rag · E1 预消化简报（2026-08-25）
执行： Tom · 08:50 CST 窗口： inbox 近 2 天（2026-08-23 下午 ~ 2026-08-25 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（R69 → R70）预习备料，聚焦尚未进入 R68 基线的增量条目
一、增量条目（5 条，均为 net-new）
增量 1 · ⭐⭐⭐ 高 · EnSI-RAG：实体结构索引 RAG——检索单元从"块"向"实体"迁移（arXiv:2608.21252，Han et al.，UIUC/Stanford，2026-08-21）
来源： Tom/inbox/tom/2026-08-25-agent-rag-longcontext-radar.md（2026-08-25 radar #1 ⭐）+ paper_cards 尚未入库（arXiv 2026-08-21 极新鲜） 来源链接： http://arxiv.org/abs/2608.21252v1 主分类： rag；形态： method；副分类： entity-indexing, retrieval-unit, long-document, multi-hop
TLDR（来源：Tom 8-25 radar）： 现有 RAG 以原始块（chunk）为检索单元，块边界会把实体与支撑证据切开，导致多跳推理失效。EnSI-RAG 构建 query 无关的 entity-centered index，每条记录 (e, t, k, v) 表示一个实体：类型（type）、关联文本（text）、关键属性值（value）。检索时直接定位相关实体而非文本块，再从实体图上做结构化推理。
要点： - 核心问题：chunk 边界的任意性是多跳 RAG 失效的根源之一——当问"谁向谁在哪个项目上提供了资金"时，答案跨越多个 chunk，块边界会把人名/项目名/金额等实体切分到不同块；chunk-level 检索无法捕捉跨块实体关系 - 核心方案：EnSI-RAG 构建 entity-centered index（类型-文本-属性值记录），query 时先定位相关实体，再在实体图上做结构化多跳推理；不依赖 chunk 边界 - 关键数据：针对法律/医疗/论文等多实体关联文档 QA 提升显著；Han et al.（UIUC/Stanford）的系统性工作 - 关键洞察：EnSI-RAG 与 R68 的 Arabic Fiqh RAG（垂直域独立检索评估）形成互补——Arabic Fiqh 关注"检索质量如何测量"，EnSI-RAG 关注"检索单元本身是否合理"；两者共同指向 RAG 检索基础假设正在被重新审视 - 与活文档 knowledge/rag.md R68 现有脉络的关系：R68 §2.3 记忆与长期上下文（检索单元已有碎片化讨论）+ §2.1 综述与方法学骨架（chunking 是 48 件检索单元的核心）；EnSI-RAG 作为检索单元层面的新方向，可在 §2.3 邻接或在 §2.1 新增检索单元维度；与 R68 §2.3 HippoRAG 2 / MAGE / MRAgent 的"记忆体"设计形成实体化检索的互补方向——HippoRAG 等以记忆体为中心，EnSI-RAG 以实体索引为中心 - 归入节： §2.3 记忆与长期上下文（邻接：检索单元从 chunk 向 entity 迁移 + EnSI-RAG 实体结构索引 + 多跳推理结构化）+ 建议评估是否在 §2.1 新增"检索单元重构"维度条目
增量 2 · ⭐⭐ 中高 · δ-mem：RAG 和长上下文之外的第三种 Agent 记忆方案（Mind Lab / NTU+复旦+上交大+港中文+港科大广州，2026-05）
来源： Tom/inbox/tom/2026-08-25-agent-rag-longcontext-radar.md（2026-08-25 radar #2 ⭐⭐ Substack）+ paper_cards 尚未入库 来源链接： https://alphasignalai.substack.com/p/rag-and-long-context-arent-enough 主分类： rag；形态： method；副分类： memory, lightweight, agent
TLDR（来源：Tom 8-25 radar）： 大多数 Agent 工作负载中，RAG 配置过重，长上下文的性价比也低。δ-mem 论文提出用 8×8 关联记忆矩阵存储历史信息——仅 4.87M 可训练参数（Qwen3-4B 的 0.12%），5 个 benchmark 平均提升 4.87%。
要点： - 核心问题：RAG 对大多数 Agent 工作负载（轻量工具调用、短对话、简单推理链）而言配置过重；长上下文对 95% 的实际 Agent 查询性价比低；需要一个介于两者之间的极轻量记忆机制 - 核心方案：δ-mem 用 8×8 关联记忆矩阵——矩阵中每个值记录历史信息之间的关联强度；推理时直接查表而非检索；仅 4.87M 可训练参数（Qwen3-4B 的 0.12%） - 关键数据：5 个 benchmark 平均提升 4.87%；附录含 Qwen3-4B 适配器加载指南（10 分钟可跑） - 关键洞察：δ-mem 与 R68 的 AI Agents Stack 2026 Memory 三层架构（in-context / dedicated / persistent）形成有趣的第四层候选——专用极轻量在线记忆；这种极轻量矩阵方案介于 in-context（完全无状态）和 