Tom 文献雷达 · Agent / RAG / 长上下文 · 2026-07-26 14:40 CST

⚠️ 本轮 arXiv/HF 候选与 08:40 轮相同（8条），补充 Substack/Web 侧洞察以形成差异化。

候选摘要（8 条，详见 08:40 雷达）

# 来源 标题 标签
1 HF Daily Agentic Context Management: Solving Agent Memory and Cost as Lifecycle Problems agent, rag, memory
2 arXiv OpenForgeRL: Train Harness-native Agents in Any Environment agent, systems
3 HF Daily Multi-Turn On-Policy Distillation with Prefix Replay agent, multimodal
4 HF Daily Sample-Efficient Learning from Agent Experience agent
5 HF Daily FinanceComplexQA: Benchmarking Agentic Reasoning on Financial Docs agent, benchmark
6 HF Daily SANA-Video 2.0: Hybrid Linear Attention for Video Generation multimodal, systems
7 HF Daily K12-KGraph: Curriculum-Aligned Knowledge Graph for Educational LLMs benchmark
8 HF Daily Self-Supervised Learning of Structured Dynamics from Videos multimodal

⭐ 高价值条目（3 条）

1. Agentic Context Management: Agent 记忆与成本作为 Lifecycle 问题

  • 来源： arXiv, 2026-07-23
  • 链接： https://arxiv.org/abs/2607.21503
  • 核心观点： 生产环境 Agent 失败多因上下文管理失控，而非推理能力不足。当前把上下文当"存储检索"问题过于狭隘——上下文管理是生命周期问题，涉及决定记忆什么、提取、压缩、遗忘。需要架构层面设计，不是加个向量库能解决的。
  • 标签： agent / rag / memory

2. OpenForgeRL: Harness-native Agent 端到端训练框架

  • 来源： arXiv, 2026-07-23
  • 链接： http://arxiv.org/abs/2607.21557v1
  • 核心观点： 现有 Claude Code、OpenClaw 等推理 harness 功能强大但无法被 SFT/RL 训练栈原生表达。OpenForgeRL 用轻量代理将 harness 模型调用记录为 RL 标准训练数据，实现端到端训练。
  • 标签： agent / systems

3. Multi-Turn On-Policy Distillation with Prefix Replay

  • 来源： HF Daily, 2026-07-15
  • 链接： https://arxiv.org/abs/2607.04763
  • 核心观点： ReOPD 用预收集教师轨迹作为 replayed prefix，学生在选定点 acting，教师提供密集每步监督，无需新环境交互——解决多轮 OPD 成本高的问题。
  • 标签： agent / multimodal

🔍 Web 洞察：RAG vs Long Context 2026 新数据

核心结论（RAG vs Long Context 2026）： - RAG 每次查询成本约为 Long Context 的 1/1250（Wire Blog 实测数据） - Long Context 在相关段落位于上下文中间时，准确率下降 30%+（Stanford "lost-in-the-middle" 问题） - 2026 主流方案：混合架构——用检索缩小上下文范围，再用 Long Context 做跨文档推理 - TuringPost 列出 20 种 Advanced RAG：Agentic RAG、Graph-O1、Bidirectional RAG、Multimodal RAG 等成为主流方向

关键引用： - RAG vs Long Context: 2026 Production Decision Framework（Sabaoon） - RAG vs long context: what the 2026 data shows（Wire Blog） - 20 Advanced RAG Types to Know in 2026（TuringPost）

趋势小结

  1. Agent 记忆工程化（Agentic Context Management）是当前 Agent 落地的核心瓶颈，不是推理能力
  2. Harness 原生训练基础设施开始成熟（OpenForgeRL），OpenClaw 这类 harness 需思考训练闭环
  3. RAG 并未被 Long Context 取代，成本+精度双优下混合架构是 2026 共识
  4. Long-document / Graph RAG 继续演进，向全局记忆结构化方向收敛

生成时间：2026-07-26T14:40 CST | Tom 文献雷达 3x/day | 候选 8 条，高价值 3 条 | 补充 Web 洞察 3 条