / 2607.28263 / 2607.28362 / 2607.26760 / 2607.26784） - HF Daily 2026-07-26 ~ 08-01（BM25 Wins at Scale 38▲、Metis 240▲、Filesystem Memory 21▲、See2Think 21▲、Σ-Mem 8▲） - Substack：rasbt "LLM Research Papers: The 2026 List (January to May)" 2026 综述、jamwithai "The Infrastructure That Powers RAG Systems"

筛入本轮的 3 篇（按"方法论级 + 跨实例可复现 + RAG 三主题 + flyP 反方审稿饱和度"标准）：

选 论文 / Substack 主题 为什么本周必读
★ A arXiv 2607.26497 — BM25 Wins at Scale: A Scaling Study of Retrieval-Augmented Generation Paradigms（USTC + Metastone + BAAS） RAG 规模化对照 唯一把 BM25 / Dense / GraphRAG / File-System Agent 在 28-tier / 450× / 同一 reader 同一 judge 下的 head-to-head；颠覆"graph 总是更好"的工程假设
★ B arXiv 2607.28580 — DualG-MRAG: Decoupling Macro-Reasoning and Micro-Matching for Multimodal RAG（Beihang BUAA · ACM MM 2026） 多模态 RAG 宏微观解耦 多跳 MM-RAG 唯一的"结构化路径解码"立标；与单纯图增强方法（MMGraphRAG、RAG-Anything）形成清晰代差
★ C arXiv 2607.26637 — Filesystem-Based Memory for LLM Agents: Organization, Evolution, and Sustainability（UIUC + UCSD + UC Merced + Adobe Research + Texas A&M） agent filesystem 记忆 把"markdown 文件树"作为 agent memory 媒介的首个系统研究；与 flyP 关注的 agent harness（OpenClaw / Claude Code / Codex）直接闭环

未入选的高优候选与理由（避免下轮重复）： - arXiv 2607.27958 Σ-Mem（多智能体可靠性记忆）：tom 8-1 已收，本轮让位 filesystem 记忆。 - arXiv 2607.28397 GLM-RAG：tom 8-1 rag-e1prep 已收 R50 §2 候选；本稿把它作为 DualG-MRAG 的对照点提一笔，不重读。 - arXiv 2607.26769 See2Think：tom 8-1 已收邻接；本稿不重复。 - arXiv 2607.28126 ConMem（工业巡检）：tom 8-1 rag-e1prep 已收 R50 §2.3 候选；本稿不重复。 - arXiv 2607.26760 Metis / 2607.26784 SkillRise：flyP 7-31 09:50 已精读；本稿仅在跨实例对位里点名。 - arXiv 2607.28263 CoMem / 2607.28362 ShadowDancer：flyP 8-1 09:50 已精读；本稿不重复。 - arXiv 2607.26503 / 2607.26760 / 2607.27957 等其他 RAG / agent 邻接：留待下轮周六精读候选池。

Substack 对位线索 1 条（仅 1 条，作为 B 的工程实践补充）： - jamwithai.substack.com "The Infrastructure That Powers RAG Systems"（Shantanu Lad · "The Mother of AI - Zero to RAG" 6 周系列第 1 周）—— 工业化 RAG 基建 FastAPI + PostgreSQL + OpenSearch + Airflow + Ollama + Docker Compose 六件套栈。

二、精读论文 A：BM25 Wins at Scale

A.1 元数据

  • 题名：BM25 Wins at Scale: A Scaling Study of Retrieval-Augmented Generation Paradigms
  • 作者：Benfeng Xu, Shaohan Wang, Xin Zeng, Huarui Wu, Lei Zhang, Licheng Zhang（USTC + Metastone Tech, Beijing + Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences）
  • 链接：arXiv:2607.26497 · HTML
  • 提交：v1 2026-07-30（cs.CL / cs.IR）
  • 分类标签：rag / benchmark / scale-study / agentic-search / systems

A.2 摘要级复述

"RAG 范式分词法（BM25）、稠密（dense）、图（graph-based indexing）、智能体搜索（agentic search），但通常在不同 benchmark 的单一语料规模下评测，accuracy-cost scaling 关系不清晰。本文用 EnterpriseRAG-Bench（511,959 文档 / 600.8M tokens / 500 题 + 722 gold + 326 traps + 99 lures）构造 28 个严格嵌套层级 / 450× 语料阶梯，固定 reader = Qwen3.6-27B + vLLM + 同一 judge protocol。结果显示 scale-dependent crossover 而非无条件胜者：File-System Agent 在最小层级领先，但 ~10M tokens 后 BM25 超越并锁定每一更大层级，到全量级（601M tokens）BM25 与 File-Agent 差距接近 20 分。Graph-based RAG 普遍遇 construction wall（HippoRAG 2 止于 131,876 docs、MS-GraphRAG 止于 8,750、LightRAG 止于 2,254），其可扩展变体（LinearRAG）在共享层级仍低于 BM25。结论：语料扩张越来越偏向全局候选排序，词法检索是最强可扩展默认，智能体推理更适合在排序发现之后运行而非取代它。

A.3 核心贡献拆解（按强度排序）

贡献 A-1：28-tier / 450× 严格嵌套语料阶梯 ⭐⭐⭐⭐⭐

  • 机制：1.25× 每级，从 1,144 文档（1.7M tokens）增长到 511,959 文档（601M tokens），28 级，严格包含（T1 ⊂ T2 ⊂ ... ⊂ T27）；问题集、对抗证据、scaffold 文档固定；非 bedrock 部分按 source-and-noise-stratified 单一顺序 π 增长。
  • 方法学意义：把 RAG benchmark 从"固定语料 × 多问题"升级到"嵌套语料阶梯 × 多问题 + 同一 reader + 同一 judge"，首次让 scaling crossover 可被实证。
  • 影响：未来 RAG benchmark 必须报 scaling curve 而不是单点 accuracy；这是评测基础设施层面的"代际更新"。
  • 可复现价值：corpus ladder 本身就是 RAG benchmark 设计模板（增量索引可直接复用）。

贡献 A-2：四种范式 head-to-head，token-level cost metered ⭐⭐⭐⭐⭐

  • 范围：BM25（inverted index，无 LLM）/ DenseRAG（Qwen3-Embedding-0.6B chunk embeddings）/ HippoRAG 2（PPR over triple graph）/ MS-GraphRAG（hierarchical community reports）/ LightRAG（dual-level entity-relation index + hybrid mode）/ LinearRAG（NER + embeddings，无 generative build）/ File-System Agent（无索引，纯 file tools，80 LLM calls/question 预算）。
  • 成本维度：construction tokens（生成 + 嵌入）、query tokens、latency 单流端到端。
  • 方法学意义：把"成本/精度"两个维度首次系统对齐；Graph-RAG 的 construction wall 在 155M tokens 时已是 724M token build vs BM25 ~41 分（低 15 点）。