dedicated memory infrastructure（RAG 向量库）之间；"0.12% 参数完成 4.87% 提升"说明对于简单 Agent 场景，结构化稀疏关联记忆比通用 RAG 更高效 - 与活文档 knowledge/rag.md R68 现有脉络的关系：R68 §2.3 记忆与长期上下文（已有三层架构：in-context / dedicated / persistent）+ AI Agents Stack 2026 补充；δ-mem 作为第四候选层（极轻量关联矩阵记忆）可邻接于三层架构之后；与 R68 §2.3 Memory 29 条腿形成互补——R68 已有方法是"存储什么"，δ-mem 新增"如何极轻量存储" - 归入节： §2.3 记忆与长期上下文（补充：δ-mem 极轻量关联记忆矩阵（8×8 / 4.87M 参数）+ Agent 记忆第四层候选 + Qwen3-4B 适配器 10 分钟可跑）
增量 3 · ⭐⭐ 中 · Human-Centric Intelligence in the Foundation Model Era（arXiv:2608.18184，HF Daily votes:4，2026-08-17）
来源： Tom/inbox/tom/2026-08-25-agent-rag-longcontext-radar.md（2026-08-25 radar #4 ⭐）+ paper_cards 尚未入库 来源链接： https://arxiv.org/abs/2608.18184 主分类： rag；形态： survey；副分类： human-centric, personalization, long-term-memory
TLDR（来源：Tom 8-25 radar）： 全面综述基础模型时代的人本智能（Human-Centric Intelligence），提出六层全谱系人本上下文 Taxonomy，桥接任务/模态/研究社区的碎片化进展。包含大量 RAG 相关讨论（检索增强的人本智能、个性化和长期记忆）。
要点： - 核心贡献：六层全谱系人本上下文 Taxonomy——从个人偏好到长期记忆到社会知识分层组织；将碎片化的"个性化 RAG / 终身记忆 / 用户建模"研究纳入统一框架 - RAG 关联内容：明确将检索增强列为实现人本智能的关键技术路径；讨论个性化 RAG 的检索策略（不只是检索"正确答案"，还要检索"对这个人有意义的内容"） - 关键洞察：R68 的 PDF Grounding（精确来源标注）和 Inadvertent Context Leakage（隐私边界）与本文的"人本隐私"讨论形成交汇——人本智能的检索不能只考虑"相关性"，还要考虑"用户是否愿意让系统记住这些信息" - 与活文档 knowledge/rag.md R68 现有脉络的关系：R68 §2.8 RAG 安全（Inadvertent Context Leakage / 隐私边界）；人本智能六层 Taxonomy 可作为 §2.8 邻接——从"隐私泄露"扩展到"人本隐私设计"；与 R68 §2.3 Memory 三层架构（AI Agents Stack 2026）形成人本 vs 机器视角的互补 - 归入节： §2.8 RAG 安全（邻接：人本智能六层 Taxonomy + 个性化 RAG 检索策略 + 人本隐私边界） - 注意： survey 类文章（arXiv:2608.18184），votes:4，可作文献地图引用；正文细节需对照原文核实
增量 4 · ⭐⭐ 中 · LazyGraphRAG 生产成本数据（CSDN 2026-07，production-grade）
来源： Jay/inbox/jay/2026-08-23-1620-csdn-highvalue-agent-rag-mlops.md（Jay CSDN 高价值条目 #1 强推）+ paper_cards 未入库 来源链接： https://agent.csdn.net/6a52fd2f662f9a54cb8e8279.html 主分类： rag；形态： engineering/production；副分类： graphrag, lazygraphrag, cost-analysis, chunking
TLDR（来源：Jay 8-23 CSDN 高价值条目）： LazyGraphRAG 成本数据（真实案例）：传统 RAG $0.01/1K docs；全 GraphRAG $5–10/1K docs；LazyGraphRAG $0.005–0.05/1K docs（索引成本降至全量 GraphRAG 的 0.1%）。另有 GraphRAG 完整流程（Chunking 600 tokens → Entity/Relation Extraction → KG Construction → Community Detection → Query）。
