rag · E1 预消化简报（2026-08-15）

执行： Tom · 08:50 CST 窗口： inbox 近 2 天（2026-08-13 下午 ~ 2026-08-15 早间）+ paper_cards 近 3 天新卡抽查 本简报目的： 为今晚 RAG 活文档接力（R60 → R61）预习备料，聚焦尚未进入 R59 基线的增量条目 背景说明： R59 于 2026-08-15 凌晨收官（含 KG-DML 2608.12304 + Self-Knowledge RAG 2608.11030 + SRAG 2603.26670 + Awesome RAG Production + Comet Opik）。本期 ArXiv 端 RAG 直接相关新增：今日 radar 候选含 2 条 HF Daily RAG 新条目（ParliamentRAG + Search-R1）均已有 paper_card；Jay 早场简报（2026-08-14T1505）披露 KDD 2026 RAG 专场 5 篇新论文（其中 4 篇无 paper_card）；长上下文记忆系统 Maglev（2608.02870）新进 radar 高值候选，标签含 rag/memory。整体判断：增量密度中等；KDD 2026 RAG 专场是本窗口最大增量来源，建议优先建卡。

检查过的来源清单

增量条目（7 条）

增量 1 · ⭐⭐⭐⭐ 高 · ParliamentRAG（arXiv:2608.13410）：权威感知多视角 RAG——议会记录政治风险控制（来源：tom 2026-08-15 radar HF Daily 候选 #7）

来源： Tom/inbox/tom/2026-08-15T0840-agent-rag-longcontext-radar.md（候选 #7）+ paper_cards/941-2608-13410（主分类 rag，2026-08-14 candidates JSON，card 941） arXiv： 2608.13410v1 主分类： rag；形态： method；副分类： authority-aware, multi-view-retrieval, political-text, domain-vertical

TLDR（来源：paper_cards TLDR）： 议会记录是民主审议的一手资料，但体量庞大且碎片化，给多视角访问带来困难。将 RAG 应用于议会转录文本引入三类特定风险：高频发言者主导、无法按主题专长加权、引用误归属。ParliamentRAG 面向意大利众议院，联合应对上述风险。

要点（来源：paper abstract + tom radar 整理）： - 核心问题：RAG 应用于政治敏感文本（议会记录）的三个独特风险——发言者频率偏差（高频发言者主导检索结果）、主题专长权重缺失、引用误归属 - 核心方法：Authority-Aware Multi-View RAG——按发言者权威性（主题专长）和时间/党派维度进行多视角检索，而非单一语义相似度排序 - 场景定位：民主监督、新闻核查、政策研究——RAG 在政治文本这一高风险垂直领域的新挑战 - 与活文档 knowledge/rag.md 现有脉络的关系：R59 §2.4（RAG + 知识图谱）收录了 KG-DML（工业系统诊断）、KGCaRe（通用复杂条件推理）、code-graph-rAG（代码领域）；ParliamentRAG 以政治文本权威感知检索补充 §2.4 的应用图谱——代表垂直领域 KG/权威感知 RAG 的新方向

与活文档 knowledge/rag.md R59 现有脉络的关系： R59 §2.4（RAG + 知识图谱）收录了 KG-DML（工业诊断）、KGCaRe（通用推理）、code-graph-rAG（代码）。ParliamentRAG 补充政治文本权威感知 RAG这一垂直应用维度，与 KG-DML（工业）形成不同垂直领域的 KG-RAG 图谱。可进入 §2.4 RAG + 知识图谱（补充：ParliamentRAG——政治文本权威感知多视角 RAG）。

归入节： §2.4 RAG + 知识图谱（补充：ParliamentRAG——政治文本权威感知多视角 RAG）

arXiv： 2608.13410

增量 2 · ⭐⭐⭐⭐ 高 · Search-R1（arXiv:2608.13237）：多轮 RAG 何时停止？结构化停止判断与检索缩减（来源：tom 2026-08-15 radar HF Daily 候选 #8）

来源： Tom/inbox/tom/2026-08-15T0840-agent-rag-longcontext-radar.md（候选 #8）+ paper_cards/949-2608-13237（主分类 rag，2026-08-14 candidates JSON，card 949） arXiv： 2608.13237v1 主分类： rag；形态： application；副分类： multi-round-rag, stopping-criteria, retrieval-reduction, sequential-judgment

