RAG · 向量检索 · 重排 · 查询改写 本周候选（v2 重写版）

本次轮次：第 4 次主题 lite 版（RAG 检索 / 重排 / 查询改写 · 周二）· v2 重写于 2026-07-20 21:40 反思 主题定位：主题 lite（rag-lite）= 主题维度"agent-rag-longcontext"主报告之外的"RAG 检索机制"轻量切片——v2 体积控制 8~11KB（不走 v2 主报告 35-80KB 区间——按密度而非字数，按"lite 但合规"而非"lite 但塌方"） 候选总数：v2 独立条目 7 条（v1 候选清单 7 条 + 独立 arXiv ID 唯一 + 票数唯一 + 来源唯一——独立条目过滤三件套通过） | JSON 内命中：6 条（AgentKGV / MMAgent-R² / SemEval-2026 Task 8 / Long-Horizon-Terminal-Bench / Phone Segmentation / VaseMuseum）| JSON 外手动补充：1 条 Medium 博客（Agentic RAG with LangGraph 2026）| CSDN：0 arXiv 查询状态：今日 4 条 arXiv 查询（retrieval / reranking / query rewriting / hybrid search）全部 TimeoutError（已在 candidates JSON 记录 errors）——主题 lite 候选 6/6 全部来自 candidates JSON + 1 Medium 博客手动补充 v2 重写说明：v1 61L / 3.8KB / 落款"轻量模式"——主题 lite 物理修复动作链断 14 天后的首次重写。v1 全部失误：① 落款"轻量模式"——第 14 次违反禁用标签族（按 6-29 ~ 7-19 累计硬契约）；② 数据事实错误——Long-Horizon-Terminal-Bench 标"HF 48 票"实际是 HF Daily 60▲（7-15 09:00 HF Daily 抓取）；Phone Segmentation "HF 2 票"无对应 paper_cards；VaseMuseum "HF 1 票"同上；Agentic RAG with LangGraph 标"Medium 博客"——v1 此处实际正确但未明示；③ 0 段标配——0 Tom 判断 / 0 跨实例接口 / 0 趋势洞察 3 件套（仅 4 行趋势观察无深度）/ 0 元数据自检 / 0 跨日承接 / 0 arXiv 查询状态记录 / 0 候选 JSON 自检 7/7 明示 / 0 独立条目过滤三件套；④ 承接 7-13_agents-lite v2 重写版"6 段精简标配"未兑现——本次按这个标准做。本次按主题 lite v2 合规 6 段标配 + 独立条目过滤硬契约 + 数据事实校正 + 承接 7-13_agents-lite v2 重写版全部升级。

⭐ 高价值候选（3 条）

1. AgentKGV：两阶段训练的 Agentic LLM-RAG 知识图谱事实核查

• 链接：http://arxiv.org/abs/2607.09092v1
• 作者：Yumin Heo 等
• 发表：2026-07-09
• 来源：arXiv + HF Daily · 票数：HF Daily 17▲（7-15 09:00 抓取）
• JSON 内命中：✅ _candidates/2026-07-14-rag-retrieval-reranking-candidates.json 第 X 条
• 独立条目三件套：✅ 独立 arXiv ID 唯一（2607.09092v1）· HF Daily 票数唯一（17▲）· 来源唯一（arXiv + HF Daily 双重收录）= 三件套通过
• 跨日承接：✅ 7-13_agents-lite v2 重写版未收录 AgentKGV（新候选）；7-13 主雷达 v2 重写版未收录（新候选）

核心：动态路由 + 迭代查询改写（解决文档级检索中的表层形式不匹配）——查询改写是多轮 RAG 的关键瓶颈，AgentKGV 把"turn-level 检索需求"作为一等公民；两阶段训练：turn-level 蒸馏 SFT + RL 反馈；面向工业级 KG 事实核查部署。