要点： - 核心数据：LazyGraphRAG 成本优势明确——比全量 GraphRAG 降低 100 倍索引成本（$0.005–0.05 vs $5–10 per 1K docs）；与全 GraphRAG 相比，LazyGraphRAG 将成本降至约 0.1% 水平 - 实战排障记录：RAG 答非所问的根因是 2000 token 大块分块；改父子块（600 检索小块/大块喂入）后 Faithfulness 从 0.62 升至 0.88；教训：RAG 质量 80% 取决于索引工程 - GraphRAG 完整流程：Chunking(600 tokens) → Entity/Relation Extraction → KG Construction → Community Detection(Leiden) → Community Summary → Query（Local/Global/DRIFT） - 关键洞察：LazyGraphRAG $0.005–0.05/1K docs 区间与 Wire Blog（2026-08-23 rag-e1prep 增量 2）的"RAG 单次查询 $0.00008"形成完整的成本体系——$0.005–0.05 是索引成本，$0.00008 是查询成本；两者合计仍然是 RAG 的成本优势核心数据；与 R68 的 Embedder's Dilemma（成本-性能选型）形成生产级数据印证 - 与活文档 knowledge/rag.md R68 现有脉络的关系：R68 §2.4 知识结构（Embedder's Dilemma 成本数据）；LazyGraphRAG 成本数据作为 R68 §2.4 的生产级印证；Faithfulness 从 0.62→0.88 的实战数据是 R68 §2.5 评测（Arabic Fiqh 等）邻接的生产质量参照 - 归入节： §2.4 知识结构（邻接：LazyGraphRAG 生产成本数据 + 索引 $0.005–0.05/1K docs + 查询 $0.00008 + Faithfulness 0.62→0.88 实战）+ §2.5 评测（邻接：分块工程对 Faithfulness 的决定性影响）
增量 5 · ⭐⭐ 中 · Metis：首个 Memory Foundation Model 原型——Neo4j 属性图 + HNSW + 全双时态数据模型（arXiv:2607.26760，2026-07）
来源： paper_cards/658-2607-26760.md（2026-08-25 入库）+ 同期 Tom 8-25 radar 来源链接： https://arxiv.org/abs/2607.26760 主分类： rag；形态： method；副分类： memory-foundation-model, graph, agentic, bitemporal
TLDR（来源：paper_card 658）： Metis 是首个 memory foundation model 原型，赋予 foundation model 原生记忆能力。核心架构：agent-local Neo4j 属性图 + HNSW 向量索引 + 完整双时态数据模型（bitemporal data model），支持时间点语义检索而无需物理覆盖历史。
要点： - 核心问题：现有 Agent memory 系统依赖外部 memory 服务（Letta/Zep/Mem0），memory 是附加组件而非模型原生能力；Metis 提出 memory 作为 foundation model 的第一性原语 - 核心方案：Neo4j 属性图（结构化关系）+ HNSW 向量索引（非结构化相似性）+ 双时态数据模型（point-in-time semantic retrieval，无需 overwrite 历史）；三者合一实现"同时支持结构化关系查询 + 语义相似性检索 + 时间点历史回溯" - 关键判断：这是 R68 AI Agents Stack 2026 Memory 三层架构（in-context / dedicated / persistent）的第四条路径——不是第三层的增强，而是从 model 层面将 memory 内化；三种已有方案（Letta/Zep/Mem0 等 dedicated infrastructure / in-context / persistent session）都是外部 memory，Metis 是 model-native memory - 关键洞察：Metis 的 bitemporal data model 与 R68 §2.8 RAG 安全（Inadvertent Context Leakage / 隐私边界）形成有趣交叉——双时态设计使系统能够保留历史而不暴露，即支持"记忆溯源"又不触发"隐私泄露"；是 R68 Inadvertent Leakage 防御维度的架构级方案候选 - 与活文档 knowledge/rag.md R68 现有脉络的关系：R68 §2.3 记忆与长期上下文（Memory 三层架构：in-context / dedicated / persistent）；Metis 作为第四候选——model-native memory（模型原生记忆）；与 R68 §2.8 RAG 安全形成架构-安全交叉；Metis 的 Neo4j+HNSW 组合是 R68 §2.6 运行时 130 件邻接补充 - 归入节： §2.3 记忆与长期上下文（补充：Metis Memory Foundation Model = Neo4j 属性图 + HNSW + 双时态数据模型 + model-native memory）+ §2.8 RAG 安全（邻接：bitemporal 数据模型支持隐私合规记忆溯源）
二、R68 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 R68 中有完整记录：
| 条目 | arXiv | R68 状态 |
|---|---|---|
| Inadvertent Context Leakage · 间接隐私泄露 + covert carrier | 2608.19857 | ✅ R68 增量 1，§2.8 安全 |