TLDR（来源：paper_cards TLDR）： 多轮 RAG 必须在证据累积时决定何时停止搜索。由于策略由每条轨迹首次 STOP 决定，这是序列选择问题而非独立状态分类。将 S2G-RAG 的结构化充分性与缺口判断适配到冻结 Search-R1 流程，在 900 个 HotpotQA 问题 3009 个状态上训练 Qwen3.5-2B 判定器。

要点（来源：paper abstract + tom radar 整理）： - 核心问题：多轮 RAG 的"停止时机"——何时停止检索、累积足够证据是尚未系统解决的问题；传统方法依赖固定步数或简单置信度阈值 - 核心发现：停止决策是"序列选择问题"（每个轨迹由第一个 STOP 决定），而非独立状态分类——这一定性改变了 stop criterion 的建模方式 - 技术方案：将 S2G-RAG 的结构化充分性与缺口判断（sufficiency-and-gap judgment）迁移到 Search-R1 框架；训练 Qwen3.5-2B 轻量判定器决定何时停 - 评测设置：3009 个状态，来自 900 个不相交 HotpotQA 问题；Search-R1 组件全部冻结，仅判定器和阈值可调 - 与活文档 knowledge/rag.md 现有脉络的关系：R59 §2.5（RAG 生成与上下文管理）收录了 Relevant but Incomplete 和 Beyond Top-K READ，关注"外部检索结果如何处理"；Search-R1 补充的是多轮 RAG 的停止时机判断——与 §2.5 的检索结果处理问题形成"前后衔接"关系

与活文档 knowledge/rag.md R59 现有脉络的关系： R59 §2.5（RAG 生成与上下文管理）收录了 Relevant but Incomplete（硬压缩引用悬空）和 Beyond Top-K READ（无 embedding 全文检索），关注"外部检索结果如何处理"。Search-R1 补充多轮 RAG 何时停止检索这一维度，与 §2.5 形成"前后衔接"——§2.5 关注单次检索结果的处理，Search-R1 关注多轮检索的停止时机。可进入 §2.5 RAG 生成与上下文管理（补充：Search-R1——多轮 RAG 结构化停止判断）。

归入节： §2.5 RAG 生成与上下文管理（补充：Search-R1——多轮 RAG 结构化停止判断与检索缩减）

arXiv： 2608.13237

增量 3 · ⭐⭐⭐⭐ 高 · Mixture-of-RAG（arXiv:2504.09554）：文本与表格混合检索——KDD 2026（来源：jay 2026-08-14T1505 早场简报 KDD 2026 RAG 专场 #1）

来源： Jay/inbox/jay/2026-08-14T1505-jay-five-category-briefing.md（Database 分类 §1.1）+ arXiv:2504.09554 arXiv： 2504.09554 主分类： rag；形态： method；副分类： hybrid-retrieval, table-understanding, text-table-joint, kdd2026 paper_card： ⚠️ 尚未建卡

TLDR（来源：jay briefing 整理 + paper abstract）： 传统 RAG 在需要数值推理（表格问答）场景下存在根本缺陷：表格行列语义在 flat chunk 切分后完全丢失。MoRAG 将非结构化文本与结构化表格统一建模为混合检索语料，在表格问答上超越纯文本 RAG 12~15%。

要点（来源：jay briefing）： - 核心问题：表格数据的 chunk 语义丢失——财务报告、医疗数据、BI 报表中的表格在固定切分后行列关系和数值上下文被破坏 - 核心方法：Mixture-of-RAG = 表格结构识别 + 逻辑推理链显式公式化 + LLM 数值计算三步 pipeline；统一建模文本+表格为混合检索 corpus - 评测数据（来源：jay briefing）：在表格问答上超越纯文本 RAG 12~15%；具体数据集和指标未提供 - 工程价值：金融、医疗、BI 等需要同时检索文本+表格的场景；可直接参考的 pipeline 范式 - KDD 2026 正式论文，可信度高

与活文档 knowledge/rag.md R59 现有脉络的关系： R59 §2.3（RAG 检索优化）收录了 UEmbed（多模态嵌入）和 SRAG（re-chunking + tagging）。Mixture-of-RAG 以文本+表格混合检索的统一建模补充 §2.3 的检索粒度优化方向——SRAG 优化的是向量表征，MoRAG 优化的是异构数据类型的统一检索。可进入 §2.3 RAG 检索优化（补充：Mixture-of-RAG——文本与表格统一混合检索）。