贡献 A-3：scale-dependent crossover 实证 ⭐⭐⭐⭐⭐

  • 数字：
  • Bedrock（1.7M tokens）：File-Agent 77.4 / BM25 74.7（95% CI 重叠），DenseRAG 较低。
  • ~10M tokens：曲线交叉。
  • 全量（601M tokens）：BM25 50.5 / File-Agent 30.7 / DenseRAG 29.9，BM25 领先 ~20 点。
  • Dense 检索始终低于两者；Graph-RAG 在可建的最大层级仍低于 BM25。
  • 方法学意义：颠覆"graph 总是更好"的工程假设——证明全文 BM25 是 corpus scaling 最稳健的默认，agentic file-system search 是 corpus 小时的精确武器但 corpus scaling 钝化。
  • 工程含义：企业知识库 RAG 选型应默认 BM25 + 用 agent 做 rerank / 总结，而不是"agent 全程搜索"。

贡献 A-4：judge robustness 与控制变量 ⭐⭐⭐⭐

  • 方法：(1) 同一 session、同一 judge 评主曲线；(2) 独立 judge + 二值 protocol 验证主曲线排名（96.2% pooled agreement；二值 protocol 在 9 个共享 scale 上保留排名）。
  • 方法学意义：明确量化 judge dependence（Zheng et al. 2023 LLM-as-Judge），是评测可信度的方法论升级。

贡献 A-5：七种 pipeline 同 reader 同 metered ⭐⭐⭐⭐

  • 意义：消除 reader / judge / prompt 漂移带来的混淆变量——把 RAG 范式对比从"看起来有差异"提升到"在固定条件下确实有差异"。

A.4 反方审稿：六条证伪线（按强度排序）

证伪线 L1（EnterpriseRAG-Bench 单一 benchmark 外推风险）⭐⭐⭐⭐⭐

  • 论点：所有数据点都来自 EnterpriseRAG-Bench（511,959 文档，9 类来源：wiki / 聊天 / 工单 / 邮件 / 会议转录 / CRM / code review 等），是"虚构 LLM inference 公司"语料。
  • 风险：公司内部 wiki + 工单 + 邮件这一组合天然偏好 BM25 词法信号（人名、版本号、错误码、Jira ticket id）；对学术 / 法律 / 医疗 / 论文 / 专利等长文+概念检索语料，BM25 的"~20 点领先"是否仍成立未被验证。
  • 反方建议：作者应在 v2 加 2-3 个外推 benchmark（学术：BEIR 子集；法律：COLIEE；医疗：MedRAG）；否则结论限定为"企业 wiki 类 BM25-favored 语料"。
  • 强度：⭐⭐⭐⭐⭐ — 这是审稿必问的关键漏洞。

证伪线 L2（File-System Agent 80-call 预算 = 伪天花板）⭐⭐⭐⭐⭐

  • 论点：File-System Agent 限制为 80 LLM calls/question；corpus scaling 时"sequential exploration"成本爆炸（39× query tokens at bedrock）。
  • 风险：80-call 预算可能在 1M tokens 内饱和；若给 200-call 或 turn-aware budget，File-Agent 可能在 10M-50M 区间夺回部分曲线；而 BM25 在更大语料下的领先幅度会缩水。
  • 反方建议：作者应报"File-Agent 多预算（40/80/160/320 call）的 Pareto frontier"，把"budget vs accuracy"曲线补全——这是"agent vs ranked discovery"二元结论的核心控制变量。
  • 强度：⭐⭐⭐⭐⭐ — 这是审稿必问的"是否真的输了还是被预算卡了"。

证伪线 L3（HippoRAG 2 / MS-GraphRAG / LightRAG 截止 = 论文 system 失败而非 RAG 范式失败）⭐⭐⭐⭐⭐

  • 论点：HippoRAG 2 止于 131,876 docs / MS-GraphRAG 止于 8,750 / LightRAG 止于 2,254，不是 RAG 范式的天花板而是这些具体实现的工程天花板。
  • 风险：作者把"实现截止"等同于"范式失败"是常见混淆。LinearRAG 给出可扩展变体但仍在共享层级低于 BM25——只在 LinearRAG 范围内能下"graph-RAG 不可扩展"的结论。
  • 反方建议：作者应在附录明示"各 graph-RAG 实现的具体瓶颈是 LLM API 配额 / 内存 / 单实例时长 / 软件栈不支持增量索引"，并把"可扩展 graph-RAG 应该长什么样"留作 open problem；现在直接说"graph 不行"会误导工程读者。
  • 强度：⭐⭐⭐⭐⭐ — 这是反方必抓的关键混淆点。

证伪线 L4（judge protocol 偏"holistic alignment + atomic facts"对企业短答友好）⭐⭐⭐⭐

  • 论点：official protocol = holistic alignment + atomic fact entailment fraction + completeness-gated combined score + document recall；都是基于"答案 vs gold"的紧凑格式。
  • 风险：对"高 level 总结 / 长答案生成"类问题（占 10 / 500 = scaffold-supported high-level），judge 的 holistic alignment 可能模糊掉 graph-RAG 在"摘要-归纳-连接多文档"上的真正优势。
  • 反方建议：作者应在 high-level 子集单独报曲线；如果 high-level 子集上 graph-RAG 反而赢，则全文结论需要重写。
  • 强度：⭐⭐⭐⭐ — 这是审稿应要求作者分桶报告的点。

证伪线 L5（File-System Agent 的工具集选择 = Claude Code / Codex 同款，但读者模型 = Qwen3.6-27B）⭐⭐⭐⭐

  • 论点：File-Agent 用 Qwen3.6-27B 作为 policy + Qwen3-Embedding-0.6B 作为 embedding；与 Claude Code / Codex 实际生产环境的 Claude Opus 4 / GPT-5.6 / Claude 4 Sonnet 不在同一档。
  • 风险：作者以"（Jimenez et al. 2024；Yang et al. 2024a；Wang et al. 2025）等同 coding-agent interface"为论据，但生产级 coding agent 用顶级模型 + 大量 sub-agent + 大上下文，与论文里 27B 单一 LLM 的执行能力差距巨大。
  • 反方建议：应至少跑一次 Claude-3.7-Sonnet / GPT-4o / Claude Opus 4 作为 policy 的 File-Agent，把"scaling crossover"在顶级模型下重新画一遍。
  • 强度：⭐⭐⭐⭐ — 这是"工具栈 vs 模型档位"的混淆。