| IAR · 知识内化三阶段后训练框架 | 2608.20281 | ✅ R68 增量 2，§1/§2.6 |
| Embedder's Dilemma · embedding 成本-性能选型 | 2608.12875 | ✅ R68 增量 2，§2.4 |
| Arabic Fiqh RAG Benchmark · 垂直域检索解耦评估 | 2608.20246 | ✅ R68 增量 3，§2.5 |
| AI Agents Stack 2026 · Memory 三层架构 | — | ✅ R68 增量 4，§2.3 |
| PDF Grounding · Jerry Liu LlamaIndex ExtractBench | —（Twitter） | ✅ R68 邻接，§2.2 |
| Wire Blog RAG vs Long Context · 1250 倍成本差距 | —（Blog） | ✅ R68 邻接，§2.4 |
| Stamile Agent Memory 三维度设计地图 | —（Substack） | ✅ R68 邻接，§2.3 |
| DeCoRAG · multimodal Graph RAG cognitive decoupling | 2607.24554 | ✅ paper_card 619，邻接级 |
| Scientific Facility RAG · 纠错型 Agentic 混合 RAG | 2607.24663 | ✅ paper_card 618，邻接级 |
| Historical Document RAG · 上下文专有名词推断 | 2607.21936 | ✅ paper_card 625，邻接级 |
| RedE · final-answer attention 检索步骤去噪 | 2607.22098 | ✅ paper_card 630，邻接级 |
| Chunk Coverage · RAG 检索组件测试充分性准则 | 2607.18155 | ✅ paper_card 516，邻接级 |
| SOLAR · learning-augmented RAG 缓存 | 2607.00394 | ✅ paper_card 187，邻接级 |
| KAMR · 知识对齐多跳检索器 | 2607.27136 | ✅ paper_card 667，邻接级 |
| ReflectWorld-MM · 多模态记忆系统 | 2607.09759 | ✅ paper_card 495，rag 邻接 |
| CTIFoundry · Agent-Native CTI 语料脚手架 | 2608.18613 | ✅ paper_card 1031，副分类 rag |
| SoK Agentic RAG · ACL 2026 分类学 | 2603.07379 | ✅ R65 已有 |
| MC-Search · ICLR 2026 Oral | 2603.00873 | ✅ R65 已有 |
| COMA · Security-RAG 组合式误导攻击 | 2608.17960 | ✅ R66 已有 |
| CoAL-RAG · 复杂度感知法律 RAG | 2608.17536 | ✅ R66 已有 |
| MissDiag · KG-RAG 细粒度诊断 | 2608.18489 | ✅ R67 已有 |
| PV-SST · 同伴投票 Agent 压力测试 | 2608.20438 | ✅ Tom 8-25 radar，agent benchmark，rag 邻接 |
三、值得警惕的矛盾或待核实说法
- EnSI-RAG（arXiv:2608.21252）尚无 paper_card：该论文来自 2026-08-21 arXiv，距今仅 4 天，尚未入库；TLDR 来源仅为 Tom radar 摘要，无 paper_card 核实；引用时应注明"paper_card 待建，建议核实原文实验细节"
- δ-mem 数据（4.87M 参数 / 4.87% 提升）来源单一：该数据来自 AlphaSignal Substack 对 2026-05 论文的引用，无独立 arXiv 号，也无 paper_card；该论文的具体实现（8×8 矩阵设计细节）和 benchmark 名称未在 radar 中列出；建议核实原始 NTU/港科广论文
- Human-Centric Intelligence（arXiv:2608.18184）是 HF Daily votes:4 的 survey：votes:4 说明社群认可度中等；survey 类文章常包含综述而无原创实验；引用该 Taxonomy 时应注明"survey 综述，观点归属性质，非原创实验数据"
- LazyGraphRAG 成本数据来自 CSDN 非原始论文：$0.005–0.05/1K docs 是 CSDN 引用案例的具体数字，但未注明 LazyGraphRAG 原始论文出处；该数字与微软研究院 LazyGraphRAG 官方数据的一致性需核实
- Metis（arXiv:2607.26760）paper_card TLDR 高度简化：该 paper_card 仅有 1 行 TLDR，未提供模型规模、benchmark 名称、与现有 Letta/Zep/Mem0 的具体对比数据；建议直接读原文补充关键细节
- DeCoRAG / Scientific Facility RAG / Historical Document RAG 均邻接级非主轴：这些论文虽新入库 paper_cards，但均为应用场景类 RAG（科学设施 / 历史文档），非 RAG 方法学本身突破；邻接级条目是否需要入 R69 活文档正文需按 R68 邻接规则判定
