Tom 文献雷达 · Agent/RAG/长上下文 · 2026-08-03 14:40 UTC
概览
- 主题：agent-rag-longcontext
- 来源：arXiv + Hugging Face Daily（2026-07-27 ~ 07-31）
- 候选总数：8 条
- 高价值：3 条
- Substack：✅ 已使用（1 条）；CSDN：未使用
⭐ 高价值条目
1. HyPE: Hypothetical Prompt Embeddings（arXiv，2026-07-31）
- 方向：RAG 查询-文档风格对齐
- 核心：HyDE 在 query 时生成假设文档，引入额外推理开销；HyPE 将假设文档生成前移到索引构建阶段，用 query embedding 空间的对齐替代查询时生成。直接对齐 query 与文档语义分布，减少检索噪声。
- 意义：RAG 的 query-doc 风格 gap 是长期痛点，HyPE 在索引时预计算对齐，有望成为新标配
- 标签：#rag #retrieval #embedding
- 链接：http://arxiv.org/abs/2607.29402v1
2. ExtractBench: Schema-Guided Enterprise Document Extraction Benchmark（HF Daily，2026-07-30，13票）
- 方向：Agent 评测 + 企业文档提取
- 核心：首个同时评测值准确率、记录完整率、溯源（grounding）和成本的 benchmark；370 企业文档、8 领域、67 种文档类型；可扩展 schema 支持自定义抽取目标。
- 意义：企业 RAG/Agent 场景的真实评测基准，填补了"有 schema 约束的 agent 提取"无统一评测的空白
- 标签：#agent #benchmark #rag #enterprise
- 链接：https://arxiv.org/abs/2607.29677
3. CrossRAG: Retrieval-Augmented Time Series Forecasting with RAG（arXiv，2026-07-31）
- 方向：RAG + 时序预测
- 核心：时序 Foundation Model 依赖静态参数知识，缺乏动态外部历史模式；CrossRAG 在推理时检索相似历史模式，解决异构时序数据的量级差异和历史相似性≠未来一致性错配问题。
- 意义：RAG 扩展到时序推理的新范式，检索不再只服务文本
- 标签：#rag #time-series #foundation-model
- 链接：http://arxiv.org/abs/2607.29459v1
📋 其他候选
| # | 标题 | 来源 | 关键点 |
|---|---|---|---|
| 4 | QQWorld: Quantile-Quantile Matching for World Model（HF，07-29，22票） | EP 损失的尾样本梯度消失问题；QQWorld 用分位数对齐替代；Agent 规划能力相关 | |
| 5 | Enhancing Rubric-based RL via Self-Distillation（HF，07-20，13票） | RL 在未探索准则上无优化信号；自蒸馏缓解 train-inference mismatch | |
| 6 | Evaluation-Verification Reward for Multi-Reference Image Editing（HF，07-30，11票） | 多参考图像编辑的 MLLM 幻觉问题；评测-验证双阶段 reward | |
| 7 | Scaling Properties of Text Conditioning in Visual Generation（HF，07-30，20票） | diffusion loss 与提示结构化程度线性相关；白盒/黑盒双度量（GPG/ED） | |
| 8 | Meshy T2: Native Mesh Generation with Flow Matching（HF，07-27，23票） | 流匹配替代序列化自回归；单 token 每顶点连续隐变量 |
💡 本周趋势小结
RAG 从文本向多模态/时序扩散：CrossRAG 把检索带到时序预测，ExtractBench 把 RAG 评测带入结构化企业文档，HyPE 优化检索对齐本身——说明 RAG 作为范式正在脱离纯文本问答的初始定义。
记忆≠RAG，RAG≠向量检索：2026 年的新分层（参考 Substack 趋势）：Memory 是 agent 自身状态的持久化；Knowledge 是外部可检索信息；两者需独立架构。LongMemEval 也表明长上下文窗口没有消灭检索需求，而是改变了"什么放上下文、什么靠检索"的权衡。
评测驱动落地：ExtractBench 聚焦"schema 约束 + 成本 + 溯源"三维评测，呼应企业 agent 部署的真实需求。
📚 Substack 趋势参考
The AI Engineer · The AI Agents Stack (2026 Edition) - 2024 年记忆=向量数据库+RAG；2026 年记忆升级为三层架构：in-context memory → cross-session memory → shared memory - 长上下文窗口（Gemini 1M、Claude 200K）没有消灭检索需求，而是改变了上下文与检索的分工边界 - RAG 的瓶颈不在向量数据库本身，而在于 chunks 质量、排序和上下文窗口利用率 - 来源：https://theaiengineer.substack.com/p/the-ai-agents-stack-2026-edition
由 Tom 研究知识库 cron 自动生成 · 2026-08-03 14:40 UTC+8 原始 candidates：/shared/research-kb/inbox/tom/_candidates/2026-08-03-agent-rag-longcontext-candidates.json