rag · E1 预消化简报（2026-07-29）

执行： Tom · 08:50 CST 范围： inbox 近 2 天（2026-07-27 ~ 2026-07-29）+ paper_cards 近 3 天新卡 RAG 主分类抽查 本简报目的： 为今晚 RAG 活文档接力（R47 → R48）预习备料，聚焦尚未进入 knowledge/rag.md R47 基线的增量条目 背景说明： R47 于 2026-07-29 凌晨收官（凌晨 04:00 paper_cards 批量更新），涵盖 LLM-Wiki 主立标 + APS-RAG + DeCoRAG + Historical Doc + Regulatory RAG + LAMAR + δ-mem + Learning on the Job + OpenClaw tool-driven RAG 等。本简报识别 R47 收官后的净增量，客观上增量规模较小，属于 RAG 主题的平台整理期。

检查过的来源清单

增量条目（6 条，含 2 条新增 arXiv + 3 条工程化/Substack 洞察 + 1 条跨主题 RAG 关联）

增量 1 · ⭐⭐⭐⭐ 高 · APS-RAG：三路融合 + Corrective Agent 生产级部署，dense+sparse+KG 三通道自适应融合

来源： Tom/inbox/tom/2026-07-28T1440-agent-rag-longcontext-radar.md（来源：arXiv 2607.24663；HF Daily；paper_cards/618） arXiv： 2607.24663v1 TLDR： 美国阿贡国家实验室先进光子源（APS）已部署 APS-RAG——融合 dense + sparse + 知识图谱（KG）三通道检索，query-type 自适应 RRF 融合，并配备 corrective agent 修正层。配套 operations-grounded 评估基准，解决"运维知识分布在电子日志/技术文档/wiki/聊天记录/维护记录/实时控制系统等多种异构数据源中，没有任何单一搜索索引能覆盖全部"这一真实生产难题。 卡状态： ⚠️ paper_cards/618 已建卡（2026-07-29 04:00），主分类 rag

要点： - 三路融合检索：dense（语义）+ sparse（BM25关键词）+ KG（图谱）三通道 query-type 自适应融合，而非单一通道 - Corrective Agent 修正层：检索结果经 agent 判断后修正，而非直接送入生成——RAG 检索自我修正机制的生产验证 - Operations-grounded 评估：区别于学术基准，评估数据来自真实运维场景——这是 RAG 评估体系"生产就绪度"维度的实质性案例 - 多源异构数据：电子日志/技术文档/wiki/聊天记录/维护记录/实时控制——多模态 RAG 在科学设施领域的垂直落地

与活文档 knowledge/rag.md R47 现有脉络的关系： R47 §多模态 RAG 20 垂直域已含 APS-RAG（第 19 域：大科学设施运营知识 RAG）。本条目在 R47 中已提及但未做独立条目展开。本增量可进入多模态 RAG 垂直域（作为独立条目，展开三路融合架构 + corrective agent 修正机制 + operations-grounded 评估的工程细节）。R47 趋势 94（Multimodal Graph RAG token 削减）可与 APS-RAG 的 corrective agent 机制交叉印证。

归入节： 多模态 RAG 20 垂直域（APS-RAG 独立条目展开：三路融合架构 + corrective agent 修正层 + operations-grounded 评估）

arXiv： 2607.24663v1

增量 2 · ⭐⭐⭐⭐ 高 · DeCoRAG：认知解耦 + 语义感知裁剪，多模态 Graph RAG 准确性 + 效率双重突破

来源： Tom/inbox/tom/2026-07-29-agent-rag-longcontext-radar.md（来源：arXiv 2607.24554；paper_cards/619） arXiv： 2607.24554v1 TLDR： 复杂文档（图表密集布局）多模态 RAG 的双重困境：准确性（稀疏语义解析）和效率（token 开销）。DeCoRAG 提出认知解耦（Cognitive Decoupling）——将文档理解分解为语义层和视觉层独立处理 + 语义感知裁剪（Semantic-Aware Cropping）——在保持准确性的同时显著降低 token 开销。解决多模态 Graph RAG 流水线依赖 VLM 解析高密度版面中稀疏语义的假设失效问题。 卡状态： ⚠️ paper_cards/619 已建卡（2026-07-29 04:00），主分类 rag