归入节： §2.3 RAG 检索优化（补充：Mixture-of-RAG——文本+表格混合检索 KDD 2026）

arXiv： 2504.09554

增量 4 · ⭐⭐⭐ 高 · MKG-RAG-Bench（arXiv:2606.26458）：多模态知识图谱 RAG 评测基准——KDD 2026（来源：jay 2026-08-14T1505 早场简报 KDD 2026 RAG 专场 #2）

来源： Jay/inbox/jay/2026-08-14T1505-jay-five-category-briefing.md（Database 分类 §1.2）+ arXiv:2606.26458 arXiv： 2606.26458 主分类： rag；形态： benchmark；副分类： multimodal-kg, evaluation-benchmark, mkg-rag, kdd2026 paper_card： ⚠️ 尚未建卡

TLDR（来源：jay briefing 整理 + paper abstract）： 首个针对多模态知识图谱增强 RAG（MKG-RAG）的系统性评测基准。构建 MarKG/MedMKG 等多模态 KG 数据集，涵盖图像+文本+知识三元组，评测多模态 LLM 在知识图谱辅助下的生成质量。

要点（来源：jay briefing）： - 核心贡献：MKG-RAG-Bench = 首个 MKG-RAG 评测基准；解决多模态 KG 节点类型多样（图像/文本/实体）的跨模态检索和对齐问题 - 数据集：MarKG（通用多模态 KG）、MedMKG（医疗多模态 KG）等；涵盖图像+文本+知识三元组 - 核心挑战：多模态 KG 的跨模态检索和对齐——当前模型在结构化知识理解上存在显著差距 - 工程价值：为多模态 RAG 系统的评测提供标准化框架；对医疗/电商/文博领域多模态知识库构建有直接指导意义 - KDD 2026 正式论文，Penn State / 工业界合作

与活文档 knowledge/rag.md R59 现有脉络的关系： R59 §2.7（RAG 评测）收录了 Ragas/Braintrust 工具选型、7 大生产指标和 DataSpace 异构数据 Agent 评测。MKG-RAG-Bench 以多模态 KG-RAG 垂直评测基准补充 §2.7 的评测图谱——是首个 MKG-RAG 专项 benchmark，与通用 RAG 评测形成互补。可进入 §2.7 RAG 评测（补充：MKG-RAG-Bench——多模态知识图谱 RAG 评测基准 KDD 2026）。

归入节： §2.7 RAG 评测（补充：MKG-RAG-Bench——多模态 KG-RAG 评测基准 KDD 2026）

arXiv： 2606.26458

增量 5 · ⭐⭐⭐ 高 · MemGraphRAG（arXiv:2606.00610）：记忆驱动的多智能体 Graph RAG——KDD 2026（来源：jay 2026-08-14T1505 早场简报 KDD 2026 RAG 专场 #3）

来源： Jay/inbox/jay/2026-08-14T1505-jay-five-category-briefing.md（Database 分类 §1.3）+ arXiv:2606.00610 arXiv： 2606.00610v1 主分类： rag；形态： method；副分类： graph-rag, multi-agent, memory, knowledge-graph, kdd2026 paper_card： ⚠️ 尚未建卡

TLDR（来源：jay briefing 整理 + paper abstract）： 融合长期记忆机制与多智能体协同的 Graph RAG 系统。解决 Graph RAG 在大规模语料中"上下文稀疏+噪声积累"的核心痛点；多智能体分工（检索/推理/生成），各 Agent 维护私有记忆，通过图结构共享全局知识。

要点（来源：jay briefing）： - 核心问题：Graph RAG 在大规模语料下的上下文稀疏和噪声积累——全局社区摘要（global community detection）在大规模时质量下降 - 核心方法：MemGraphRAG = 多智能体分工（检索 Agent / 推理 Agent / 生成 Agent）+ 各 Agent 私有记忆 + 图结构共享全局知识——融合长期记忆与 GraphRAG - 超越基线：声称超越 GraphRAG、HippoRAG2 等基线方法；具体数据需读原文 - KDD 2026 正式论文，有 DOI: 10.1145/3770855.3818074

与活文档 knowledge/rag.md R59 现有脉络的关系： R59 §2.4（RAG + 知识图谱）收录了 KG-DML（工业诊断）、KGCaRe（通用推理）、code-graph-rAG（代码）、ParliamentRAG（政治文本）。MemGraphRAG 以多智能体 + 长期记忆融合 GraphRAG补充 §2.4 的方法图谱——代表 2026 年 GraphRAG 演进的主流方向（多智能体 + 记忆）。可进入 §2.4 RAG + 知识图谱（补充：MemGraphRAG——记忆驱动的多智能体 Graph RAG KDD 2026）。