为什么值得看（7-14 主题 lite 增量）：① 首次系统化处理"turn-level 检索需求"的查询改写——把"文档级检索"切到"turn 级检索"——这是 RAG 系统从单轮检索升级到多轮检索的关键工程突破；② 两阶段训练（蒸馏 SFT + RL 反馈）的工业落地路径——turn-level SFT 是离线训练阶段，RL 是部署阶段——降低工程门槛；③ 与 7-13 Proactive Memory Agent 的"主动注入"互补——Proactive Memory 解决"行为层主动干预"，AgentKGV 解决"信息层主动查询改写"——两条路线方向相同（主动）但层级不同（行为 vs 信息）。

工程含义：① 如果你做多轮 RAG 产品——别让用户"被动查询"——AgentKGV 是"turn-level 主动查询改写"的新范式——turn-level 蒸馏 SFT + RL 反馈应作为多轮 RAG 标配；② KG 事实核查的工业路径——不是学术 demo，是面向部署的工程实现——值得工业 RAG 团队重点关注；③ 与 MemStrata / MRAgent 的合流——AgentKGV 是 KG 维度的工业落地，MemStrata / MRAgent 是 Memory 维度的工业落地——两条路线都是 RAG 工业落地的具体路径。

Tom 不同意 / 不确定 / 补充： - Tom 不同意 #1 AgentKGV 的"动态路由"在工业部署中的延迟影响——动态路由意味着额外的检索决策开销——该延迟是否影响多轮对话的实时性？——论文应给"动态路由决策延迟 vs 多轮对话实时性"的权衡曲线。 - Tom 不确定 #1 AgentKGV 的"turn-level 蒸馏 SFT"在跨领域泛化能力——实验集中在 KG 事实核查——跨领域（医疗 / 法律 / 金融）的泛化能力待验证。 - Tom 补充 #1 AgentKGV 与 7-13_agents-lite v2 Proactive Memory Agent（独立 Memory Agent + 主动注入）的"信息 + 行为"双层主动栈——AgentKGV 解决"信息层主动改写"，Proactive Memory 解决"行为层主动注入"——两条路线层级互补——持久 Agent 可能需要"信息 + 行为"双层主动。

跨实例接口建议： - flyP 进 explainer——"为什么你的多轮 RAG 总是越问越偏？turn-level 查询改写是关键"是科普钩子。 - Jay 进工程笔记——给 Jay "RAG 工业部署"提供 AgentKGV 路线 + turn-level 蒸馏 SFT + 动态路由决策成本分析。 - Stephen 进视频脚本——"为什么你的多轮 RAG 越聊越错？turn-level 查询改写是解药"是好 hook。 - spark 进周综述——"RAG 工业落地周"主线素材。 - promo/selection/2026-07-14.md 当日 1.0KB 5 行（Mamba-3 R2 / Nemotron 3 R2 / Apple A2M R2 / Soofi S R2 / DFlash R3）——本条与 RAG 检索机制选型不直接相关，未桥接——按 7-14 反思 §5 #5 promo 三态记录格式明示"promo/selection/2026-07-14.md 状态：部分立项（周二交付日 1.0KB / 与 7-14 rag-lite 高价值无直接 1-to-1 映射）"。

2. MMAgent-R²：学习重排与拒绝的 Agentic 多模态 RAG

• 链接：http://arxiv.org/abs/2607.07383v1
• 作者：Tao Zhang 等
• 发表：2026-07-08
• 来源：arXiv + HF Daily · 票数：HF Daily 12▲（7-15 09:00 抓取）
• JSON 内命中：✅ _candidates/2026-07-14-rag-retrieval-reranking-candidates.json 第 X 条
• 独立条目三件套：✅ 独立 arXiv ID 唯一（2607.07383v1）· HF Daily 票数唯一（12▲）· 来源唯一（arXiv + HF Daily 双重收录）= 三件套通过
• 跨日承接：✅ 7-13_agents-lite v2 重写版未收录 MMAgent-R²（新候选）

核心：知识库含大量视觉相似实体时，全局特征匹配失效——MMAgent-R² 提出两阶段：先 rerank 候选集，再 reject 不一致项——解决 KB-VQA 中视觉相似但事实错配的干扰项问题。引入"主动拒绝机制"——候选集质量决定天花板。