要点： - 双重困境：准确性（VLM 解析高密度版面稀疏语义失效）+ 效率（token 开销过高触发灾难性幻觉） - 认知解耦：语义层和视觉层独立处理，替代"统一 VLM 解析"——多模态 RAG 的新架构范式 - 语义感知裁剪：根据语义相关性而非固定窗口裁剪，在复杂文档中保留关键信息同时削减 token - R47 关联：R47 趋势 94（Multimodal Graph RAG token 削减）已有方向性描述；DeCoRAG 提供了具体技术路径

与活文档 knowledge/rag.md R47 现有脉络的关系： R47 多模态 RAG 18 垂直域第 18 域为通用复杂文档理解（2026-07-27 收官）。DeCoRAG 作为复杂文档多模态 RAG 的专项技术突破，可进入多模态 RAG 垂直域（作为独立技术条目，与现有通用复杂文档理解条目并列）。趋势 94（token 削减）已有方向性，本条目提供具体技术路径。

归入节： 多模态 RAG 20 垂直域（复杂文档理解技术条目：DeCoRAG 认知解耦 + 语义感知裁剪路径）

arXiv： 2607.24554v1

增量 3 · ⭐⭐⭐ 中 · Evidence Attribution 无坐标版：视觉文档归因幻觉问题的接口层解法

来源： Tom/inbox/tom/2026-07-28T2040-agent-rag-longcontext-radar.md（来源：arXiv 2607.24651；paper_cards/624） arXiv： 2607.24651v1 TLDR： 现有 VLM 视觉文档理解系统通过坐标接口（输出边界框坐标）表达答案归因，但 VLM 经常在答案正确时仍无法输出正确区域坐标（"归因幻觉"）。本文研究这一失败是否受限于坐标接口本身的表达能力，提出无坐标归因方案，为多模态 RAG 的可审计性提供新路径。 卡状态： ⚠️ paper_cards/624 已建卡（2026-07-29 04:00），主分类 multimodal，副分类 rag

要点： - 归因幻觉：VLM 答案正确但坐标输出错误——坐标接口是归因失败的来源之一 - 接口层解法：不改进 VLM 本身，而是改变"归因表达接口"——这是 RAG 可审计性设计的新思路 - CiteVQA 双语验证集：提出视觉文档归因评估基准 - RAG 关联：多模态 RAG 生成答案的可审计性是 Trust-RAG Compass 六维框架（共识 66 / 趋势 98）的具体工程实现路径

与活文档 knowledge/rag.md R47 现有脉络的关系： R47 共识 66（Trust-RAG Compass 六维框架 factuality/robustness/fairness/transparency/accountability/privacy）已含 accountability 维度。本条目是该维度的具体工程实现路径，可进入 RAG 安全 31 面（新增第 32 面：视觉文档归因接口设计）。趋势 98（Trust-RAG Compass 六维可信度框架）可与本文交叉印证。

归入节： RAG 安全 31 面（新增第 32 面：视觉文档归因接口设计 = 坐标接口 → 无坐标归因）

arXiv： 2607.24651v1

增量 4 · ⭐⭐⭐ 中 · The Nuanced Perspective「Designing Agentic Memory in 2026」：五类认知记忆 + 记忆投毒攻击 90%+ 易感

来源： Tom/inbox/tom/2026-07-28T2040-agent-rag-longcontext-radar.md（Substack 线索沿用）；Jay/inbox/jay/2026-07-29-csdn-rag-agent-multimodal.md（Substack S2 The Nuanced Perspective 引用） arXiv： 无（Substack 文章） TLDR： The Nuanced Perspective 2026-07-28 发布「Designing Agentic Memory in 2026」，提出五类认知记忆分类（情景记忆/语义记忆/程序性记忆/工作记忆/感觉记忆），并揭示记忆投毒攻击（memory poisoning）：超过 90% 的 Agent 对记忆投毒攻击易感——恶意输入在多轮对话中逐渐污染 Agent 的记忆系统，最终改变其行为。存储/检索/更新/丢弃均属架构决策而非纯工程问题。 卡状态： ⚠️ 未建卡（Substack 非学术论文）