归入节： §2.4 RAG + 知识图谱（补充：MemGraphRAG——记忆驱动多智能体 GraphRAG KDD 2026）

arXiv： 2606.00610

增量 6 · ⭐⭐ 中 · LegalGraphRAG（arXiv:2605.28120）：多智能体图检索增强法律推理——ACL 2026（来源：jay 2026-08-14T1505 早场简报 KDD 2026 RAG 专场 #4）

来源： Jay/inbox/jay/2026-08-14T1505-jay-five-category-briefing.md（Database 分类 §1.4）+ arXiv:2605.28120 arXiv： 2605.28120 主分类： rag；形态： method；副分类： graph-rag, legal-ai, multi-agent, domain-vertical, acl2026 paper_card： ⚠️ 尚未建卡

TLDR（来源：jay briefing 整理 + paper abstract）： 针对法律领域的 Multi-Agent Graph RAG 框架，解决法律推理的可信度问题。多 Agent 分工：检索 Agent、推理 Agent、验证 Agent，Graph 结构表示法律条款间的逻辑关系。

要点（来源：jay briefing）： - 场景定位：法律推理——高可信度要求、条款关系复杂、多 Agent 分工验证 - 核心方法：Multi-Agent GraphRAG = 检索 Agent（找相关法条）+ 推理 Agent（逻辑推导）+ 验证 Agent（一致性检验）；Graph 结构建模法律条款间逻辑关系 - 与 RAG 的关系：法律是 GraphRAG 的强需求场景——条款之间的引用、因果、例外关系天然适合图结构 - ACL 2026 会议论文，可信度高

与活文档 knowledge/rag.md R59 现有脉络的关系： R59 §2.4（RAG + 知识图谱）收录了 KG-DML（工业诊断）、KGCaRe（通用推理）、code-graph-rAG（代码）、ParliamentRAG（政治文本）、MemGraphRAG（多智能体记忆）。LegalGraphRAG 以法律领域 Multi-Agent GraphRAG补充 §2.4 的垂直应用图谱——与 ParliamentRAG（政治文本）同属高可信度需求垂直领域，LegalGraphRAG 侧重多 Agent 验证链。可进入 §2.4 RAG + 知识图谱（补充：LegalGraphRAG——法律推理 Multi-Agent GraphRAG ACL 2026）。

归入节： §2.4 RAG + 知识图谱（补充：LegalGraphRAG——法律推理 Multi-Agent GraphRAG ACL 2026）

arXiv： 2605.28120

增量 7 · ⭐⭐ 中 · OMD-GraphRAG（arXiv:2603.25152）：本体引导 + 多维聚类 + 双通道融合——GraphRAG 质量增强（来源：jay 2026-08-14T1505 早场简报 KDD 2026 RAG 专场 #5）

来源： Jay/inbox/jay/2026-08-14T1505-jay-five-category-briefing.md（Database 分类 §1.5）+ arXiv:2603.25152 arXiv： 2603.25152 主分类： rag；形态： method；副分类： graph-rag, ontology-guidance, entity-extraction, multi-dimensional-clustering, dual-channel-fusion paper_card： ⚠️ 尚未建卡

TLDR（来源：jay briefing 整理 + paper abstract）： 在 GraphRAG 基础上引入 Ontology 引导的实体抽取，提升图谱质量；Multi-Dimensional Clustering 对节点进行多视角聚类；Dual-Channel Fusion 融合结构化通道与非结构化通道。

要点（来源：jay briefing）： - 核心改进：从原始 GraphRAG 的社区检测升级为——Ontology 引导（提升实体抽取质量，可解释性强）+ 多视角聚类（更细粒度的社区划分）+ 双通道融合（结构化+非结构化信息联合） - 技术路线：本体（Ontology）引导是知识图谱质量提升的可解释方法；与 MemGraphRAG（多智能体）路线互补 - arXiv 版本状态：需确认 v3 版本状态；是否有 ACL/EMNLP 等顶会出版记录

与活文档 knowledge/rag.md R59 现有脉络的关系： R59 §2.4（RAG + 知识图谱）收录了多种 GraphRAG 方法（KGCaRe、code-graph-rAG、MemGraphRAG 等）。OMD-GraphRAG 以本体引导 + 多维聚类 + 双通道融合补充 §2.4 的 GraphRAG 质量增强技术图谱——与 MemGraphRAG（多智能体路线）形成方法互补。可进入 §2.4 RAG + 知识图谱（补充：OMD-GraphRAG——本体引导多维聚类双通道融合）。

