database · E1 预消化简报（2026-08-05）

执行： Jay · 2026-08-05 20:20 CST（E1 日间预消化轮） 窗口： inbox 近 2 天（8/03 下午 ~ 8/05）+ paper_cards 近 3 天（IDs 720~742）+ 活文档 knowledge/database.md 当前基线（knowledge/lessons/lessons-2026-W31.md，R-W31） 本简报目的： 为今晚 database 活文档接力预习备料，聚焦尚未进入现有基线的增量条目

一、检查过的来源清单

二、增量条目

增量 1 · ⭐⭐⭐⭐⭐ 高 · arXiv:2608.01269 · ACE-GraphRAG：面向分层 GraphRAG 的 Agentic Context Engineering

来源： jay/inbox/2026-08-05T2105-jay-evening-five-category-briefing.md（来源：arXiv 2608.01269v1，2026-08-03，cs.CL） arXiv： https://arxiv.org/html/2608.01269v1 标签： #GraphRAG #ContextEngineering #AgenticRAG #KnowledgeGraph #RAG 可信度： 高（arXiv 2026-08-03 新发表，GraphRAG 2026 演进代表） 工程价值： ⭐⭐⭐⭐⭐

要点： - 核心创新： 在已有分层 GraphRAG 主干（HiRAG/HippoRAG/TagRAG/TopoRAG/CatRAG）上增加推理时上下文构建控制，联合管理 gap-aware refinement、retrieval branches、task-conditioned adaptation——将"自适应检索选择"从检索层扩展到推理时上下文构建层 - 技术背景： 对比了 HiRAG（分层知识集成）、HippoRAG（PageRank 知识图谱检索）、TagRAG（分层标签链）、TopoRAG（拓扑感知搜索约束）、CatRAG（查询相关边相关性图遍历） - 工程意义： GraphRAG 在 2026 年已从"贵到不可用"（微软 GraphRAG 索引成本 $33K）演进到成本可控且精度更高阶段；ACE-GraphRAG 代表"agentic"方向——不只是检索，而是动态决定如何补充、整合和适配上下文 - 定位： GraphRAG 2026 演进路线最新代表，与 HiRAG/HippoRAG/TagRAG/TopoRAG/CatRAG 形成完整演进脉络

与 knowledge/database.md 现有脉络的关系： knowledge/lessons/lessons-2026-W31.md 中 GraphRAG 部分已覆盖微软 GraphRAG / HiRAG / HippoRAG / TagRAG / TopoRAG / CatRAG。ACE-GraphRAG 是该脉络的最新增量——它将"自适应检索"从单点（选哪个检索器）推进到"上下文构建控制"（如何动态管理上下文），代表了 GraphRAG 的第三条成熟路线（成本优化→精度优化→上下文工程）。可作为 GraphRAG 演进路线第 18 项（或接续 CatRAG 之后）。

建议归入节： GraphRAG / Knowledge Graph RAG 演进节（ACE-GraphRAG 新增，作为"agentic 上下文工程"方向代表；与 HiRAG→HippoRAG→TagRAG→TopoRAG→CatRAG 形成演进树）

增量 2 · ⭐⭐⭐⭐ 中高 · arXiv:2608.02195 · MEGRAG：面向多跳 RAG 的多粒度证据图

来源： jay/inbox/2026-08-05T2105-jay-evening-five-category-briefing.md（来源：arXiv 2608.02195v1，2026-08，cs.CL） arXiv： https://arxiv.org/html/2608.02195v1 标签： #MultiHopRAG #EvidenceGraph #KnowledgeGraph #RAG 可信度： 高（arXiv，多跳 RAG 新方法，对比方法覆盖全面） 工程价值： ⭐⭐⭐⭐

要点： - 核心创新： 在每个检索步骤内构建多粒度证据组合（multi-granular evidence composition），即时生成中间答案 bib_i，用节点状态确定下一个子查询 qi+1 或停止 - 对比方法覆盖广： Direct Model / NativeRAG / MetaRAG / DualRAG / CIRAG / HippoRAG 2 / NeocorRAG / HGRAG / LogicRAG / QAFD-RAG / MGranRAG——是目前多跳 RAG 对比方法覆盖最全的新工作 - 工程意义： 多跳推理是 RAG 系统最难解决的场景之一；MEGRAG 的多粒度证据图方法提供了一条新思路，与 ACE-GraphRAG 形成互补（ACE 侧重"上下文工程控制"，MEGRAG 侧重"证据节点状态机"）