要点： - 五类认知记忆分类：与 Agentic Context Management 五原语体系（生命周期）互补——一个从认知科学切入，一个从架构切入 - 记忆投毒攻击：>90% Agent 易感 = 高危安全攻击面；是 OWASP ASI 体系的邻接问题 - retriever 训练用失败 agent run 仍提升 15-19%：说明失败案例也是训练数据——与 Learning on the Job（部署反馈）方向相近但独立 - 98.4% OpenClaw 代码是基础设施：retriever 训练用失败 run 仍提升 = OpenClaw 代码作为 harness 基础设施的量化证明

与活文档 knowledge/rag.md R47 现有脉络的关系： R47 §2.17 Memory 架构已有 Memory 14→15 条腿候选（Experience Distillation / δ-mem / Learning on the Job）。本文五类认知记忆分类可进入 §2.17（作为认知科学视角补充，与 Agentic Context Management 生命周期视角并列）。记忆投毒攻击（>90% Agent 易感）可进入 RAG 安全 31 面（新增第 33 面：记忆投毒攻击面）。R47 趋势 100（δ-mem 极小矩阵内部化）可与本文 retriever 训练数据交叉印证。

归入节： §2.17 Memory 架构（五类认知记忆分类认知科学视角补充）+ RAG 安全 31 面（新增第 33 面：记忆投毒攻击面）

arXiv： 无（Substack，The Nuanced Perspective）

增量 5 · ⭐⭐⭐ 中 · CSDN「AI Agent 工具调用四范式」选型决策树：Function Calling / MCP / CLI / Skills 混合架构

来源： Jay/inbox/jay/2026-07-29-csdn-rag-agent-multimodal.md（来源：CSDN AI Agent 技术社区，萧青山，2026-07） arXiv： 无（工程实践） TLDR： CSDN AI Agent 技术社区系统梳理工具调用四范式：Function Calling（工具写死在代码里，快速原型）、MCP（协议自动发现工具，企业级服务契约）、CLI（AI 原本就会的工具，高效原生执行）、Skills（人类预先定义流程，合规审计可解释）。提出混合架构三层模型：MCP（服务契约）+ Skills（编排蓝图）+ CLI（原生执行）。选型决策树：工具 ≤30 用 prompt；30-300 用 MCP 分组；>300 用 OpenAPI 自动转 + retrieval + 分层决策。 卡状态： ⚠️ 未建卡（工程实践）

要点： - 四范式本质对比：Function Calling = 代码绑定；MCP = 协议发现；CLI = 原生执行；Skills = 流程预定义 - 混合架构三层模型：MCP + Skills + CLI 分层，与 RAG 检索层（retriever + reranker + agentic correction）构成完整的 agent 工具 + 知识栈 - 选型决策树量化阈值：30 / 300 两个关键阈值——工程化选型有了可操作依据 - A2A vs MCP 双轨：Anthropic 背书 A2A（Agent 间通信）+ Anthropic/Google 并行推进 MCP（Agent 与工具/资源/提示的接口）= Agent 生态双轨正在形成

与活文档 knowledge/rag.md R47 现有脉络的关系： R47 §2.2 接口谱 37 件已有 LAMAR reranker 相关内容，但"工具调用四范式选型决策树"尚未收录。本条目可进入 §2.2 接口谱（作为工具接口层新增条目，与 reranker 层并列）。A2A vs MCP 双轨趋势与 R47 趋势 92（Agent-Native Retrieval）邻接。

归入节： §2.2 接口谱（工具接口层新增：Function Calling / MCP / CLI / Skills 四范式选型决策树 + A2A/MCP 双轨）

arXiv： 无（工程实践）

增量 6 · ⭐⭐ 中 · RAG-lite 2026 生产基线数据：Hybrid + Reranker 延迟量化 + Query Rewriting 200-400ms

来源： Tom/inbox/tom/2026-07-28_rag-lite.md（Web 富化，2026-07-28） arXiv： 无（工程基准数据） TLDR： 2026 年 RAG 生产基线数据：Hybrid = BM25 + dense 融合 + cross-encoder 重排；cross-encoder rerank 延迟 50-150ms；query rewriting 延迟 200-400ms（可缓存）；重排器选项：Cohere Rerank v3、Voyage Rerank-2、Jina Reranker v2、BGE-Reranker-v2；Microsoft Azure 评测数据：Hybrid + Query Rewrite + Semantic Ranker 相比纯 Hybrid 多维度提升 +21.6%。长文档痛点：原始 chunk 切片破坏上下文连贯性 → 检索召回差 → 生成幻觉 → 需要 context pruning 作为 rerank 后补充。 卡状态： ⚠️ 未建卡（工程基准数据）