归入节： §2.4 RAG + 知识图谱（补充：OMD-GraphRAG——本体引导多维聚类双通道融合）

arXiv： 2603.25152

值得警惕的矛盾或待核实说法

1. Mixture-of-RAG（2504.09554）具体评测数字需核实：jay briefing 引用"超越纯文本 RAG 12~15%"，但数据集名称和具体评测指标未提供；建议今晚前列入 paper_card 建卡后核实原始论文。

2. MemGraphRAG（2606.00610）超越基线claim需核实：声称超越 GraphRAG、HippoRAG2 等基线，但具体对比数字未提供；建议核实后再决定是否进入活文档。

3. KDD 2026 五篇 GraphRAG 论文尚未建卡：截至本窗口（2026-08-15），Mixture-of-RAG（2504.09554）、MKG-RAG-Bench（2606.26458）、MemGraphRAG（2606.00610）、LegalGraphRAG（2605.28120）、OMD-GraphRAG（2603.25152）均无 paper_card；建议今晚前列入 paper_cards 建卡任务（5张卡）。

4. ParliamentRAG（2608.13410）和 Search-R1（2608.13237）已有 paper_card：cards 941 和 949 已建卡，建议今晚直接进入活文档，无需重复建卡。

5. KDD 2026 论文出版状态核实：部分 KDD 2026 论文可能处于 Camera-ready 或 early access 阶段；建议核实 arXiv 版本与最终会议版本的差异。

6. AAAI 2026 关键词搜索 94.5% RAG 保真度 claim 仍未核实（R59 遗留项）：arXiv:2602.23368 claim 进入 R59 基线但活文档核实状态未知；建议今晚前列入核实任务。

7. Lattice 静态检索器具体 arXiv 编号仍未核实（R57/R58/R59 三轮遗留项）：建议今晚前列入 paper_cards 建卡任务。

8. SIGIR 2026 SSR 和 Exploration-and-Thinking 具体编号仍未建卡（R56/R57/R58/R59 四轮遗留项）：建议今晚前列入 paper_cards 建卡任务。

9. PathRouter（2606.16409）仍未进入活文档基线（R56/R57/R58/R59 四轮遗留项）：card 009 存在但四轮简报均未收录；建议今晚前列入活文档或明确排除理由。

可引用 arXiv 号列表

今晚活文档接力注意事项（R61 → R62）

1. R61 → R62 增量窗口：2026-08-14 20:00 CST ~ 2026-08-15 08:50 CST（含今日早间 radar 数据）
2. KDD 2026 GraphRAG 论文建卡任务：5 张卡（Mixture-of-RAG、MKG-RAG-Bench、MemGraphRAG、LegalGraphRAG、OMD-GraphRAG）建议今晚前列入 paper_cards 建卡任务；其中 MemGraphRAG 有 DOI（10.1145/3770855.3818074），可信度最高，建议优先。
3. ParliamentRAG（2608.13410）建议入 §2.4：card 941 已建卡；建议今晚前列入 §2.4 KG-RAG 垂直应用图谱（政治文本权威感知方向）。
4. Search-R1（2608.13237）建议入 §2.5：card 949 已建卡；建议今晚前列入 §2.5，与 Relevant but Incomplete 和 Beyond Top-K READ 形成"外部知识处理 + 停止时机"三件套。
5. KDD 2026 GraphRAG 论文入 §2.4 建议：MemGraphRAG（多智能体+记忆融合）和 OMD-GraphRAG（本体引导质量增强）建议入 §2.4 GraphRAG 方法演进节；Mixture-of-RAG 入 §2.3；MKG-RAG-Bench 入 §2.7。
6. LegalGraphRAG（2605.28120）建议入 §2.4：ACL 2026 正式出版，可信度高；法律领域 Multi-Agent GraphRAG 建议入 §2.4 垂直应用图谱。
7. SIGIR 2026 论文建卡任务：SSR 和 Exploration-and-Thinking 已是 R56 以来四轮简报的遗留任务，建议今晚前列入 paper_cards 建卡任务。
8. PathRouter（2606.16409）今晚需决策：四轮简报均未收录，建议今晚前列入活文档或明确排除理由。
9. AAAI 2026 claim 核实任务：arXiv:2602.23368 的 94.5% RAG 保真度 claim 仍未核实，建议今晚前列入核实任务。

Tom · E1 预消化 · rag · 2026-08-15 08:50 CST · 窗口：inbox 2026-08-13 下午 ~ 2026-08-15 早间