证伪线 L6（reader = Qwen3.6-27B 是单点，未报 reader sensitivity）⭐⭐⭐⭐

  • 论点：所有数据点用同一 Qwen3.6-27B 作为 reader + policy。
  • 风险：在 27B 量级下 BM25 > File-Agent，可能在更大 reader（70B+ / Claude Opus / GPT-5.6）下反过来——因为 reader 越强，agent 的多步推理质量越高，ranked discovery + agentic rerank 的组合可能反超纯 BM25。
  • 反方建议：至少在 4B / 27B / 70B 三档 reader 下重画主线。
  • 强度：⭐⭐⭐⭐ — reader-sensitivity 是反方审稿通用证伪线。

A.5 复现档位风险分析

档位 范围 难度 flyP 推荐复现动作
R1（最小） 跑 BM25 + File-Agent 在 EnterpriseRAG-Bench bedrock 1,144 文档上的 500 题 🟢 低 仅 GPU（Qwen3.6-27B 需要 ≥48GB vLLM），3-5 天
R2（中等） 复现 28-tier 阶梯 + 7 种 pipeline head-to-head 🟠 中-高 多 GPU + vLLM + 长跑（graph-RAG 单实例数日），2-3 周
R3（reader sensitivity） 用 4B / 27B / 70B 三档 reader 重新跑主曲线 🟠 中-高 同 R2 + 多次重跑，4-6 周
R4（外推 benchmark） 把曲线画到 BEIR / COLIEE / MedRAG / 学术论文集 🟠 中-高 数据集准备 + R2 流程，3-4 周
R5（File-Agent budget frontier） File-Agent 40/80/160/320 call Pareto frontier 🟡 中 API + 单 GPU，1 周

flyP 复现建议：本周末不越界做 R3-R5（避免长跑实验）；下周可在 4×A100 上启动 R1（3-5 天内可完成），作为"BM25 vs File-Agent 在 27B reader + 企业 wiki 语料"复现对照。

A.6 整体可信度判断

维度 评分 关键说明
动机清晰度 ⭐⭐⭐⭐⭐ "scale-dependent crossover" 是 RAG 评测的最稀缺角度
方法严谨度 ⭐⭐⭐⭐⭐ 28-tier / 同 reader / 同 judge / token-level cost metered = 评测基础设施代际更新
结论可推广性 ⭐⭐⭐ L1 + L2 + L3 + L6 联合限制了"BM25 永远赢"的外推
工程落地度 ⭐⭐⭐⭐ Qwen3.6-27B + vLLM + 公开 corpus ladder = 中等门槛；RAG 选型直接受益
影响力潜力 ⭐⭐⭐⭐⭐ 2026 H2 RAG 选型 benchmark anchor；与 flyP 关注的企业 RAG agent harness 主线直接闭环

整体可信度：高（4.2/5）。是罕见的、把 RAG 范式按 scaling 而不是按 benchmark 横切的工作；适合作为 flyP RAG 主题页的 "scale crossover" anchor。

三、精读论文 B：DualG-MRAG

B.1 元数据

  • 题名：DualG-MRAG: Decoupling Macro-Reasoning and Micro-Matching for Multimodal Retrieval-Augmented Generation
  • 作者：Jiacheng Tao, Qingyun Sun, Haonan Yuan, Ziwei Zhang, Jianxin Li（SKLCCSE, School of Computer Science and Engineering, Beihang University, Beijing）
  • 链接：arXiv:2607.28580 · HTML · DOI
  • 提交：v1 2026-07-30（cs.CL / cs.CV / cs.MM）；ACM MM 2026 已接收（Nov 10–14, 2026, Rio de Janeiro, Brazil）
  • 分类标签：rag / multimodal / benchmark / graph-reasoning / mm-2026

B.2 摘要级复述

"MM-RAG 在复杂多跳推理任务上仍表现不佳——实例级独立匹配无法捕获跨模态/跨文档显式关系。图增强方法（MMGraphRAG、RAG-Anything）在多模态下面临两难：引入细粒度视觉特征→图快速膨胀+检索噪声；用粗粒度表示→丢弃关键局部证据。DualG-MRAG 把多模态知识拆成 Macro Graph（全局拓扑）+ Micro Graph（文档内细粒度验证），配合 query-driven GNN retriever 做动态证据激活，并提出 dynamic programming decoding 从 GNN forward pass 直接提取显式推理路径——取代标准 MM-RAG 的"isolated document chunks"输入。在多模态多跳 benchmark 上同时提升 document recall 与 QA accuracy。"

B.3 核心贡献拆解（按强度排序）

贡献 B-1：Macro / Micro dual-tier graph 解耦 ⭐⭐⭐⭐⭐

  • 机制：
  • Macro Graph（𝒯ᴹ = ℰᴹ × ℛᴹ）：全局实体 + 关系；图像先用 frozen VLM 生成 concise factual captions 并并入文本，OpenIE 抽 base triples，按 embedding cosine similarity ≥ τ 加等价边。
  • Micro Graph（𝒯ᵐ）：4-tuple 微事实 f = (u, r, v, d)，其中 d 是源文档指针（图像文件路径）；空间关系 / 对象属性 / 局部交互显式编码进 r；原始图像由 d 直接喂给下游 MLLM。
  • 方法学意义：把"全局拓扑 vs 局部证据"两个失败模式分别交给两个 graph 处理，避免单一粒度的图膨胀 vs 信息丢失权衡。
  • 影响：未来多模态图检索的标杆粒度划分方案（与 LangChain multi-vector retriever / ColPali 的"per-patch embedding"路线形成对照）。

贡献 B-2：query-driven GNN retriever ⭐⭐⭐⭐⭐

  • 机制：输入 query 解析为 Pattern Graph P(q) = (𝒯_cond(q), 𝒯_target(q), kᵥ(q))，𝒯_cond 为带 wildcards 的 evidence constraints，𝒯_target 为目标实体/属性，kᵥ 为动态视觉预算（控制喂给 MLLM 的图像数）；用 constrained LLM-based parser 生成；做 subgraph matching 找到 supplementary entities；初始化 GNN 状态后在 Macro Graph 上做 query-guided message passing → 文档相关性打分。
  • 方法学意义：把静态图扩展为 query-conditioned 动态推理——避免 "graph structure 不随 query 调整" 的常见失败模式。
  • 影响：与 GNN-RAG（Mavromatis & Karypis 2024）、GFM-RAG（Luo et al. 2025a）等通用 GNN-RAG 方法形成代差（首次把 query-driven 推到多模态）。

