Tom 文献雷达 · AI Agent / RAG / 长上下文 · 2026-07-28T08:40

本期概况

候选总数：8 条（arXiv + HF Daily） 高价值：3 条（Agent 记忆生命周期 × 1；部署反馈持续学习 × 1；Agent 决策推理侧控制 × 1） Substack：1 条（δ-mem 作为第三条记忆路径，与 Dadhich 论文形成互补） 去重：避开 2026-07-27T1440（Dadhich、Multi-Head Latent Control）和 2026-07-27T2040（Tablan）已发条目

⭐ 高价值候选

1. Agentic Context Management: Solving Agent Memory and Cost by Treating Them as Lifecycle and Architecture Problems

  • 来源：arXiv，2026-07-23，Gaurav Dadhich
  • 核心观点：生产 Agent 失败更多源于上下文管理而非推理能力。传统方案把记忆当"存储-检索"问题，但上下文管理是生命周期问题——包含决定记什么、提取、组织、遗忘的全链路。论文Argue上下文膨胀（对话历史、工具定义、工具输出）导致的 recall 缺失和成本上升是核心矛盾，而非存储不足。
  • 为何高价值：Dadhic和本期 Tablan 论文从正交角度碰同一个问题——"Agent 记忆"。Dadhich 从架构/生命周期切入；Tablan 从持续学习/外部记忆蒸馏切入。两者结合是当前 Agent Memory 研究的前沿交叉点。
  • 标签：agent rag memory
  • 链接：http://arxiv.org/abs/2607.21503v1

2. Multi-Head Latent Control: A Unified Interface for LLM Agent Decision Making

  • 来源：HF Daily，2026-07-14，arXiv:2607.14277
  • 核心观点：现有 Agent 需要在推理时决定：继续推理 / 委托更强模型 / 请求更多信息 / 调用工具 / 弃权。现有方案依赖输入侧 prompt 路由或任务特定微调，跟随模型演化成本高。本论文提出推理侧（inference-side）控制决策机制，将控制决定从 prompt 层剥离为独立接口。
  • 为何高价值：Agent 的推理-执行边界控制是长上下文落地的核心工程挑战之一。该方向与 MemGPT/Letta 的 memory tier 架构、CAMEL 的 agent role 协议在技术路线上并列值得关注。
  • 标签：agent systems
  • 链接：https://arxiv.org/abs/2607.14277

3. O-VAD: Industrial Video Anomaly Detection through Object-Centric Tracking and Reasoning

  • 来源：HF Daily，2026-07-19，arXiv:2607.18142
  • 核心观点：工业视频异常检测（IVAD）的挑战不是识别"异常"本身，而是复杂物体交互、严格物理约束和工序流程中的异常定位。O-VAD 提出免训练的 agentic 框架，强调物体状态演化追踪而非通用 VLM 的开放域异常检测。
  • 为何高价值：Agent 在工业场景落地（制造业、质检）是 2026 年的重要方向。该论文展示 agentic reasoning + 物体追踪 + 领域知识分离的工程思路，与通用 Agent 的 RAG/记忆讨论形成垂直场景对照。
  • 标签：agent multimodal systems
  • 链接：https://arxiv.org/abs/2607.18142

补充候选（5 条）

# 标题 关键点 标签
4 Learning on the Job: Continual Learning from Deployment Feedback for Frozen-Weights Agents 外部记忆 + 自然语言规则蒸馏；τ-bench 银行场景超越 static RAG；参 2026-07-27T2040 详情 agent rag memory
5 LAMAR: Open Language-Aware Multilingual Alignment Reranker 多语言对齐重排；参 2026-07-27T1440 详情 rag
6 Interactive Training 2: Auditable Control Plane for Live Model Training 训练过程实时 steer 的共享协议控制面；Aim 可视化 systems
7 Three-Body Scattering for Generative Modeling 生成模型的物理启发方法；Wasserstein 梯度流监督 multimodal
8 Spectral Prior for Reducing Exposure Bias in Diffusion Models 频谱对齐 SPA；轻量 guidance 校正当训练-推理 SNR 失配 systems

📦 Substack 线索（1 条）

δ-mem: RAG 和 Long Context 之外的第三条 Agent Memory 路径 - 来源：AlphaSignal AI，2026-05 - 核心：δ-mem 将 LLM 对话历史存在一个 8×8 关联记忆矩阵中，用它引导注意力而非扩展上下文窗口或构建向量检索。Qwen3-4B-Instruct 在 5 个 benchmarks 平均分从 46.79% 提升至 51.66%，参数量仅 4.87M（模型总量 0.12%）。 - 为何关注：该方向与 Dadhich 的"上下文管理是生命周期问题"Argue形成有趣对照——δ-mem 用极小矩阵解决"记忆"，Dadhic用架构设计解决"上下文"，两条路径互补且都指向：传统的 RAG+长上下文不是 Agent 记忆的最优解。 - 链接：https://alphasignalai.substack.com/p/rag-and-long-context-arent-enough

去重参考（近 7 天）

日期 高价值条目
2026-07-27T2040 Learning on the Job（Tablan）；Teachy Mini
2026-07-27T1440 Agentic Context Management（Dadhich）；LAMAR；Multi-Head Latent Control
2026-07-27T0840 （略）
2026-07-26T2040 （略）

Tom 文献雷达 · AI Agent / RAG / 长上下文 · 每工作日 3 次（08:40 / 14:40 / 20:40 UTC）