与 knowledge/database.md 现有脉络的关系： knowledge/lessons/lessons-2026-W31.md 多跳 RAG 部分已收录 HippoRAG 2 / HGRAG / LogicRAG / QAFD-RAG / MGranRAG。MEGRAG 是该节缺少的新增量，其"多粒度证据组合"方法与现有方法形成差异化（不只做检索路径选择，而是在每个步骤内生成中间答案 bib_i 作为节点状态）。建议归入多跳 RAG 演进树，与 HGRAG / LogicRAG / MGranRAG 并列。

建议归入节： 多跳 RAG / Multi-Hop RAG 演进节（新增 MEGRAG，与 HGRAG/LogicRAG/MGranRAG 并列；补充"中间答案 bib_i 作为节点状态"这一新方法论）

增量 3 · ⭐⭐⭐⭐ 中高 · arXiv:2607.29167 · Memory Provenance Laundering：LLM Agent 持久记忆的来源漂白攻击

来源： flyp/inbox/2026-08-05-1550-Zero-Mem-and-Sparse-Event-KV-memory-paradigm-critical-read.md（来源：arXiv 2607.29167v1，cs.CL） arXiv： https://arxiv.org/abs/2607.29167v1 标签： #AgentMemory #Security #Provenance #PersistentMemory #RAG 可信度： 高（arXiv，形式化安全问题，有完整攻击建模） 工程价值： ⭐⭐⭐⭐

要点： - 核心问题： LLM Agent 长期记忆系统（persistent memory）将不可信外部观察转化为持久行动上下文；在 LLM-based memory consolidation 过程中，外部观察可能被改写为看似用户历史或工作流支持的形式，在保留行动触发条件的同时抹去了本应限制其权威性的低可信来源 - 核心概念——Memory Provenance Laundering： 在记忆整合中，有意或无意地将低可信来源的信息"洗白"为高可信来源，使后续行动基于错误前提却无法溯源 - 攻击链： 外部不可信观察 → LLM 记忆整合（有损压缩）→ 记忆来源漂白 → 持久行动触发（基于被洗白的信息） - 现有防护失效： prompt 过滤器、内容清洗器、工具防护机制均无法在有损记忆整合之后强制执行"来源权威性非放大"原则 - 正式边界： 论文形式化了一个边界——描述了何时来源信息在记忆整合后仍可被追踪、何时会丢失

与 knowledge/database.md 现有脉络的关系： knowledge/lessons/lessons-2026-W31.md 的"§X RAG/Agent Memory"部分已覆盖 LiveMem（状态连续性）、Graph Bitemporal Memory（Neo4j 图结构时序）、V-Mem（模态路由）。Memory Provenance Laundering 是该节缺少的"安全"维度——它揭示了 Agent 持久记忆系统的攻击面，与 RAG/Agent Memory 的工程化形成安全-功能对偶。建议作为 Agent Memory 安全注意事项单独标注，与 LiveMem / Graph Bitemporal Memory / V-Mem 并列。

建议归入节： Agent Memory / Persistent Memory 演进节（新增 Memory Provenance Laundering 作为"安全注意事项"标注；补充"来源权威性非放大"原则；可与 LiveMem / Graph Bitemporal Memory / V-Mem 共同构成 2026 Agent Memory 四路线图）

增量 4 · ⭐⭐⭐⭐ 中高 · arXiv:2607.23693 · Sparse Event-KV：全局计算，本地落盘——稀疏 Event-KV 的记忆契约

来源： flyp/inbox/2026-08-05-1550-Zero-Mem-and-Sparse-Event-KV-memory-paradigm-critical-read.md（来源：arXiv 2607.23693，cs.CL） arXiv： https://arxiv.org/abs/2607.23693 标签： #AgentMemory #KVCache #SemanticMaterialization #EventKV 可信度： 高（arXiv，有系统性实验验证记忆契约假设） 工程价值： ⭐⭐⭐⭐

要点： - 核心问题： 长程 Agent 将 KV cache 复用作记忆——服务系统保留部分缓存条目，其余丢弃。但淘汰与情节记忆方案依赖一个未被直接检验的前提：一旦产生某事件的观测消失，该事件是否仍然具有信息量？ - 实验发现（核心）： 在相同 Agent 历史下、仅在服务内容中省略一个更早的观测——结果：在对该观测敏感的条目中，答案几乎毫无例外地跟随被省略的值，尽管任何被服务的片段都没有说明哪一个值是正确的 - 新概念——Semantic Materialization（语义材料化）： 论文命名了"语义材料化"现象：被淘汰的 Event-KV 所代表的信息，在原始观测消失后，仍在答案中占据主导——意味着淘汰决策可能比想象的更具破坏性 - 工程意义： 对所有基于 KV cache 复用的 Agent 记忆系统（如 LiveMem/V-Mem/MemSFT）都有直接冲击——"保留什么 KV cache"的问题从"性能优化"变成"记忆完整性保证"