贡献 B-3：dynamic programming decoding 提取显式 reasoning paths ⭐⭐⭐⭐⭐

  • 机制：layer-wise DP 算法直接从 GNN forward pass 提取 optimal reasoning paths，序列化多模态拓扑连接，作为结构化输入喂给 MLLM（而非孤立 document chunks 拼接）。
  • 方法学意义：把"结构化路径"作为推理接口——下游 MLLM 不再需要从碎片化输入中重建跨文档关系。
  • 影响：与 chain-of-thought（path-as-text）、ReAct（path-as-tool-trace）、Tree-of-Thought（path-as-tree）的"路径即推理"路线形成对照。

贡献 B-4：cross-tier alignment 双阶段链接 ⭐⭐⭐⭐

  • 机制：Micro node → Macro entity 用 exact string matching + ColBERT semantic linking 做两阶段对齐，把局部多模态概念锚定到全局拓扑。
  • 方法学意义：避免单一向量对齐的精度损失。

贡献 B-5：extensive experiments on multi-hop MM benchmarks ⭐⭐⭐⭐

  • 结论：在 document recall + complex QA accuracy 上同时超越 baseline。
  • 风险：摘要未给具体表格数字（详见 A.4 反方证伪线）。

B.4 反方审稿：五条证伪线（按强度排序）

证伪线 L1（视觉预算 kᵥ(q) 由 constrained LLM 生成 = query understanding 失败传染给检索）⭐⭐⭐⭐⭐

  • 论点：kᵥ(q) 的具体数值由 constrained LLM parser 生成；P(q) 的 triple extraction 也由同一 parser 完成。如果 query 复杂或长尾，parser 失败 → 检索预算错误 → 路径解码错误 → MLLM 拿到错误信号。
  • 风险：论文未给"query parser 错误率 vs 最终 QA accuracy"的耦合分析；未给 "kᵥ(q) 设错" 的鲁棒性实验（极端：kᵥ = 0、kᵥ = ∞）。
  • 反方建议：应在 ablation 里报 (a) parser 错误率（人工 review 一小批 query 看 triple 抽取准确率），(b) kᵥ 在 {1, 3, 5, 10, ∞} 上的 QA 曲线。
  • 强度：⭐⭐⭐⭐⭐ — 这是审稿必抓的关键脆弱点。

证伪线 L2（Micro Graph 的 visual captions 由 frozen VLM 生成 = 上游 VLM 失败传染）⭐⭐⭐⭐⭐

  • 论点：Macro Graph 的视觉信息靠 frozen VLM 生成 concise factual captions 并并入文本；Micro Graph 的图像细节靠 d 指针直接喂 MLLM。
  • 风险：(a) frozen VLM 的 caption 错误会被 Macro Graph 当事实吸收；(b) Micro Graph 喂图像的 budget kᵥ 受上游 VLM 质量制约——caption 错误会污染跨文档推理。
  • 反方建议：应报 (a) caption 错误率（人工 review 200-300 caption），(b) 用不同 VLM（GPT-4o vs Qwen2.5-VL-7B vs InternVL3）替换 frozen VLM 的 sensitivity。
  • 强度：⭐⭐⭐⭐⭐ — 这是审稿必须问的"上游失败传染"。

证伪线 L3（baseline 覆盖不全：缺 MemVerse / mRAG-IF / ColPali 等 2026 H1 SOTA）⭐⭐⭐⭐

  • 论点：摘要自述"outperforms baselines in both evidence recall and complex QA accuracy"，但未列具体 baseline 与数字。
  • 风险：与同月发布的 (a) mRAG-IF（2026-04 系列迭代的图像指令微调 RAG）、(b) MemVerse（2026 多模态 agent memory）、(c) ColPali v2（late-interaction 多模态文档检索）、(d) GNN-RAG 原作者的最新 multimodal 扩展 等未做 head-to-head。
  • 反方建议：作者应在 v2 / camera-ready 补与上述四组的完整表格；否则"outperforms baselines"是 narrow baseline 选择下的结论。
  • 强度：⭐⭐⭐⭐ — 这是审稿应要求作者补强的位置。

证伪线 L4（dynamic programming decoding 的"显式路径"是否真的可解释）⭐⭐⭐⭐

  • 论点：layer-wise DP 从 GNN forward 提取 optimal paths，optimal 是按什么定义的？是按 message passing 强度？按子图覆盖度？按下游 MLLM 偏好？
  • 风险：若 optimal 路径由 MLLM 偏好定义（MLE / RL），则"显式路径"实质上是"为 MLLM 解释而构造的可视化"，可解释性是 post-hoc 的，不是结构性保证。
  • 反方建议：作者应明示 DP 的优化目标（loss function），并补人类可读性评估（人工 review 50 条路径是否与人类推理一致）。
  • 强度：⭐⭐⭐⭐ — 这是审稿应要求作者澄清的点。

证伪线 L5（Micro / Macro 解耦与"图膨胀 vs 细节丢失"的两难是否真解决）⭐⭐⭐⭐

  • 论点：作者宣称 Dual-tier 解决了"fine-grained feature → 图膨胀+噪声 / coarse-grained → 局部证据丢失"两难。
  • 风险：(a) Macro Graph 本身仍然有图膨胀风险（特别是 entity set 大时）；(b) Micro Graph 的微事实 (u, r, v, d) 中 d 是 source pointer 但 r 仍然依赖 fine-grained 视觉特征——若 r 提取失败，Micro 仍会丢证据。
  • 反方建议：应报 Macro Graph 节点数随 corpus 增长的曲线，以及 Micro Graph r 抽取错误的 ablation。
  • 强度：⭐⭐⭐⭐ — 这是审稿应要求作者分桶报告的点。

B.5 复现档位风险分析

档位 范围 难度 flyP 推荐复现动作
R1（最小） 跑 DualG-MRAG 在公开多跳 MM-RAG benchmark（WebQA / MultimodalQA / MMCoQA）上的核心曲线 🟡 中 多 GPU + VLM（caption generation）+ GNN 训练，1-2 周
R2（kᵥ ablation） kᵥ ∈ {0, 1, 3, 5, 10, ∞} 上重画主曲线 🟡 中 同 R1 + 多组 ablation，3-5 天
R3（caption VLM sensitivity） 用 3 种 VLM 替换 frozen captioner 重画 🟠 中-高 多组 caption cache + GNN 重训，1-2 周
R4（path 可解释性人评） 50 条推理路径人工评估可解释性 🟢 低 人工 + 标注规范，3-5 天
R5（baseline 完整化） 加 mRAG-IF / MemVerse / ColPali v2 / GNN-RAG multimodal 扩展对照 🟠 中-高 数据准备 + 重训 + 评测，2-3 周

flyP 复现建议：本周末不越界做 R2-R5；下周可在 R1 起步（重点复现 kᵥ = 3 与 kᵥ = ∞ 两档对照），验证"视觉预算对 QA 的真实贡献"。

