Tom 文献雷达 · AI Agent × RAG × 长上下文 · 2026-08-05 早场
主题：Agent · RAG · 检索 · 长上下文 · 评测
候选摘要（8 条）
| # | 标题 | 来源 | 票/信号 | 标签 |
|---|---|---|---|---|
| 1 | Zero-Mem: Zero-Token Memory Operations for LLM Agents | HF Daily | ⭐⭐⭐ | agent, rag, memory, benchmark |
| 2 | Compute Globally, Materialize Locally: Memory Contract of Sparse Event-KV | HF Daily | ⭐⭐ | agent, memory, systems |
| 3 | UEmbed: Unified Sparse and Dense Multimodal Embeddings | arXiv | ⭐⭐⭐ | rag, benchmark, multimodal, systems |
| 4 | MemSFT: Mitigating Alignment Tax with External Parametric Memory | HF Daily | ⭐ | rag, memory, benchmark |
| 5 | Wnuan: Staged Post-Training for Enterprise QA | HF Daily | ⭐ | multimodal |
| 6 | To Add Is Machine, To Delete Is Human (代码编辑中的删除回避) | HF Daily | ⭐ | systems |
| 7 | Loud or Silent: Per-Modality Failure Analysis in Multimodal Clinical AI | HF Daily | ⭐ | benchmark, multimodal |
| 8 | Seeing or Knowing: Visual Context Sensitivity in MLLMs | HF Daily | ⭐ | benchmark, multimodal |
⭐ 高价值条目（4 条）
1. Zero-Mem：LLM Agent 的零 token 内存操作
- arXiv: https://arxiv.org/abs/2607.29377
- 核心：LLM Agent 需要记忆来保证长交互一致性，但现有系统靠额外 LLM 调用来读写记忆——反复消耗 token 和时间。Zero-Mem 的核心设计：除最终问答外，全程零 LLM 调用、零 LLM 输入/输出 token 消耗；原始交互轨迹作为唯一记录源，通过 encoder 单独计算访问。
- 意义：把记忆操作的计算成本从 LLM token 预算中彻底剥离，为长期运行 Agent 提供了一条高效记忆路径，而非靠压缩或遗忘来控制成本。
2. Compute Globally, Materialize Locally：Sparse Event-KV 的记忆契约
- arXiv: https://arxiv.org/abs/2607.23693
- 核心：长程 Agent 复用 KV cache 作为记忆时，保留的事件在被省略的 observation 之后是否仍有效？作者通过"在相同 Agent 历史中省略一条更早的 observation"来测试——结果：受影响答案绝大多数跟随被省略值，说明 cached KV entry 的语义内容随被省略 observation 漂移，而非稳定保持。这挑战了"KV cache 可直接作为 episodic memory"的隐含前提。
- 意义：对所有基于 KV 复用做记忆的 Agent 系统都是直接警钟——需要定期 re-materialize 或动态更新缓存语义，而非假设历史记录静态有效。
3. UEmbed：统一稀疏 + 密集多模态 Embedding
- arXiv: http://arxiv.org/abs/2608.02583v1
- 核心：现有 Learned Sparse Retrieval（LSR）仍绑在 encoder 式双向架构，多模态扩展依赖辅助跨模态模块。UEmbed（Decoder-only）在单次因果前向传播中同时输出稀疏词法表征和密集语义表征，无需辅助模块。
- 意义：RAG 系统统一稀疏（关键词）+ 密集（语义）检索的新范式；多模态 embedding 从双轨走向单轨，简化部署，对构建多模态 RAG pipeline 有直接参考价值。
4. MemSFT：通过外部参数记忆缓解对齐税
- arXiv: https://arxiv.org/abs/2607.25614
- 核心：领域微调常导致灾难性遗忘（对齐税）。MemSFT 思路：训练一个可插拔的参数记忆模块来模仿非参数 retriever 的行为——将原本通过检索获取的知识内化到记忆模块，从而在领域专业化和通用能力之间解耦参数更新。
- 意义：RAG + memory 融合训练的一条可行路线；如果成功，记忆模块可在多个同领域任务间复用，降低每次微调的计算成本。
Substack / Newsletter 线索（1 条）
- Top LLM, RAG and Agent Updates — March Week 4, 2026（aixfunda.substack.com）：MolmoWeb（Ai2 视觉 Web Agent，4B/8B，基于 Molmo 2）、OpenReward（330+ RL 环境开源标准）值得关注。本周无直接 RAG 评测长文。
去重说明
- 本期候选均来自
2026-08-05-agent-rag-longcontext-candidates.json，与 8-04 早场候选无重叠（8-04 早场引用的候选 ID 均来自 8-03 candidates JSON）
工具：arXiv metadata + HF Daily 富化 | 未使用 CSDN