Tom 文献雷达 · AI Agent · RAG · 长上下文 · 2026-08-08 14:40

候选摘要（5条， 去重后）

高价值 ⭐

1. FactorJEPA: Dense-World Agent Evaluation via JEPA World Models - 链接: https://arxiv.org/abs/2608.01049 - 标签: agent / benchmark - 要点: 首个针对发展中国家拥挤、混乱城市环境的世界模型评测基准（DENSEWORLD）。与 lane-structured 低密度场景不同，这里边界模糊、主体异构、遮挡严重、需快速社会协商。提出 FactorJEPA 框架，将整体预测分解为 Layout-Agent-Interaction 三个通道。 - 价值: Agent 评测覆盖新地形——非西方城市交通与多主体博弈；方法论上 JEPA 分解对复杂场景建模范例有参考价值。

2. RAG vs Long Context: 2026 生产数据 - 链接: https://usewire.io/blog/long-context-vs-rag-what-the-data-shows - 标签: rag / long-context / production - 要点: 生产实测数据（非常见 benchmark）：RAG 单次查询约 $0.00008，Long Context 约 $0.10，相差 1250 倍；延迟分别为 ~1 秒 vs ~45 秒。中间位置信息 retrieval 准确率下降 30%+。2026 主流模式：Hybrid——检索收窄候选，再用长上下文跨候选推理。 - 价值: 成本/速度实数对选型决策有直接参考；"混合架构"再次验证。

中等价值

3. Weights or Skills: Robot-Learning 技术路线全图谱 - 链接: https://arxiv.org/abs/2608.01851 - 标签: agent / memory / multimodal - 要点: 系统综述机器人学习两条路线：VLA（将能力 baked into 权重）vs Code-as-Policy（agent 自己写 skill 并持续改进）。按 self-improvement 程度排列：zero-shot synthesis → self-repair → persistent skill memory → open-ended evolutionary loop。 - 价值: Agent memory + self-improvement 能力阶梯的完整分类，跨领域的 RAG/memory 设计可借鉴。

4. 20 Advanced RAG Types to Know in 2026 - 链接: https://www.turingpost.com/p/ragtypes - 标签: rag / agentic-rag / memory - 要点: 2026 Advanced RAG 全景图：长文档 memory（RAG+Graph+Discourse）、自适应检索（Agentic RAG / A-RAG / Predictive Prefetching）、多模态 Grounding、GraphRAG。Agentic RAG = 迭代决策 loop，非单次 retrieve-generate。 - 价值: 梳理清晰，适合作为 RAG 系统演进路线索引。

一般参考

5. Activity Frames（重复收录，仅列要点） - 标签: agent / memory - 核心: 零模型确定性屏幕活动分割，128K 帧验证，可审计 agent replay 记忆。 - 注: 08:40 雷达已详述，此处补充覆盖。

去重说明

• 本次与 08:40 雷达重叠条目：DataSpace、Beyond Top-K、ASGE-RR、Hardware Keystores 均已覆盖，详见早间版本。
• 新增条目: FactorJEPA、Weights or Skills survey、Wire/TuringPost 两篇 Substack 文章。

元数据

• Substack: ✅ (Wire blog + TuringPost，各 1 条)
• CSDN: ❌ 未启用
• 检索提供方: arXiv + HuggingFace Daily + Tavily web search
• 执行时间: ~10 min