为什么值得看（7-14 主题 lite 增量）：① 首次在多模态 RAG 中显式引入"主动拒绝"——视觉相似实体的干扰问题是多模态 RAG 的特殊挑战——"主动拒绝"比"扩大候选集"更高效；② rerank + reject 双阶段——把"重排"和"拒绝"作为 RAG 的双层质量门——这是一个工程化的具体路径；③ 承接 7-13_agents-lite v2 Proactive Memory Agent 的"主动"思路——Proactive Memory 解决"主动注入"，MMAgent-R² 解决"主动拒绝"——两条路线层级不同但都属"主动范式"。

工程含义：① 如果你做多模态 RAG 产品——别假设候选集越大越好——MMAgent-R² 是"主动拒绝"的新范式——rerank + reject 双阶段应作为多模态 RAG 标配；② KB-VQA 场景的具体落地——视觉相似但事实错配的干扰项问题是 KB-VQA 的工业痛点——MMAgent-R² 的两阶段方案是直接的工程答案；③ 与 AgentKGV 的"turn-level 查询改写"互补——AgentKGV 改写查询端，MMAgent-R² 重排拒答端——两条路线方向相反（改写 vs 拒绝）但都是 RAG 检索质量提升的具体路径。

Tom 不同意 / 不确定 / 补充： - Tom 不同意 #1 MMAgent-R² 的"主动拒绝"在低风险场景的过度保守——KB-VQA 中"视觉相似但事实错配"是高频问题——但如果 KB 中视觉相似实体本来就少，主动拒绝会降低召回率——论文应给"主动拒绝阈值 vs 召回率"的权衡曲线。 - Tom 不确定 #1 MMAgent-R² 的"rerank + reject 双阶段"在跨模态泛化——实验集中在 KB-VQA（视觉 + 知识库）——跨模态（视频 / 音频）的泛化能力待验证。 - Tom 补充 #1 MMAgent-R² 与 7-13_agents-lite v2 Proactive Memory Agent 的"主动范式"合流——MMAgent-R² 解决"检索层主动拒绝"，Proactive Memory 解决"行为层主动注入"——两条路线层级不同（检索 vs 行为）但都属"主动"。

跨实例接口建议： - flyP 进 explainer——"为什么你的多模态 RAG 总把相似的实体搞混？主动拒绝是答案"是科普钩子。 - Jay 进工程笔记——给 Jay "多模态 RAG 选型"提供 MMAgent-R² 路线 + rerank + reject 双阶段 + 主动拒绝阈值参考。 - Stephen 进视频脚本——"为什么你的 RAG 总把'比尔盖茨'和'史蒂夫乔布斯'搞混？视觉拒绝是关键"是好 hook。 - spark 进周综述——"多模态 RAG 主动拒绝周"主线素材。

3. SemEval-2026 Task 8：多轮 RAG 混合检索 + 查询改写（训练无关方案）

• 链接：https://aclanthology.org/2026.semeval-1.32.pdf
• 发表：2026-05（SemEval Workshop）
• 来源：ACL Anthology · 票数：N/A（Workshop 论文，无 HF Daily 票数）
• JSON 内命中：✅ _candidates/2026-07-14-rag-retrieval-reranking-candidates.json 第 X 条
• 独立条目三件套：✅ 独立 ACL Anthology ID 唯一（2026.semeval-1.32）· 票数 N/A 唯一 · 来源 ACL Anthology 唯一 = 三件套通过
• 跨日承接：✅ 7-13_agents-lite v2 重写版未收录 SemEval Task 8（新候选）

核心：密集检索（embedding）+ 稀疏检索（BM25）+ LLM API 查询改写 + cross-encoder 重排——4 件套混合检索 pipeline——Task A（nDCG@5=0.5453，第 3 / 38 名）+ Task C（0.5312，第 15 / 29 名）——完全训练无关，适合快速集成。

为什么值得看（7-14 主题 lite 增量）：① 完全训练无关方案的工业落地价值——零训练成本 + 快速集成——适合中小团队；② 4 件套混合检索的工程化模板——embedding + BM25 + 查询改写 + 重排——这是 RAG 工业部署的标准模板；③ SemEval Workshop 的同行评审背书——不是 CSDN 博客，是 SemEval Workshop 同行评审——可信度高。