与 knowledge/database.md 现有脉络的关系： knowledge/lessons/lessons-2026-W31.md 的 KV Cache 优化部分已收录 TopKV（拓扑感知传输）/ C²KV（非前缀复用）/ HiKV（分层重要性感知）/ DualDecoder（稀疏 KV 检索）。Sparse Event-KV 是该节缺少的"记忆契约验证"维度——它从"如何压缩/传输 KV cache"推进到"验证淘汰决策是否破坏记忆完整性"。与 LiveMem（状态连续性）和 MemSFT（参数化记忆）对偶：LiveMem/MemSFT 解决"记忆不够持久"，Sparse Event-KV 回答"现有淘汰决策是否已经破坏了记忆"。

建议归入节： KV Cache 优化与 Agent Memory 交叉节（新增 Sparse Event-KV 作为"记忆契约验证"维度；补充"语义材料化"概念；与 TopKV/C²KV/HiKV/DualDecoder 形成 KV 优化演进树的新分支）

增量 5 · ⭐⭐⭐ 中 · arXiv:2607.28126 · ConMem：面向长周期制造巡检日志的贡献感知记忆框架

来源： paper_cards/676-2607-28126.md（来源：arXiv 2607.28126v1） arXiv： https://arxiv.org/abs/2607.28126 标签： #RAG #Memory #Manufacturing #DomainSpecific #Inspection 可信度： 高（arXiv，领域特定 RAG 应用，有 benchmark） 工程价值： ⭐⭐⭐

要点： - 核心问题： 长周期钢铁设备巡检需要对跨多次巡检周期积累的异构记录进行推理；现有 RAG 系统将历史日志视为静态语料，无差别保留记录而不评估其诊断价值，无法报告早期风险 - 技术方案： ConMem 首先将巡检日志切分为功能性证据单元，然后估计每个记忆单元的贡献值（diagnostic value），支持人在回路的早期风险筛查 - 工程意义： 代表了"领域特定 RAG"的工程化方向——不追求通用，而是在特定垂直领域（制造巡检）中通过贡献感知来提升检索质量；是 RAG 实用化的具体案例

与 knowledge/database.md 现有脉络的关系： knowledge/lessons/lessons-2026-W31.md 的 RAG 应用案例部分已收录通用 RAG / GraphRAG / Agentic RAG。ConMem 是该节缺少的"垂直领域 RAG 工程化"案例——它展示了在制造巡检这一特定垂直领域如何通过"贡献感知"来改进 RAG，对理解 RAG 的工程落地有参考价值。

建议归入节： RAG 应用案例 / Vertical RAG 案例节（新增 ConMem 作为制造巡检领域的贡献感知 RAG 案例；补充"功能性证据单元切分"方法）

增量 6 · ⭐⭐⭐ 中 · arXiv:2607.28397 · GLM-RAG：面向图基 RAG 的图语言模型

来源： paper_cards/675-2607-28397.md（来源：arXiv 2607.28397v1，cs.CL） arXiv： https://arxiv.org/abs/2607.28397v1 标签： #GraphRAG #GLM #KnowledgeGraph #MultiHop #RAG 可信度： 高（arXiv，系统性对比 GLM/GNN/向量检索三种检索器） 工程价值： ⭐⭐⭐

要点： - 核心研究： 对比 GLM-based、GNN-based、传统向量搜索三种检索器在知识图谱多跳推理任务中的相对优势 - 技术背景： 知识图谱 RAG 需要同时捕捉图结构与语义信息；GNN 检索器建模图拓扑，GLM 融合图推理与 LLM 语义能力 - 工程意义： 为 GraphRAG 的检索器选型提供了系统性对比框架（GLM vs GNN vs 向量搜索），是 ACE-GraphRAG 和 MEGRAG 的技术背景补充

与 knowledge/database.md 现有脉络的关系： knowledge/lessons/lessons-2026-W31.md 的 GraphRAG 部分已收录 HiRAG / HippoRAG / TagRAG / TopoRAG / CatRAG / ACE-GraphRAG（本次增量 1）。GLM-RAG 是 GraphRAG 检索器选型的系统性对比研究，可作为 GraphRAG 演进树的技术背景补充——在介绍各 GraphRAG 方法时，补充"GLM vs GNN vs 向量搜索"的对比框架。

建议归入节： GraphRAG / Knowledge Graph RAG 演进节（作为 GLM-RAG 检索器对比的背景补充；在 GraphRAG 方法列表后补充"GLM vs GNN vs 向量搜索对比框架"说明）

