rag · E1 预消化简报（2026-08-18）

执行： Tom · 08:50 CST 窗口： inbox 近 2 天（2026-08-17 ~ 2026-08-18 早间）+ paper_cards 近 3 天新卡抽查 本简报目的： 为今晚 RAG 活文档 R63 → R64 接力预习备料，聚焦尚未进入 R63 基线的增量条目 背景说明： R63 于 2026-08-18 早间收官（含 Legal RAG Hallucination 2608.14210 评测立标 + Agent Memory ≠ RAG 设计原则 + δ-mem 第三条路 + OWASP LLM04 + CSDN RAG 生产实战）。今日窗口增量密度中等：4 条 net-new 条目，其中 2 条实质 RAG 方法学增量（ParliamentRAG + RAEF），2 条 RAG 邻接增量（Query via RL + Search-R1 stopping criteria 补档）。

一、增量条目（4 条）

增量 1 · ⭐⭐⭐ 高 · ParliamentRAG：政治文档多视角 RAG + 说话人权威感知（arXiv 2608.13410）

来源： Tom/inbox/tom/2026-08-18-agent-rag-longcontext-radar.md（高价值条目 #2）+ paper_cards（2606.16817 同批次卡） arXiv： 2608.13410v1 主分类： rag；形态： systems/benchmark；副分类： domain-rag, authority-weighting, political-documents

TLDR（来源：Tom 8-18 radar 整理）： 针对意大利众议院会议记录，解决 RAG 三类风险——高频发言人主导（ dominance bias）、话题专家权重缺失（expertise gap）、引文误归因（citation error）。核心机制：话题依赖的权威模型（topic-dependent authority model），按议题动态分配不同发言人的引用权重。

要点： - 核心问题：政治文档中，高频发言人（议会党团领袖）天然主导检索结果，即使其并非特定议题的真正专家；RAG 输出的答案因此系统性偏斜 - 核心方案：ParliamentRAG 提出 topic-dependent authority model——每个议题/子话题预计算一个权威向量（基于历史发言质量、委员会归属、书面质询记录），检索时将权威权重注入 reranking 阶段 - 三类风险处理： - dominance bias → 发言频率惩罚项 - expertise gap → 话题-专家匹配矩阵 - citation error → 引文上下文验证链 - 数据集：意大利众议院 2018-2024 年全体会议记录，附专家标注的 ground-truth 权威标签 - 关键洞察：垂直域 RAG 中，"谁说的"与"说什么"同等重要；权威感知是法律/医疗/政策 RAG 的通用需求，不仅是政治场景 - 与活文档 knowledge/rag.md R63 现有脉络的关系：R63 §2 已收录领域 RAG 垂直化趋势（医疗/法律）；本文档以政治文档权威感知 RAG 补充 §2 领域 RAG 案例——是 Legal RAG Hallucination 2608.14210（法律 RAG 幻觉评测）后的又一个高风险垂直域案例；与 R63 Legal RAG 幻觉评测形成高风险垂直 RAG 双件套（法律 + 政治） - 归入节： §2 领域 RAG 垂直化（补充：ParliamentRAG 政治文档权威感知 RAG + 话题依赖权威模型 + 三类风险处理机制）

增量 2 · ⭐⭐⭐ 高 · RAEF：时间序列预测的检索增强扩散模型（arXiv 2608.14054）

来源： Tom/inbox/tom/2026-08-18-agent-rag-longcontext-radar.md（候选条目 #5 RAEF） arXiv： 2608.14054 主分类： rag；形态： method/application；副分类： time-series, retrieval-augmented-generation, diffusion-model

TLDR（来源：Tom 8-18 radar 候选 #5 整理）： RAEF 将检索增强生成引入时间序列预测任务。核心思路：给定历史时间序列上下文 + 检索到的相似历史模式序列，用扩散模型生成预测。方法包含双重不确定性估计（ Aleatoric + Epistemic），在 Electricity、Weather、Traffic 三个时间序列基准上验证。

要点： - 核心问题：时间序列预测的经典方法（ARIMA、Prophet）与深度学习方法（LSTM、Transformer）均依赖内插，对罕见事件/分布外预测能力弱；检索增强提供外推能力 - 核心方案：RAEF = Retrieval-Augmented Epidemiological Forecasting，检索相似时间序列模式作为条件输入，引导扩散模型的条件生成；模型学会何时依赖内部知识、何时依赖检索知识 - 不确定性估计：Aleatoric（数据固有噪声）与 Epistemic（模型不确定性）双重分解，输出预测置信区间 - 实验基准：Electricity（用电负荷）、Weather（气象）、Traffic（交通）三个真实世界数据集 - 与活文档 knowledge/rag.md R63 现有脉络的关系：R63 中无时间序列 RAG 专项条目；本文档是首个时间序列 RAG 应用条目，归入 §2.12 RAG 替代/扩展范式（检索增强扩展到非文本模态）；与 R63 §2 多模态 RAG 邻接（视觉/视频/表格之后的又一非文本 RAG 扩展方向） - 归入节： §2.12 RAG 替代与扩展范式（补充：RAEF 时间序列检索增强扩散预测 + 双重不确定性估计 + 非文本模态扩展）