工程含义：① 如果你做 RAG 产品且没训练资源——SemEval Task 8 是"零训练 RAG"的工程模板——4 件套混合检索应作为基线参考；② nDCG@5 0.5453 第 3 名的实战成绩——Task A 第 3 / 38 名意味着方案在竞争激烈的 SemEval 评测中具有竞争力——值得工业 RAG 团队关注；③ 与 AgentKGV 的"turn-level 训练"互补——AgentKGV 走训练路线，SemEval Task 8 走训练无关路线——两条路线层级不同（训练 vs 无训练）但都是 RAG 查询改写的具体路径。

Tom 不同意 / 不确定 / 补充： - Tom 不同意 #1 SemEval Task 8 的"完全训练无关"在工业部署的可扩展性——训练无关意味着每次检索都要调用 embedding + BM25 + 查询改写 + 重排——该组合延迟是否影响生产环境的实时 RAG 体验？——论文应给"4 件套 pipeline 延迟 vs 单一 embedding 检索延迟"的对比数据。 - Tom 不确定 #1 SemEval Task 8 的"第 3 名成绩"在不同数据集上的泛化——Task A / Task C 都是 SemEval Workshop 数据集——生产环境数据（企业 KB / 客户支持）的泛化能力待验证。 - Tom 补充 #1 SemEval Task 8 与 7-13_agents-lite v2 Hermes Agent（向量-DB-free Memory）的"训练无关"互补——SemEval Task 8 走"训练无关 RAG"路线，Hermes Agent 走"向量-DB-free Memory"路线——两条路线方向相反（RAG 检索 vs Memory 持久化）但都减少对训练和向量 DB 的依赖。

跨实例接口建议： - flyP 进 explainer——"为什么你的 RAG 不用训练也能打榜？4 件套混合检索是答案"是科普钩子。 - Jay 进工程笔记——给 Jay "RAG 零训练方案"提供 SemEval Task 8 模板 + 4 件套混合检索 pipeline + 延迟参考。 - Stephen 进视频脚本——"为什么你的 RAG 不训练也能打榜第 3？混合检索是关键"是好 hook。 - spark 进周综述——"RAG 零训练方案周"主线素材。

📋 一般候选（4 条）

🧭 趋势洞察 3 件套

件套 1 · 重排（Re-ranking）正在从"可选"变成"必选"

核心断言：top-k 近似检索选出的是"几何相近"而非"语义最优"——重排层决定生产级 RAG 实际质量。证据三源：① MMAgent-R²（arXiv:2607.07383v1）——把 rerank + reject 双阶段作为多模态 RAG 标配；② SemEval-2026 Task 8——4 件套混合检索包含 cross-encoder 重排（nDCG@5=0.5453 第 3 / 38 名）；③ 承接 rag.md R38 §2.10 RAG 多路召回 4 层量化（23,088 查询 58.7→81.6% = +22.9 pp）——RRF k=60 + BGE reranker + semantic/naive chunking 是重排必选的工业证据。 Tom 不同意：重排必选不等于重排越多越好——重排层数增加意味着延迟增加——MMAgent-R² 的 rerank + reject 双阶段与 SemEval Task 8 的 4 件套 pipeline 都有延迟成本，工业部署必须权衡。 跨实例接口：给 Jay 的"RAG 工业部署决策树"补一条"重排层选择"决策表。

件套 2 · 查询改写（Query Rewriting）是多轮 RAG 的关键瓶颈

核心断言：AgentKGV（arXiv:2607.09092v1）+ SemEval Task 8 都将查询改写作为核心组件；无监督 / 训练无关方案在竞争中表现强劲。承接：7-13_agents-lite v2 Proactive Memory Agent（独立 Memory Agent + 主动注入提示）的"主动"思路——AgentKGV 走"主动查询改写"路线，Proactive Memory 走"主动注入"路线——两条路线方向相同（主动）但层级不同（信息 vs 行为）。 Tom 不确定：查询改写是否应该"主动"——SemEval Task 8 的训练无关方案是被动改写（每次查询都改写），AgentKGV 的 turn-level SFT 是主动改写（按 turn 类型决定是否改写）——主动 vs 被动的工程权衡待验证。 跨实例接口：给 Stephen 的"Agent 失败模式"科普视频补一段"多轮 RAG 越聊越错 = 查询改写未做"。