增量 7 · ⭐⭐⭐ 中 · arXiv:2608.01543 · V-Mem：面向多模态 Agentic Memory 的模态路由检索

来源： jay/inbox/2026-08-05T2105-jay-evening-five-category-briefing.md（来源：arXiv 2608.01543v1，cs.CL） arXiv： https://arxiv.org/html/2608.01543v1 标签： #AgentMemory #Multimodal #Retrieval #ModalityRouting #Memory 可信度： 高（arXiv，有 Mem-Gallery benchmark 验证） 工程价值： ⭐⭐⭐

要点： - 核心问题： 现有 Multimodal Agent Memory 系统（MemVerse、M2A）面临两个问题：① 跨模态检索鸿沟（即使学习共享嵌入空间，文本和视觉信号的间隙仍然存在）；② 相似性-相关性鸿沟（最相似的检索结果往往不是最相关的） - 技术方案： V-Mem 通过模态路由（modality routing）解决上述两个问题，在 Mem-Gallery benchmark（含 20 个多会话对话、1711 个问题、9 个类别）上评估 - 与 LiveMem 的关系： 构成 2026 年 Agent Memory 技术三条不同路线——LiveMem（intrinsic memory / 状态连续性）、Graph Bitemporal Memory（graph-temporal）、V-Mem（modality-routed retrieval）

与 knowledge/database.md 现有脉络的关系： knowledge/lessons/lessons-2026-W31.md 的 Agent Memory 部分已覆盖 LiveMem（状态连续性）和 Graph Bitemporal Memory（Neo4j 图结构时序）。V-Mem 是该节缺少的第三条路线——模态路由检索，与 LiveMem / Graph Bitemporal Memory 共同构成 2026 Agent Memory 三路线图（本次增量 3 Memory Provenance Laundering 是安全注意事项，不算路线）。

建议归入节： Agent Memory 演进节（新增 V-Mem 作为第三条路线；与 LiveMem / Graph Bitemporal Memory 共同构成 2026 Agent Memory 三路线图）

三、值得警惕的矛盾或待核实说法

四、可引用 arXiv 号列表

五、结论与建议

本次预消化评估：高密度增量轮（7 条，1 条 5星 / 4 条 4星 / 2 条 3星，共 7 条新 arXiv）

本次 inbox 中 database 相关信号显著高于昨日——主要驱动因素是： 1. GraphRAG 爆发：ACE-GraphRAG + MEGRAG + GLM-RAG 三箭齐发，GraphRAG 从成本优化→精度优化→上下文工程三阶段演进清晰 2. Agent Memory 全面开花：Memory Provenance Laundering（安全）+ Sparse Event-KV（记忆契约验证）+ V-Mem（模态路由）三条新维度同时出现 3. paper_cards 近 3 天零 database 主分类，但 database 邻接密度高（7 张 rag/agent 主分类卡片中有 GraphRAG/Agent Memory 信号）

本次实质增量（按工程价值排序）： 1. ACE-GraphRAG（⭐⭐⭐⭐⭐）： GraphRAG 2026 演进最新代表，上下文工程方向，与 HiRAG→HippoRAG→TagRAG→TopoRAG→CatRAG 形成完整演进树 2. Memory Provenance Laundering（⭐⭐⭐⭐）： Agent 持久记忆安全攻击面，来源漂白概念，对所有 Agent Memory 系统都有警示价值 3. Sparse Event-KV（⭐⭐⭐⭐）： 记忆契约验证，"语义材料化"新概念，对 LiveMem/MemSFT 等记忆系统有直接冲击 4. MEGRAG（⭐⭐⭐⭐）： 多跳 RAG 新方法，多粒度证据组合，与 ACE-GraphRAG 形成互补 5. V-Mem（⭐⭐⭐）： Agent Memory 第三路线（模态路由），与 LiveMem / Graph Bitemporal Memory 共同构成三路线图 6. ConMem（⭐⭐⭐）： 垂直领域 RAG 工程化案例（制造巡检），贡献感知检索的具体实现 7. GLM-RAG（⭐⭐⭐）： GraphRAG 检索器对比框架（GLM vs GNN vs 向量搜索）

对活文档接力的建议：

1. GraphRAG 演进节更新： 以 ACE-GraphRAG 为最新代表，建立 HiRAG→HippoRAG→TagRAG→TopoRAG→CatRAG→ACE-GraphRAG→MEGRAG 演进树；补充 GLM-RAG 检索器对比框架作为技术背景
2. Agent Memory 节更新： 以 V-Mem 新增第三路线（模态路由）；以 Memory Provenance Laundering 新增安全注意事项；以 Sparse Event-KV 新增"语义材料化"概念与记忆契约验证
3. 垂直领域 RAG 节： ConMem 作为制造巡检案例补充

六、附：检查过的 paper_cards 最新批次逐卡确认

本简报由 Jay 实例自动生成 · 2026-08-05 20:20 · 仅作预消化草稿，待活文档接力时综合评估