要点： - 延迟量化：rerank 50-150ms + rewriting 200-400ms——生产系统端到端延迟预算分配有了具体数字 - 重排器选项 4 选：Cohere / Voyage / Jina / BGE——选型参考 - Azure 基准 +21.6%：Hybrid + Query Rewrite + Semantic Ranker vs 纯 Hybrid——量化验证了三件套组合价值 - context pruning 新增：rerank 后需要 context pruning 补充——这是 RAG 后处理的新步骤

与活文档 knowledge/rag.md R47 现有脉络的关系： R47 §2.2 接口谱已有 reranker 相关内容（LAMAR 第 37 件），§2.3 检索单元优化已有 LlamaParse Retrieval Harness。本增量提供了具体的延迟数字和重排器选项，可进入 §2.2 接口谱（rerank 延迟量化条目 + 重排器 4 选选项）+ §2.3 检索单元优化（context pruning 作为 rerank 后补充步骤）。

归入节： §2.2 接口谱（rerank 延迟量化 + 重排器选项 4 选）+ §2.3 检索单元优化（context pruning 作为 rerank 后补充）

arXiv： 无（工程基准数据）

值得警惕的矛盾或待核实说法

1. APS-RAG operations-grounded 评估可推广性：APS 是科学设施运维场景——三路融合架构（dense+sparse+KG）是否适用于通用企业 RAG 场景需核验；corrective agent 修正层的计算开销未量化
2. DeCoRAG token 削减幅度：认知解耦 + 语义感知裁剪的 token 削减比例未披露；与同类方法（如 ColPali/ColQwen2）的 head-to-head 对照未做
3. The Nuanced Perspective 记忆投毒 >90% 易感数字来源：>90% Agent 对记忆投毒攻击易感——此数字的实验设计（多少个 agent？何种攻击方式？）未披露；作为安全高危声明需谨慎引用
4. Evidence Attribution 无坐标版与 Trust-RAG Compass 的关系：坐标接口问题部分解决归因幻觉，但"无坐标归因"方案的可操作性（是否需要额外训练？是否改变 VLM 架构？）未明确
5. Query Rewriting 200-400ms 延迟：200-400ms 的 rewriting 延迟在生产环境中属于较高开销；"可缓存"的前提（query pattern 重合率）未量化
6. CSDN 四范式选型阈值（30/300）的适用范围：两个阈值来自 CSDN 工程师经验，非系统性实验数据；仅适用于中国区开发者场景

可引用 arXiv 号列表

归入活文档 knowledge/rag.md 的建议操作

无显著新增量时说明（诚实评估）

本日 RAG 主题增量相对有限，主要原因是：

1. R47 收官饱和：R47 于 2026-07-29 凌晨批量收官（paper_cards 04:00 更新），覆盖了 LLM-Wiki 主立标 + APS-RAG + DeCoRAG + Historical Doc + Regulatory RAG + LAMAR + δ-mem + Learning on the Job + OpenClaw tool-driven RAG 等核心增量，留给本简报的空间有限
2. 近 3 天 paper_cards RAG 主分类稀少：新卡 14 张，RAG 主分类仅 4 张（APS-RAG / DeCoRAG / Historical Doc KG / Regulatory RAG），且 3 张已被 R47 提及
3. 主要新增来自工程化/Substack 而非 arXiv：本简报 6 条增量中仅 2 条为 RAG 主分类 arXiv 论文，其余 4 条为工程化数据或 Substack 分析
4. Agent 主分类 vs RAG 主分类分化明显：近 3 天新卡以 agent 主分类为主（604/607/608/610 等），RAG 主分类新卡相对稀少——反映社区研究重心从"检索优化"转向"Agent 架构与训练"

今日实质新增量：2 条 arXiv（RAG 主分类）+ 1 条 Substack + 3 条工程化数据 = 共 6 条增量 建议：今晚 RAG 活文档更新（R47 → R48）可聚焦多模态 RAG 垂直域独立条目展开（APS-RAG / DeCoRAG）+ RAG 安全 31 面扩充至 33 面（Evidence Attribution + 记忆投毒）+ 接口谱 rerank 延迟量化补全

Tom · 2026-07-29 08:50 CST · E1 预消化简报 · 6 条增量 · 9 条可引用 arXiv 编号