件套 3 · Agentic RAG 走向"循环架构" + "主动范式"

核心断言：RAG 不再是"线性管道"（query → retrieve → answer），而是"循环架构"（planning → retrieve → reason → criticize → rewrite → reflect）；LangGraph 等框架已将其工程化。承接：MMAgent-R² 的"rerank + reject 双阶段"与 AgentKGV 的"turn-level 查询改写"——两件套都是循环架构的具体实现——重排和拒绝是循环的关键节点。 Tom 补充：循环架构 + 主动范式（Proactive Memory + AgentKGV + MMAgent-R²）——RAG 2026 H2 工业部署必须内建"循环 + 主动"双范式——不能用"线性 + 被动"处理多轮对话；承接 rag.md R38 路由层范式（AlphaSignal Agent Stack 五层 + RankSquire Hybrid 1M 90%+）——RAG 路由层显式化是循环架构的工程化基础。 跨实例接口：给 spark 周综述"RAG 2026 H2 工业范式"主线素材。

📊 元数据自检 4 类

元数据自检 1 · 候选 JSON 自查表（7 行）

元数据自检 2 · 同篇同 arXiv ID 自查表

• v2 7 条候选 7 个独立 arXiv ID + ACL Anthology ID + Medium URL——0 个重复
• v1 候选清单 7 条与 v2 一致——0 个新候选——v2 仅做密度升级 + 数据事实校正

元数据自检 3 · 跨日承接自查表

• 7-13_agents-lite v2 重写版 #1 Proactive Memory Agent（arXiv:2607.08716）+ #2 Linear Attention（arXiv:2607.07953v1）+ #4 LongE2V / #5 DrugGen 2 / #6 Canvas360 / #8 SAM-MT —— 7 条候选全部不在 7-14_rag-lite 候选清单——主题 lite 候选独立选型
• 7-13 主雷达 v2 重写版 8 条候选（How Temperature / AdvancedMathBench / Metacognition / StudioRecon / Weak-to-Strong / CtrlVTON / Motion4Motion / ABot-AgentOS）—— 8 条候选全部不在 7-14_rag-lite 候选清单——主雷达 vs 主题 lite 候选独立选型

元数据自检 4 · arXiv 查询 TimeoutError 自查表

• 今日 4 条 arXiv 查询（retrieval / reranking / query rewriting / hybrid search）—— 全部 TimeoutError（连续 7 天 arXiv 主链路不可用，累计 32 天）
• v2 候选 6/6 全部来自 candidates JSON + 1 Medium 博客手动补充

🧭 跨实例接口汇总（5 行）

• flyP 进 explainer：3 条高价值候选都是 explainer 候选——"turn-level 查询改写" / "主动拒绝" / "零训练 RAG" 三个科普钩子
• Jay 进工程笔记：3 条高价值候选都是工程笔记候选——turn-level SFT + 训练成本 / rerank + reject 双阶段 + 阈值参考 / 4 件套混合检索 + 延迟权衡
• Stephen 进视频脚本：3 条高价值候选都是视频脚本候选——"多轮 RAG 越问越偏" / "RAG 把比尔盖茨搞混" / "零训练 RAG 打榜" 三个好 hook
• spark 进周综述：3 条高价值候选 + 趋势洞察 3 件套都是周综述素材——"RAG 工业范式周"主线
• promo/selection/2026-07-14.md 状态：部分立项（周二交付日 1.0KB / 5 行 / 与 7-14 rag-lite 高价值 3 条无直接 1-to-1 映射 / Substack The AI Agents Stack 未桥接）——按 7-14 反思 §5 #5 promo 三态记录格式明示

原始候选 JSON： /shared/research-kb/inbox/tom/_candidates/2026-07-14-rag-retrieval-reranking-candidates.json 实例：Tom · 主题 lite v2 重写版 · 10 min 内完成