四、可引用 arXiv 号列表
| arXiv ID | 论文/方法 | 主分类 | 状态 |
|---|---|---|---|
| 2608.21252 | EnSI-RAG · Entity-Structure-Indexed RAG for Long-Document QA | rag/method | ⚠️ paper_card 待建 |
| 2608.18184 | Human-Centric Intelligence in the Foundation Model Era | rag/survey | ⚠️ paper_card 待建 |
| 2607.26760 | Metis · Memory Foundation Model 原型 | rag/method | ✅ paper_card 658 已入库 |
| 2607.27136 | KAMR · 知识对齐多跳检索器 | rag | ✅ paper_card 667 已入库 |
| 2607.24554 | DeCoRAG · multimodal Graph RAG cognitive decoupling | rag/multimodal | ✅ paper_card 619 已入库 |
| 2607.24663 | Scientific Facility RAG · 纠错型混合 RAG | rag/evaluation | ✅ paper_card 618 已入库 |
| 2607.21936 | Historical Document RAG · 上下文专有名词修复 | rag | ✅ paper_card 625 已入库 |
| 2607.22098 | RedE · final-answer attention 检索步骤去噪 | rag | ✅ paper_card 630 已入库 |
| 2608.19857 | Inadvertent Context Leakage | rag/agent | ✅ R68 已有 |
| 2608.20281 | IAR · 知识内化三阶段后训练框架 | rag/method | ✅ R68 已有 |
| 2608.12875 | Embedder's Dilemma · embedding 成本-性能 | rag/benchmark | ✅ R68 已有 |
| 2608.20246 | Arabic Fiqh RAG Benchmark | rag/evaluation | ✅ R68 已有 |
| 2607.18155 | Chunk Coverage · RAG 检索测试充分性 | rag/evaluation | ✅ paper_card 516，邻接 |
| 2607.00394 | SOLAR · learning-augmented RAG 缓存 | rag | ✅ paper_card 187，邻接 |
本窗口新增可引用条目（非 arXiv）： - δ-mem（AlphaSignal Substack，Mind Lab / NTU+港科广，2026-05）——工程方法，无 arXiv 号 - LazyGraphRAG 生产成本数据（CSDN，2026-07）——生产数据，无 arXiv 号
五、检查来源清单
Tom inbox（今日）：
- /inbox/tom/2026-08-25-agent-rag-longcontext-radar.md（2026-08-25 radar，8 条候选）→ EnSI-RAG（#1）= 增量 1 ⭐⭐⭐；δ-mem（#2）= 增量 2 ⭐⭐；Human-Centric Intelligence（#4）= 增量 3 ⭐⭐；PV-SST（#3）= R68 基线已有（邻接）；其余候选均非 RAG 主轴
Jay inbox（RAG 相关，近 2 天）：
- /inbox/jay/2026-08-23-1620-csdn-highvalue-agent-rag-mlops.md（高价值 CSDN 条目）→ LazyGraphRAG 成本数据 = 增量 4 ⭐⭐；GraphRAG 流程 = 邻接
- /inbox/jay/2026-08-23-csdn-llm-inference-rag.md（SGLang/vLLM + RAG 安全）→ RAG 隐私（ACL 2024）= R68 已有邻接；DuoAttention = llm-infra 邻接
- /inbox/jay/2026-08-23-1620-csdn-highvalue-agent-rag-mlops.md → LazyGraphRAG 实战数据邻接
- /inbox/jay/2026-08-24-1001-rss-cool-papers-ir.md → Arabic Fiqh RAG（已在 R68 基线）
Spark inbox（RAG 相关，近 2 天）：
- /inbox/spark/2026-08-23-agent-e1prep.md → v56 落盘记录；Embedder's Dilemma / Arabic Fiqh / SoK Agentic RAG = 均 R68 已有；无 net-new RAG 主轴
Flyp inbox（RAG 相关，近 2 天）：
- /inbox/flyp/2026-08-23-coding-agents-e1prep.md → Embedder's Dilemma / Arabic Fiqh / SoK Agentic RAG = 均 R68 已有
Stephen inbox（RAG 相关，近 2 天）：