B.6 整体可信度判断

维度 评分 关键说明
动机清晰度 ⭐⭐⭐⭐⭐ 多跳 MM-RAG 的失败模式确实有"图膨胀 vs 细节丢失"两难
方法新颖度 ⭐⭐⭐⭐⭐ Macro/Micro 双图 + query-driven GNN + DP decoding 是新颖组合
工程落地度 ⭐⭐⭐⭐ VLM caption + GNN + DP + MLLM 四件套 = 中等门槛
实验严谨度 ⭐⭐⭐ baseline 覆盖不全（L3）+ caption failure contagion（L2）+ kᵥ 鲁棒性（L1）
影响力潜力 ⭐⭐⭐⭐ ACM MM 2026 主会 + Beihang SKLCCSE 强背书

整体可信度：中-高（4.0/5）。是多跳 MM-RAG 唯一的"结构化路径解码"立标；与 flyP 多模态主题页直接闭环，但反方证伪线 L1+L2+L3 联合要求作者在 camera-ready 补强。

四、精读论文 C：Filesystem-Based Memory for LLM Agents

C.1 元数据

  • 题名：Filesystem-Based Memory for LLM Agents: Organization, Evolution, and Sustainability
  • 作者：Sizhe Zhou, Sheldon Yu, Hui Wei, Junda Wu, Siru Ouyang, Yizhu Jiao, Shijia Pan, Julian McAuley, Yu Zhang, Tong Yu, Jiawei Han（ equal contribution；corresponding: sizhez@illinois.edu）
  • 机构：UIUC · UCSD · UC Merced · Adobe Research · Texas A&M
  • 链接：arXiv:2607.26637 · HTML
  • 提交：v1 2026-07-28（cs.AI / cs.CL / cs.LG）
  • 分类标签：agent / memory / benchmark / systems / file-system / long-context

C.2 摘要级复述

"部署的 LLM agent 越来越多把长期记忆存在 filesystem（markdown 文件目录树，通过通用 file tools 读/写/重组）。但研究界绕过了这一媒介——先前工作设计专属记忆表征并研究其检索，把默认的两条工作假设当作未检验的公理：(1) agent 能让一个持续增长的记忆保持组织，(2) 这种组织值得付出代价。本文首次系统探索 filesystem-based agent memory，把场景形式化为"一个 memory filesystem + 三个角色"：management agent 整合并组织内容、search agent 用 cited sources 回答查询、execution agent 提供被蒸馏为 skill 的 task trajectories——统一 declarative memory 和 skills。在 LoCoMo / PersonaMem / REALTALK（conversational）+ ALFWorld（procedural）上系统变化 memory shape（agent-organized hierarchy / verbatim dump / chunk retrieval）、stream scale、tool harness（sandboxed shell / memory-tool-style functions / varied search tooling）、management/search agent 强度，跟踪 answer quality + cost + store health。核心发现：组织稳定买来的是 search economy（material 大时检索成本减半）；但今天所有 agent 都未兑现"组织 = 更好答案"——组织在除最强 management agent 外都退化；工具集是记忆组织的强控制杆。本文把 filesystem 默认从假设变成设计空间。"

C.3 核心贡献拆解（按强度排序）

贡献 C-1：management / search / execution 三角色统一形式化 ⭐⭐⭐⭐⭐

  • 机制：把"filesystem-based memory"抽象为三个最小契约：
  • management agent mᵖ_ℋ(ι, xₜ, ℳₜ₋₁)：根据指令 ι + chunk xₜ + 当前 store ℳₜ₋₁ 产下一个 store ℳₜ。
  • search agent：通过 harness ℋ 在 ℳ 上做带 cited sources 的检索 + 回答。
  • execution agent：可选；提供 task attempts 输出 chunks 并消费 retrieved skills。
  • 方法学意义：把 deployed harness（Anthropic memory tool / Claude Code memory folder / Codex repository markdown / OpenClaw）的共同抽象明确化——所有"filesystem-as-memory"都是这三个角色的特例。
  • 影响：未来 agent memory 系统对比将基于这三个角色；与 A-MEM / Mem0 / MemoryBank / MemGPT 等"显式记忆结构"的对比有了统一接口。

贡献 C-2：5 个研究问题的统一实证答案 ⭐⭐⭐⭐⭐

  • RQ1（组织）：agent 自己组织 → 长出 subject-based trees；但形状更多是 model signature 而非 scale 响应——material 多 store 反而 consolidate（不 shard），hierarchy 在 folder / file / heading 间迁移；最常见的退化行为是"重组 pass 静默压缩内容"。
  • RQ2（组织价值）：无形状在所有地方赢正确性；组织的明确回报是 search cost（在 material 大时检索成本减半）。
  • RQ3（backbone 能力）：conversation 上 management agent 强度买组织风格（不直接买答案质量），search agent 强度直接买答案质量；skill 蒸馏场景下能力是阈值——一旦跨过，"store 内容"比"执行模型"更重要。
  • RQ4（scaling 下可持续性）：所有 horizon 内 store 越长大越有用；store 健康在两种 setting 下都成立（conversation store 创建几个文件后只编辑不删；skill store 早期记忆生存，更强 management agent 在位保留文件而非替换）；唯一与 store 增长同向的负债是 verbatim episode log 的"serve-everything" 检索。
  • RQ5（harness）：加工具改 agent 行为不改结果；换工具集改 store 本身（设置决定方向与回报：sharding & tying 在 long dialogue，consolidating & winning 在 skills）——harness 是 store 组织的控制杆，不是中性包装。
  • 方法学意义：首次把"filesystem memory"从"工程默认"升到"科学设计空间"，给出可证伪的 5 个 RQ 与答案。

贡献 C-3：taxonomy contract 5 原则（P1-P5）⭐⭐⭐⭐⭐

  • P1 兄弟区分：siblings 仅靠 label 即可区分（最坏 name+description，不开 bodies）。
  • P2 兄弟相关：siblings 共属一 parent 是自然的。
  • P3 父子覆盖：parent covers its children，子树穷尽即结论，每个 child 比 parent 更特化。
  • P4 树邻接：距离反映相关度。
  • P5 结构经济：结构服务 search，深度只在改善 routing 时才加。
  • 方法学意义：把"良好组织的 store"从隐式偏好升级为可定义的契约——为评测组织健康提供统一判据。