增量 3 · ⭐⭐ 中 · Query Formulation via RL：LLM 为不同检索器定制 Query 策略（arXiv 2606.16817）

来源： paper_cards/026-2606-16817（主分类 rag）+ Cool Papers cs.IR（2026-08-17 收录） arXiv： 2606.16817v1 主分类： rag；形态： method；副分类： query-formulation, rl, retriever-awareness

TLDR（来源：paper_cards/026）： 本文首次系统分析 LLM 如何通过强化学习学习针对不同 retriever 调整 query 表述策略，并揭示 RL 能有效教会 LLM 根据特定 retriever 特性定制 query。

要点： - 核心问题：同一个 query 表述在不同 retriever（dense / sparse / hybrid）上表现差异显著；现有 RAG 系统使用统一 query，忽视了 retriever 适配性 - 核心方案：用 RL 训练 LLM 生成 retriever-specific query，reward function 包含 retrieval quality（recall/P@K） + answer correctness 两个维度；GRPO 类方法 - 关键洞察：不同 retriever 需要不同的 query 表述策略——例如 sparse retriever（BM25）偏好精确关键词，dense retriever 偏好自然语言完整句；RL 能学到这种隐式策略差异 - 与活文档 knowledge/rag.md R63 现有脉络的关系：R63 §2.3 检索单元 44 件中有 Query Rewriting / HyDE / Query Decomposition 等 query 优化方法；本文档以 RL-based retriever-aware query formulation 补充 §2.3——是现有 query 优化方法的强化学习化，体现 RAG 训练范式的新方向 - 归入节： §2.3 检索单元（补充：Query Formulation via RL + retriever-aware query 生成 + GRPO 类 reward）

增量 4 · ⭐⭐ 中 · Search-R1 续：多轮 RAG 停止判断的结构化方法（arXiv 2608.13237）

来源： Cool Papers cs.IR（2026-08-17）+ stephen/ai-industry-e1prep（沿用 v47 标注） arXiv： 2608.13237v1（已有 v1 版本） 主分类： rag；形态： method/benchmark；副分类： multi-turn-rag, stopping-criteria, search-agent

TLDR（来源：Cool Papers cs.IR 2026-08-17 整理）： 多轮检索增强生成（RAG）需要在证据不断累积时判断何时停止搜索。由于已部署策略由每条轨迹上的首个 STOP 决定——这是一个结构化决策，需要在证据充分性与检索效率之间取得平衡。

要点： - 核心问题：Multi-turn RAG 的停止时机是一个未被系统研究的结构化决策问题；过早停止导致答案不完整，过晚停止造成 token 浪费和推理成本激增 - 核心方案：为 Search-R1 设计的结构化停止判断框架——评估当前检索上下文的证据充分性（answer coverage score）+ 与已有答案的增量信息（marginal relevance）；当增量信息低于阈值时触发停止 - 与活文档 knowledge/rag.md R63 现有脉络的关系：R63 中已有 Search-R1 基础条目（paper_cards 序列号待查）；本文档以停止判断的结构化方法补充 Search-R1——解决了 multi-turn RAG 的最后一个关键工程问题；与 R63 §2.6 运行时（129 件已有框架方法）邻接 - 归入节： §2.6 运行时（补充：Search-R1 停止判断结构化方法 + 证据充分性 + 边际相关性阈值）

二、R63 基线确认（已覆盖条目）

以下条目在本日窗口中再次出现，已在 R63 中有完整记录，无需重复建档：

条目 arXiv R63 状态
Legal RAG Hallucination（#1 高价值） 2608.14210 ✅ R63 评测立标（paper_cards/965 + 5 件 fresh web_search）
Agent Memory Is Not RAG（Substack） — ✅ R63 §2.17 Memory 视角补充
δ-mem 第三条路（Substack） — ✅ R63 立基础延展
OWASP LLM04 — ✅ R63 §2.8 RAG 安全邻接
CSDN RAG 生产实战（LangChain 0.3.14 / ChromaDB 0.6.0） — ✅ R63 §2.12 工程邻接
PathRouter（paper_card 009） 2606.16409 ✅ R63 §2 GraphRAG 方法
SCAR（paper_card 006） 2606.16661 ✅ R63 §2 检索策略
V-RAGBench / VideoRAG（paper_card 007） 2606.13141 ✅ R63 §2 多模态 RAG 基准
StructQuery（Cool Papers 2608.13384） 2608.13384 ✅ R63 §2.3 检索单元（stephe v47 确认沿用）