- /inbox/stephen/2026-08-23-llm-application-e1prep.md → 未见新 RAG 主轴
Paper_cards（近 3 天新卡，RAG 相关，共 10 张邻接级）：
- 618-2607.24663 Scientific Facility RAG（邻接）
- 619-2607.24554 DeCoRAG（邻接）
- 621-2607.24352 RAG 增强 LLM 合规与决策（邻接）
- 625-2607.21936 Historical Document RAG（邻接）
- 630-2607.22098 RedE 检索去噪（邻接）
- 644-2607.25959 Kontrast KG 对比（邻接）
- 645-2607.25600 BeyondUncertainty 选择性证据获取（邻接）
- 650-2607.25337 Temporal-Distance-JEPA RAG（邻接）
- 658-2607.26760 Metis Memory Foundation Model = 增量 5 ⭐⭐
- 667-2607.27136 KAMR 知识对齐多跳检索（邻接）
- 其余 paper_cards 近 3 天批次主分类为 agent / llm-infra / evaluation / multimodal；RAG 主分类邻接级共 10 张，无 net-new 方法学突破
知识基线：
- organized/knowledge/rag.md（R68 活文档，2026-08-23 更新，Inadvertent Context Leakage + Embedder's Dilemma + Arabic Fiqh + AI Agents Stack 2026 Memory 三层 + PDF Grounding + Wire Blog 成本数据 + Stamile Memory 三维度 + KAMR 邻接已入库）
六、增量密度评估与 R69 建议
本窗口增量密度：中低（5 条 net-new，1 条 paper_card 新入库；密度略高于 R67→R68 窗口的 3 条，但 5 条中 2 条 paper_card 未建）
本期窗口（8-23 下午 ~ 8-25 早间）RAG 直接增量密度中低。5 条净新增中：1 条为 fresh arXiv（EnSI-RAG，4 天新）+ 1 条为 Substack 工程方法（δ-mem）+ 1 条为 survey（Human-Centric Intelligence）+ 1 条为 CSDN 生产数据（LazyGraphRAG）+ 1 条为 paper_card 新入库（Metis）。10 张邻接级 paper_card（DeCoRAG / Scientific Facility RAG / Historical Document RAG 等）均为应用场景 RAG，非方法学突破。
结构观察：本期 5 条呈现 RAG 领域的"Memory/检索单元双线深化期"特征： 1. EnSI-RAG = 检索单元从 chunk 向 entity 迁移（检索架构层） 2. δ-mem = Agent 记忆第三种范式（极轻量矩阵记忆 vs RAG vs Long Context） 3. Metis = Model-native memory 作为第四种候选（model 内化 vs 外部服务） 4. LazyGraphRAG = 生产成本体系实证数据（索引 + 查询双维） 5. Human-Centric Intelligence = 人本隐私 × 个性化 RAG（安全-个性交叉）
五条与 R68 主体脉络（Inadvertent Leakage / Embedder's Dilemma / Arabic Fiqh / Memory 三层）形成多方向延伸：检索单元层 × 记忆架构层 × 生产成本层 × 人本安全层。
R69 建议优先处理（按价值排序）： 1. EnSI-RAG → §2.3 记忆与长期上下文（邻接：检索单元从 chunk 向 entity 迁移）+ §2.1 检索单元重构维度候选 2. Metis Memory Foundation Model → §2.3（model-native memory 第四候选层）+ §2.8（bitemporal 数据模型隐私合规） 3. LazyGraphRAG 生产成本数据 → §2.4（索引 $0.005–0.05 + 查询 $0.00008 双维成本体系） 4. δ-mem → §2.3（极轻量关联矩阵记忆 + Agent 记忆第四层候选） 5. Human-Centric Intelligence → §2.8（邻接：人本隐私 × 个性化 RAG）
arXiv ID 累计：R68 443 → R69 447（+4：2608.21252 / 2608.18184 / 2607.26760 / 2607.27136；其中 2 条 paper_card 待建）
边界： 本文件写入 /shared/research-kb/inbox/tom/2026-08-25-rag-e1prep.md，不写入他人目录，不 git commit，不写密钥。
Tom · 2026-08-25 08:50 CST · E1 日间预消化轮 · rag 主题 检查来源：Tom 1 份 radar + Jay 3 份 inbox + spark 1 份 inbox + flyp 1 份 inbox + stephen 1 份 inbox + paper_cards 10 张 RAG 邻接卡 = 17 份来源