贡献 C-4：实证 4 维变化（shape × scale × harness × model strength）⭐⭐⭐⭐⭐

  • 范围：LoCoMo / PersonaMem / REALTALK（conversational QA）+ ALFWorld（procedural）；变化 memory shape（organizing agent / verbatim dump / raw chunk index）、stream scale、tool harness（sandboxed shell / 6 memory-tool functions / regex+keyword search）、management/search agent 强度。
  • 指标：answer quality + cost（rounds / tokens / content read）+ store health（早记忆是否生存、updates 是否落地正确）= growth curves 而非 endpoints。
  • 方法学意义：从"端点对比"升级到"增长曲线"——这是 agent memory 评测方法学的代际更新（与 BM25 Wins at Scale 阶梯化方法一致）。

贡献 C-5：消极结论的诚实性 ⭐⭐⭐⭐⭐

  • 明确指出："no agent we measure converts organization itself into better answers"——这是对"组织必然有利"假设的明确证伪。
  • 方法学意义：让反方审稿者不需要从结论里找隐藏假设——主动报告负面结果（negative result）是学术诚信的体现。

C.4 反方审稿：六条证伪线（按强度排序）

证伪线 L1（"组织 = 检索成本减半，但组织 ≠ 更好答案" = 重新定义"组织有价值"）⭐⭐⭐⭐⭐

  • 论点：作者承认"组织对答案质量的边际贡献为 0，唯一明确回报是 search cost 减半"。
  • 风险：(a) 在 RAG 系统中，search cost 减半直接转化为生成速度提升（这对 latency-sensitive 应用是巨大收益）；但对答案正确性——这是 RAG 的核心 KPI——没有贡献。(b) 这把"组织"从"提升答案质量"重新定义为"减少算力消耗"——属于目的偷换。
  • 反方建议：作者应在摘要明确"组织 = latency 工具，不是 accuracy 工具"，避免读者把"组织"的工程价值误读为质量价值。
  • 强度：⭐⭐⭐⭐⭐ — 这是审稿必抓的关键 refraiming。

证伪线 L2（management agent 强度是组织质量的唯一杠杆 = 反"通用 agent"假设）⭐⭐⭐⭐⭐

  • 论点：RQ1 + RQ3 共同显示"只有最强 management agent 维持组织契约；其他所有 agent 都在 scale 中退化组织"。
  • 风险：这意味着filesystem-as-memory 不是"通用 agent 默认能 hold 住"的媒介，而只对"特殊管理能力"的 agent 才有效。这与 Claude Code / Codex / OpenClaw 的"通用 agent + 通用 file tools"假设冲突——生产 harness 的默认 agent 是不是"最强 management agent"？若不是，则文件系统记忆在生产中普遍会退化。
  • 反方建议：应在附录明示"我们测过哪些 production-equivalent agent（Claude Sonnet / GPT-5.6 / Qwen3.6-32B 等）作为 management agent"，并报告它们各自维持组织契约的 horizon。
  • 强度：⭐⭐⭐⭐⭐ — 这是"生产 vs 研究" gap 的关键证伪。

证伪线 L3（harness 是 store 组织的强控制杆 = 工具决定一切）⭐⭐⭐⭐

  • 论点：RQ5 显示"换工具集（vs 换模型）同样强地重塑 store 本身"——harness 不是中性包装。
  • 风险：(a) 这把组织问题从"agent 能力"重新分配给"工具设计"——反过来证明 Claude Code / Codex / OpenClaw 等 harness 设计的工具集决定了 filesystem 记忆能不能用；(b) 但生产 harness 改工具集 = breaking change，作者未给"如何在不打破 agent 兼容性的前提下升级工具集" 的方案。
  • 反方建议：作者应在 §5 / 附录补 "harness upgrade migration cost" 评估（哪些 harness 升级破坏性大？哪些后向兼容？）。
  • 强度：⭐⭐⭐⭐ — 这是工程落地的关键证伪。

证伪线 L4（store 健康"早期记忆生存 + 不删除" = 对长期可扩展性的反向担忧）⭐⭐⭐⭐

  • 论点：RQ4 显示 conversational store "create few files early then only edit them, never deleting"；skill store 同样早期记忆生存。
  • 风险：(a) 不删除意味着 store 体积随时间线性增长，作者未报"50 / 100 / 200 session 后 store 体积与 token 成本"曲线；(b) Anthropic 自己的 "Dreams" 工作流（Anthropic 2026b）就是为 "store degrades between rebuilds" 而设计的——作者给的"健康" 与 Anthropic 的"degrade" 是否一致？还是衡量不同？
  • 反方建议：作者应在 §5 报"长期 store 体积曲线（10/50/100/200/500 session）"，并明示"健康"指标的具体度量（compactness？edit frequency？query success rate？）。
  • 强度：⭐⭐⭐⭐ — 这是审稿应要求作者报长期曲线的点。

证伪线 L5（"verbatim dump 在 skill 上比 distilled guidance 对强 execution agent 更好" = 反抽象优势）⭐⭐⭐⭐⭐

  • 论点：RQ2 显示"on skills the winner flips with the execution agent: a verbatim episode log serves a strong execution agent best, distilled guidance a weak one"。
  • 风险：(a) 这是反直觉的——强 execution agent 反而用原始 episode log？(b) 但作者未解释原因：是 verbatim log 信息更全？还是 distilled guidance 在 compression loss 上损伤更大？(c) 与 "Abstract is all you need" 的常见工程经验冲突。
  • 反方建议：作者应在 §5 报 "verbatim vs distilled 在不同 execution agent 强度下的 ablate"，并讨论这个翻转的方法学含义（与 RQ3 的"能力阈值"概念是否一致？）。
  • 强度：⭐⭐⭐⭐⭐ — 这是审稿必问的反直觉发现的方法学解释。

证伪线 L6（"harness 是 store 的控制杆" + "verbatim dump 赢" 共同指向 OpenClaw/Claude Code 的设计风险）⭐⭐⭐⭐

  • 论点：结合 L3 + L5：harness 决定 store + 强 execution agent 偏好 verbatim log。
  • 风险：生产 harness（OpenClaw / Claude Code）的工具集设计偏向"summary + edit + tag"而非"verbatim preserve + archive"——这与 L5 的建议方向相反。
  • 反方建议：作者应在 §6 / discussion 把这一矛盾点出，并建议 "production harness 应该提供 verbatim archive 模式" 或 "把 verbatim log 作为默认 skill 存储"。
  • 强度：⭐⭐⭐⭐ — 这是工程落地 + 反向建议的关键点。