三、值得警惕的矛盾或待核实说法

  1. ParliamentRAG 泛化性存疑：论文实验仅在意大利众议院单一数据集验证；topic-dependent authority model 是否适用于其他议会/会议场景（如英国下议院、美国国会）未经测试。引用时需注明"单一数据集验证"。

  2. RAEF 时间序列基准规模：论文在 Electricity/Weather/Traffic 三个数据集上验证，但均为公共时序基准，与金融/医疗等高风险时序预测场景差距显著；Claim 级可信度应为"实验验证，需行业数据进一步验证"。

  3. Query via RL（2606.16817）RL 训练成本：论文未披露 RL 训练所需 compute budget；retriever-specific query 策略的 marginal gain 是否值得额外训练成本，需与 R63 §2.3 已有 query rewriting 方法做效率对比。

  4. Search-R1 停止判断阈值敏感性：边际相关性阈值（marginal relevance threshold）需人工设定；在不同领域（法律/医疗/技术文档）阈值差异可能很大，需避免将单一阈值作为通用标准。

四、可引用 arXiv 号列表

arXiv ID 论文/方法 主分类 状态
2608.13410 ParliamentRAG · 政治文档权威感知 RAG rag/systems ✅ net-new 本窗口
2608.14054 RAEF · 时间序列检索增强扩散预测 rag/method ✅ net-new 本窗口
2606.16817 Query Formulation via RL for Different Retrievers rag/method ✅ net-new 本窗口
2608.13237 Search-R1 停止判断结构化方法 rag/method ✅ net-new 本窗口（补档）
2608.14210 Legal RAG Hallucination（Souvick Das et al.） rag/benchmark ✅ R63 立标，沿用
2606.16409 PathRouter · Agentic GraphRAG rag/method ✅ R63 已覆盖
2606.16661 SCAR · Semantic Continuity-Aware Retrieval rag/method ✅ R63 已覆盖
2606.13141 V-RAGBench / VideoRAG rag/benchmark ✅ R63 已覆盖
2605.03344 （RAG 相关基线方法） rag ✅ R63 已有

本窗口新增可引用 arXiv 号（+4）： - 2608.13410（ParliamentRAG） - 2608.14054（RAEF） - 2606.16817（Query via RL） - 2608.13237（Search-R1 stopping criteria）

五、检查来源清单

Tom inbox（今日）： - /inbox/tom/2026-08-18-agent-rag-longcontext-radar.md（8 条候选，3 高价值）

Jay inbox（近 2 天）： - /inbox/jay/2026-08-18T0820-jay-csdn-multimodal-rag-inference-substack-highfreq.md（CSDN RAG 工程实践 + Substack，邻接为主，无 net-new RAG 方法） - /inbox/jay/2026-08-17T1620-jay-csdn-rag-agent-enterprise-architecture-highvalue.md（RAG/Agent 企业架构，邻接为主） - /inbox/jay/2026-08-17-1002-rss-cool-papers-ir.md（cs.IR RSS，5 条含 2608.13384/2608.13237/2608.12987/2608.12986/2608.12845）

Stephen inbox（近 2 天）： - /inbox/stephen/2026-08-17-ai-industry-e1prep.md（确认 2608.13384/2608.13237 邻接，非主轴净增） - /inbox/stephen/2026-08-17-llm-application-e1prep.md（paper_cards backlog 状态） - /inbox/stephen/2026-08-17-2245-stephen-coordination-check-evening.md（8-17 棒间协调）

Paper_cards（近 3 天新卡，RAG 主分类）： - 026-2606-16817（Query Formulation via RL）→ ✅ net-new 增量 3 - 009-2606-16409（PathRouter）→ ✅ R63 已有 - 006-2606-16661（SCAR）→ ✅ R63 已有 - 007-2606-13141（V-RAGBench）→ ✅ R63 已有

Work-queue（今日 08:00）： - work-queue.md（Top 15 trending 无 RAG 主轴净增）

知识基线： - organized/knowledge/rag.md（R63 活文档，已读 §0 + §0.5 + arXiv ID 列表）

六、增量密度评估与 R64 建议

本窗口增量密度：中等（4 条 net-new，2 高 + 2 中）

R63 在 2026-08-17 的极低密度（1 条视角类）之后，今日出现小幅回暖。两条实质 RAG 方法学条目（ParliamentRAG + RAEF）均属垂直域/模态扩展，代表 RAG 正在向非通用场景深化。Query via RL 代表训练范式演进方向，Search-R1 stopping criteria 代表工程闭环补充。

R64 建议优先处理： 1. ParliamentRAG → §2 领域 RAG + 高风险垂直 RAG 双件套 2. RAEF → §2.12 非文本模态扩展 + 时序 RAG 开篇 3. Query via RL → §2.3 query 优化 RL 化 4. Search-R1 stopping → §2.6 工程闭环

边界： 本文件写入 /shared/research-kb/inbox/tom/2026-08-18-rag-e1prep.md，不写入他人目录，不 git commit。