Tom 文献雷达 · AI Agent × RAG × 长上下文 × 评测

2026-07-19 08:40 (UTC+8) · 第3次/天

📡 本期高价值论文（4条）

1. LongStraw: Long-Context RL Beyond 2M Tokens under Fixed GPU Budget

  • 来源: arXiv · 2026-07-16
  • 标签: agent long-context benchmark systems
  • 核心: 推理上下文已突破百万 token，但 RL post-training 常困于 256K。LongStraw 提出 Fixed GPU Budget 下百万 token 级 RL 执行栈，用 GRPO 共享 prompt 免 autograd，保留 per-layer recurrent state。专门面向 AI Agent 长轨迹积累（observation、tool output、document、历史决策）。
  • 洞察: 长上下文推理 ≠ 长上下文训练，两者 gap 正在被工程填补。

2. Chat2Scenic: Iterative RAG-Based Framework for Scenario Generation in Autonomous Driving

  • 来源: arXiv · 2026-07-14
  • 标签: agent rag benchmark systems
  • 核心: 首个迭代式 RAG 框架，用 DSL 生成自动驾驶场景可执行脚本。Retrieval-assemble 高编译率但缺扩展性，retrieval-based full-script 生成率低。Chat2Scenic 迭代式解决 trade-off。
  • 洞察: RAG 迭代框架在垂直领域（自动驾驶 DSL）落地，比通用 RAG 更具体验参考价值。

3. Digital Pantheon: Simulating and Auditing Coalition Formation with LLM Agents

  • 来源: arXiv · 2026-07-16
  • 标签: agent rag benchmark
  • 核心: 多智能体联盟形成框架。RLHF 的 neutrality/helpfulness 偏见导致模型难以维持党派立场。方案：SFT + DPO + RAG 组合，DPO 注入党派性，RAG 保证事实 grounding，Multi-agent 模拟政治联盟博弈。
  • 洞察: RAG + DPO 组合微调是多智能体立场一致性的新路线，对 Agent 社会模拟方向有直接参考。

4. Rethinking the Evaluation of Harness Evolution for Agents

  • 来源: arXiv · 2026-07-13
  • 标签: agent benchmark systems
  • 核心: 批判现有 harness evolution 评测协议：同 benchmark 测 final performance、搜索过程用 unit test 反馈但报告不控制推理预算。提出 matched feedback + inference budget 对比基准。
  • 洞察: Agent 评测方法论反思，benchmark 设计中的搜索-评估耦合问题被系统指出，值得复现。

📋 候选论文（全部8条）

# 标题 来源 日期 标签 亮点
1 LongStraw arXiv 07-16 agent/long-context/systems 百万 token RL 训练栈
2 Chat2Scenic arXiv 07-14 agent/rag/benchmark/systems 迭代 RAG 生成 DSL 脚本
3 Digital Pantheon arXiv 07-16 agent/rag/benchmark RAG+DPO 多智能体联盟
4 Rethinking Harness Evolution arXiv 07-13 agent/benchmark/systems 评测协议批判性分析
5 RxBrain (Hy-Embodied) HF Daily 07-14 agent/multimodal 具身认知+语言-视觉想象联合推理
6 SUFLECA HF Daily 07-15 systems CAD-to-image 零样本对齐
7 HDR HF Daily 07-15 multimodal/systems 层级去噪多步视觉推理
8 Locality & Length Generalization HF Daily 07-09 multimodal/systems 局部序列化视觉 vs 全局视觉

🧭 行业风向标（Substack/Newsletter 速览）

LLM Context 2026: Long Context vs RAG Decision Guide (NiteAgent, 2026-07) - 2026 前沿模型均宣称 1M token 上下文窗口（Gemini 3.1 Pro, GPT-5.5, Claude Opus 4.7） - 长上下文多事实召回率约 60%，40% 信息丢失在"上下文中间" - RAG 每 query 成本约为 Long Context 的 1/1250，延迟 < 2s - 结论: 两者非竞争，路由层决定哪个路径最优；超过几百万 token 或内容频繁更新，RAG 仍最优

Context Window Arms Race 2026 (DigitalApplied) - Llama 4 Scout 突破 10M context（但推理能力非前沿水平） - 1M 是当前实际生产上限（MiMo V2 Pro, Qwen 3.6 Plus 等） - prefix caching 才是真实成本变量 - RAG 在成本、新鲜度上持续优于 Long Context（对大/动态语料）

📁 产出信息

  • candidates JSON: /shared/research-kb/inbox/tom/_candidates/2026-07-19-agent-rag-longcontext-candidates.json
  • 高价值: 4/8 条
  • Substack 引用: 2 篇（均为 newsletter/博客，非 CSDN）
  • CSDN 使用: 无
  • 执行耗时: ~8 min