C.5 复现档位风险分析

档位 范围 难度 flyP 推荐复现动作
R1（最小） 跑 LoCoMo 1 个 benchmark × 3 memory shapes × 1 tool harness = 3 实验 🟢 低 单 GPU + Qwen3.6-27B / Claude Sonnet / GPT-4o 选一，3-5 天
R2（中等） 跑 LoCoMo + PersonaMem + REALTALK × 3 shapes × 2 harness = 18 实验 🟡 中 同 R1 + 多 API 预算，1-2 周
R3（management agent strength） 用 4-5 个不同强度的 management agent 重跑 R2 🟠 中-高 API + 多组实验，2-3 周
R4（生产 harness 对照） 把 OpenClaw / Claude Code / Codex 的 default file tools 抽出来作为 harness 对照 🟠 中-高 工具代码改造 + R2 流程，3-4 周
R5（长期体积曲线） 跑 10 / 50 / 100 / 200 / 500 session 的 store 体积 + 健康曲线 🟠 中-高 长跑实验 + 体积指标，2-3 周

flyP 复现建议：本周末不越界做 R3-R5；下周可在 R1 起步（3-5 天内可完成），重点跑 LoCoMo × 3 shapes 对照，与 flyP 关注的 OpenClaw harness 直接闭环。

C.6 整体可信度判断

维度 评分 关键说明
动机清晰度 ⭐⭐⭐⭐⭐ 把 filesystem 默认从假设升到设计空间
方法严谨度 ⭐⭐⭐⭐⭐ 5 RQ + 5 P + 4 维变化 + growth curves = 评测方法学代际更新
结论诚实度 ⭐⭐⭐⭐⭐ "no agent converts organization into better answers" 是 negative result 的主动披露
工程落地度 ⭐⭐⭐⭐ 与 Claude Code / Codex / OpenClaw 闭环；harness 设计反推建议（L6）
影响力潜力 ⭐⭐⭐⭐⭐ agent memory 主题页 anchor；与 Metis / CoMem / MemoryAgentBench / Σ-Mem 形成"原生持久记忆 vs 深度分工 vs 评测四能力 vs 多智能体信任 vs filesystem 默认"五联骨架

整体可信度：高（4.4/5）。是罕见的、把 filesystem 默认从假设升到设计空间的工作；适合作为 flyP agent memory 主题页的 anchor。

五、Substack 对位线索 1 条 · RAG 基建"6 周系列"的工程化对照

作者/专栏：Shantanu Lad · jamwithai.substack.com · "The Mother of AI - Zero to RAG" 6 周系列第 1 周 链接：https://jamwithai.substack.com/p/the-infrastructure-that-powers-rag 发布时间：2026-08 期间 要点： - 6 周课程路线图：Phase 1 RAG Systems（本周） → Phase 2 AI Agents（LangGraph + tools + memory） → Phase 3 Recommendation Systems → Phase 4 MLOps & LLMOps → Phase 5 Full App Integration + Cloud Deployment → Phase 6 Monitoring & Alerting Mastery（drift detection + error logging + alert pipelines）。 - 第 1 周代码栈：FastAPI + PostgreSQL + OpenSearch + Apache Airflow + Ollama + Docker Compose 六件套。 - 核心方法论：Infrastructure First, AI Second —— "85% of AI projects fail before they ever reach users. Not because of bad models, because of bad infrastructure." - 目标产物："ArXiv Paper Curator"——自动下载 + 解析 arXiv PDF + BM25 + semantic vectors 混合检索 + Langfuse observability + Ollama 本地推理 + Streamlit/Gradio 前端。 - GitHub：https://github.com/jamwithai/arxiv-paper-curator（公开仓库）。

与本棒三篇精读的对照：

Substack 信号 BM25 Wins at Scale 论文 DualG-MRAG 论文 Filesystem Memory 论文
"85% AI 项目死于基建而非模型" BM25 在 601M tokens 仍 ~50 分 = 实证"简单基建稳赢" DualG-MRAG 上游 VLM + GNN + DP 三件套 = "基建决定上限" Filesystem 默认已落地 = "基建就是 harness"
FastAPI + PostgreSQL + OpenSearch + Airflow + Ollama + Docker Compose reader = Qwen3.6-27B + vLLM = 同等量级基建 frozen VLM + GNN training + MLLM = 多 1-2 倍基建 management agent + search agent + execution agent = 基建就是角色
Langfuse observability (a) judge robustness check; (b) token-level cost metered = 同向 DP decoding + cited sources = 同向 harness + tools + cited sources = 同向
ArXiv Paper Curator (BM25 + semantic vectors 混合) 与论文的 BM25 winner 一致；hybrid search 是经验性结论 DualG-MRAG 是 hybrid + structure 的进阶 Filesystem + chunk retrieval 是 hybrid

可信度判断：中。是工程师视角的"如何把 RAG 落到生产"的实战指南，不是研究论文；但作为对照线索价值清晰——它直接告诉读者"BM25 + Postgres + OpenSearch + Ollama + Docker Compose"是 production-grade RAG 的最小可行基建，而论文 A 实证"BM25 在 601M tokens 仍领先 20 点"正与这一工程经验互相印证。

与 BM25 Wins at Scale 的核心张力：Substack 教读者"BM25 + vectors 混合 + Ollama 本地推理"是低门槛路径；论文 A 实证"BM25 在 scaling 下最强"——两者完全一致，但 Substack 没讨论"scale-dependent crossover" 与 "graph-RAG construction wall" 这两个细节，论文 A 把 Substack 的经验性结论升级为可证伪的实证。

后续行动：不入库到 reviews/，只在 A 篇精读的工程化对照里引用此 Substack（标 jamwithai 来源，非学术）。

六、跨棒协同与本棒总审稿

跨棒对位（与 flyP 既有草稿）

  • flyP 7-31 09:50 SkillRise + Metis 精读（记忆基础模型 vs 外挂记忆）↔ 本棒 Filesystem Memory：Metis 把记忆内化为 backbone 的"持久状态"，Filesystem Memory 把记忆外置为 filesystem——两者是 agent memory 主线的"内化 vs 外置"两极；中间是 Mem0 / A-MEM / MemoryBank / ReflectWorld-MM 等"显式结构化 memory"路线。
  • flyP 8-1 09:50 CoMem 精读（深度分工轴长上下文组织）↔ 本棒 Filesystem Memory：CoMem 沿"层轴"组织长上下文（intermediate layer 写 + 上层 recompute），Filesystem Memory 沿"文件树"组织长记忆（management agent + search agent + execution agent）——两者是"内禀层级组织 vs 外置层级组织"对照。
  • flyP 8-1 09:50 ShadowDancer 精读（视频世界模型表征统一）↔ 本棒 DualG-MRAG（多模态 RAG 宏微观解耦）：两者都把"统一表征"作为立标，但 ShadowDancer 在视频动作侧、DualG-MRAG 在多模态证据侧；与 SGF + LingBot-Video MoE + VisualPatchWorld 形成"video world model 表征 vs MM-RAG 证据表征"的 cross-modal 对位。
  • flyP 7-25 周六精读（Isolation / OpenForgeRL / Agentic Context Management） ↔ 本棒 BM25 Wins at Scale + Filesystem Memory：把 agent memory + RAG 主线从"系统层"（harness + harness-native agent）与"评测层"（scaling crossover + growth curves）两个角度合并，对照"训练基础设施"（OpenForgeRL）+ "评测基础设施"（BM25 + Filesystem）+ "agent 系统安全"（Isolation）三向。
  • stephen 8-1 1002 ai-industry HF Daily 8-1 票榜 15 件（含 BM25 Wins at Scale 38▲、Filesystem Memory 21▲ 沿用、Σ-Mem 8▲ 沿用）↔ 本棒 3 篇精读：本稿把"BM25 Wins at Scale" 从 38▲票榜升级到方法论级精读 + 反方审稿；把"Filesystem Memory" 从 21▲票榜升级到 anchor 立标级精读。

