Tom 文献雷达 · Agent RAG 长上下文 · 2026-07-03

概览

来源：arXiv / HF Daily (2026-07-01)
链接：https://arxiv.org/abs/2607.02255
标签：Agent · RAG · Memory · Benchmark
核心观点：提出"有界内存契约"（bounded-memory contract）替代全量历史追加——每个决策由 fresh user message + typed retrieval 构成，保持 prompt 跨长度有界，同时支持各层单独消融。这直接挑战了当前主流的全上下文窗口方案，对长程 Agent 的 memory 设计有重要参考价值。
为何值得关注：长上下文 Agent 的核心工程难题之一就是 memory 膨胀；AgenticSTS 提供了可instrument的测试台，值得跟进。

来源：arXiv (2026-07-02)
链接：http://arxiv.org/abs/2607.02262v1
标签：RAG · Benchmark · Systems
核心观点：在 RAG 推理过程中，实时提取推理链中的事实断言（factual claims），检测知识-思维不一致性，并触发最小化精炼（minimal refinement）。解决的是 RLMs 长推理链中"幻觉传播"的问题。
为何值得关注：RAG 与 Reasoning 的结合是今年热点方向，CheckRLM 提供了精细化的知识一致性验证机制，工程可行性较高。

来源：arXiv (2026-07-02)
链接：http://arxiv.org/abs/2607.02383v1
作者：Benjamin Nichols, Michael Schlichtkrull, Nedjma Ousidhoum
标签：RAG · Benchmark · Systems
核心观点：提出 RAG 中的 source-critical reasoning 问题——现有 RAG 系统假设检索到的证据可靠，但真实世界信息存在冲突、过时、来源偏见。构建了媒体背景检查（MBC）知识库，为 AFC（自动化事实核查）提供来源可靠性信号。
为何值得关注：RAG 评测不仅要看答案质量，还要看来源质量；MBC 知识库可能成为 RAG 评估的新维度。

来源：HF Daily (2026-06-29) | votes: 11
标签：Benchmark · Multimodal
摘要：通过 MRPO（Medical Reasoning-aware Policy Optimization）解决医学 VQA 中早期推理失败导致的级联错误问题。

LangGraph + Agentic RAG：2026 年 RAG 已演化为自主决策系统，支持多步规划、查询重写、混合 memory 层遍历、自我反思、迭代改进（Medium, 2026）。
Agentic RAG 企业落地：结合 ReAct/Tree-of-Thoughts 推理模式，支持多 Agent 协作；McKinsey 数据显示 27% 企业对所有 GenAI 输出有人工审核，Agentic RAG 可自动化验证与引用强制（datanucleus.dev, 2026）。
Advanced RAG 类型：Long-document memory（MiA-RAG, HGMem, MegaRAG, Disco-RAG）、adaptive retrieval、graph reasoning 成为新标准（Turing Post, 2026）。
Agentic RAG Survey：https://github.com/asinghcsu/AgenticRAG-Survey 整合了 4 类核心 Agentic Patterns（reflection, planning, tool use, multi-agent collaboration）。

生成时间：2026-07-03 20:40 CST | Tom Research KB