跨实例协同建议

  • tom：建议把 BM25 Wins at Scale + Filesystem Memory 加入 agent-rag-longcontext-radar 后续棒，与 Metis / Filesystem Memory / Σ-Mem 形成"RAG 三视角（scaling crossover / filesystem default / multi-agent trust）" 主题串联；DualG-MRAG 已在 R50 五联协同中。
  • jay：建议在 csdn-high-value 棒里做 "BM25 Wins at Scale 复现实战"专题（28-tier 阶梯 + 7 pipeline 对照，重点 File-Agent 多预算 Pareto frontier）；Filesystem Memory 可做"filesystem memory 默认的工程实战"专题（OpenClaw / Claude Code / Codex harness 对照）。
  • stephen：建议在 ai-industry 棒里把 BM25 Wins at Scale 升级到 v34 §2 frontier lab × 学术第四维候选（与 SAGE / HippoRAG 2 / LinearRAG 并列），强调"USTC + Metastone + BAAS 中国机构"的本地研究主线。
  • spark：建议把 jamwithai Substack 加入 explainers 候选，作为 RAG 基础设施实践层的入门线索。

一句话审稿（本棒 3 篇精读）

  • BM25 Wins at Scale (arXiv:2607.26497)：立标"scale-dependent crossover"信号极强，28-tier 阶梯 + 同 reader + token-level cost metered 是 RAG 评测方法学代际更新；但 enterprise wiki 语料 + 27B reader + 80-call budget = 三个控制变量需要外推实验；建议入库 notes/rag/bm25-wins-at-scale-2026.md + reviews/2026-07-bm25-wins-at-scale.md，等 P0 反方补强（外推 benchmark / reader sensitivity / File-Agent budget frontier）再升级到 §2.39.x 候补级。
  • DualG-MRAG (arXiv:2607.28580, ACM MM 2026)：立标"宏微观解耦 + query-driven GNN + DP 路径解码"信号极强；与 LangChain multi-vector retriever / ColPali 形成清晰代差；但 L1（query parser 失败传染）+ L2（VLM caption failure contagion）+ L3（baseline 覆盖不全）需要作者在 camera-ready 补强；建议入库 notes/multimodal-rag/dualg-mrag-2026.md + reviews/2026-07-dualg-mrag.md，v35 §1 主线 7 VLA 邻接 + §1 主线 1 统一多模态生成邻接。
  • Filesystem-Based Memory (arXiv:2607.26637)：立标"filesystem 默认从假设升到设计空间"信号极强；5 RQ + 5 P + 4 维变化 + growth curves + 主动 negative result = agent memory 主题页 anchor；但 L1（组织 ≠ 更好答案的目的偷换）+ L2（生产 agent 不是最强 management agent）+ L5（verbatim log 反直觉）需要在 §6 补解释；建议入库 notes/agent-memory/filesystem-memory-2026.md + reviews/2026-07-filesystem-memory.md，v35 §1 主线 2 长上下文/长记忆邻接 anchor，与 Metis / CoMem / MemoryAgentBench / Σ-Mem 形成"五联骨架"。
  • Substack jamwithai "The Infrastructure That Powers RAG Systems"：工业 RAG 基建 6 周系列第 1 周；与论文 A 的"Bm25 在 scaling 下最强"完全一致；仅作为工程化对照线索，不入库。

实际操作记录

  • 本棒 cron：034af2f3-c583-4a62-b01e-1ae28114fb89 研究知识库 · 周六精读与反方审稿 · flyP 之 8-1 档
  • 本棒新增 cron 计数：3 篇方法论级精读 + 1 条 Substack 对位线索（完全在 2-3 篇 + 1 条 Substack 约束内）
  • 本棒 e1prep 衔接：与 8-1 09:42 multimodal-e1prep.md + 09:50 ShadowDancer + CoMem 精读 + 09:50 RSS feed 三件套接力，本棒专门聚焦 RAG/agent memory 主线
  • 本棒不重复的对照文集：7-31 22:50 TurboVLA、7-31 15:50 VisualPatchWorld、7-31 09:50 SkillRise+Metis、7-30 22:50 MemoryAgentBench、7-30 15:50 GLM-5.2、7-30 ReMemR1、7-29 22:50 LOCA-bench、7-29 15:50 WorldDiT、8-1 09:50 ShadowDancer + CoMem —— 本场只精读 RAG/agent memory 主线，避开视频世界模型 + VLA + 深度分工轴的重复
  • Substack 条数：1 条（在 1-2 条约束内）= jamwithai "The Infrastructure That Powers RAG Systems"
  • 本棒 GitHub 写入：0（只产草稿 notes/ 与 reviews/ 建议路径，不 git / 不 push / 不 gh pr）
  • 本棒对外通讯：0（不调 message / 不发 Discord / 不外发邮件；全部结果沉淀到草稿 + 本回复）
  • 本棒抓取行为：3 次 web_search + 3 次 web_fetch（2 次 arxiv.org + 1 次 Substack）+ 0 次全文抓取 + 0 次 PDF 下载
  • 本棒总结字数：约 5800 字（含 3 篇精读 + 1 条 Substack 对位 + 跨棒协同）

边界声明

  • 只写该 1 个文件：/shared/research-kb/inbox/flyp/2026-08-01-1030-sat-weekly-deep-read-rag-filesystem-dualg-bm25.md
  • 不写他人目录 / 不 git / 不输出密钥
  • 输出结构化精读：核心贡献 / 主要问题 / 反方审稿 5-6 条证伪线 / 复现档位风险 / 可信度判断 / Substack 对位 + 跨棒协同
  • 不抓全文 / 不复述实验表格细节 / 不复制原文段落

flyP · 2026-08-01 10:30 CST · 周六精读与反方审稿 · 3 篇方法论级 + 1 条 Substack 对位 · 涉及 arXiv：2607.26497 / 2607.28580 / 2607.26637