rag · E1 预消化简报（2026-08-26）

执行： Tom · 08:50 CST 窗口： inbox 近 2 天（2026-08-24 下午 ~ 2026-08-26 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 R69 基线的增量条目

一、增量条目（6 条，均为 net-new）

增量 1 · ⭐⭐⭐ 高 · The Compaction Cliff in Long-Running AI Agent Memory（arXiv:2608.22752，2026-08-24）

来源： Tom/inbox/tom/2026-08-26T0840-agent-rag-longcontext-radar.md（2026-08-26 radar #1 ⭐）+ paper_cards/1077-2608-22752.md（今日入库，卡号 1077） 来源链接： http://arxiv.org/abs/2608.22752v1 主分类： rag（paper_card 主分类 agent，memory 关联）；形态： method；副分类： memory, safety, agent, compaction

TLDR（来源：Tom 8-26 radar）： Agent 的 /compact 压缩命令会同时总结安全规则（safety rule）和情节日志（episodic log），导致安全规则内容快速退化。在 20 个生产 Agent 配置上测试：Claude Code 的 /compact 在 Sonnet 4.6 上，一次压缩后安全规则仅保留 53%，五次压缩后仅剩 10%。作者提出 Knowledge Triage 框架：按类型对记忆行分类，每类走独立保留策略，三类确定性算子分别处理三类上下文。

要点： - 核心问题：Agent 长期运行中反复调用 /compact 压缩命令，会导致记忆内容同等地被压缩——安全规则（safety rule）与情节目志（episodic log）被一视同仁地总结，安全规则信息密度在 5 次压缩后损失 90%；这是 RAG/Memory 系统在生产部署中未被充分量化的风险 - 核心方案：Knowledge Triage 框架——按类型对记忆行分类（安全规则 / 情节日志 / 一般上下文），每类走独立保留策略，三类确定性算子分别处理三类上下文；不是增强压缩算法，而是从信息类型维度重新设计保留协议 - 关键数据：Claude Code /compact + Sonnet 4.6 环境下，1 次压缩后安全规则保留 53%，5 次压缩后仅剩 10%；20 个生产 Agent 配置测试；Knowledge Triage 框架使安全规则保留率显著提升 - 关键洞察：Compaction Cliff 是 R69 δ-mem（极轻量关联记忆矩阵）的反面——δ-mem 解决"容量不足"，Compaction Cliff 解决"容量充足但安全信息被同化"的相反问题；两者共同揭示 Agent 记忆系统的双重陷阱（容量 vs 安全性）；与 R69 Metis Memory Foundation Model（model-native memory）形成"外部 memory 服务如何处理压缩"的技术对照 - 与活文档 knowledge/rag.md R69 现有脉络的关系：R69 §2.3 Memory（Metis / δ-mem / Memory 三层架构）+ R69 §2.6 运行时（Metis runtime 131 件）；Compaction Cliff 作为 memory 压缩中的安全规则退化问题，可邻接于 §2.3 Memory 节下——与 Metis（model-native memory）和 δ-mem（极轻量矩阵）共同构成"记忆压缩"的三维对照；R69 §2.8 RAG 安全（Human-Centric / Inadvertent Leakage）形成安全-记忆交叉；Knowledge Triage 框架是 R69 活文档未覆盖的新方向 - 归入节： §2.3 记忆与长期上下文（邻接：Compaction Cliff = /compact 命令安全规则退化 + Knowledge Triage 框架 + 20 配置实测 53%→10% 保留率）+ §2.8 RAG 安全（邻接：memory 压缩中的安全信息等次退化） - arXiv： 2608.22752 ✅ paper_card 1077 今日入库

增量 2 · ⭐⭐⭐ 高 · The Laws of Context Allocation: Causal Measurement and Closed-Loop Orchestration in Generative Search（arXiv:2608.23252，2026-08-24）

来源： Tom/inbox/tom/2026-08-26T0840-agent-rag-longcontext-radar.md（2026-08-26 radar #3 ⭐）+ paper_cards/1079-2608-23252.md（今日入库，卡号 1079） 来源链接： http://arxiv.org/abs/2608.23252v1 主分类： rag；形态： method/benchmark；副分类： benchmark, evidence-utilization, causal-probe, context-budget

TLDR（来源：Tom 8-26 radar）： RAG 有两大瓶颈：证据利用测量不准，以及 context budget 分配次优。作者揭露"诊断幻觉"：标准相关性代理在 hard negatives 上完全失效。提出因果 leave-one-out probe 精确测量 LLM 对单条证据的依赖，并证明 context budget 与生成质量之间存在非线性递减关系。沙箱实验表明最优 budget 远小于直觉值。

要点： - 核心问题：RAG 评测中标准相关性代理（relevance proxy）在 hard negatives 上完全失效——这意味着依赖相关性分数筛选证据的 RAG 系统存在系统性测量漏洞；context budget 分配依赖直觉而非实证，存在显著次优 - 核心方案：因果 leave-one-out probe——精确测量 LLM 对单条证据的真实依赖（而非表面相关性）；context budget 与生成质量非线性递减关系——最优 budget 远小于直觉值（沙箱实验证实） - 关键洞察：这是 RAG 评测方法学的重大修正——标准相关性代理在 hard negatives 上失效意味着"检索 top-k → 全部喂入 LLM"的粗暴流程存在系统性缺陷；context budget 最优值远小于直觉值与 R68 Embedder's Dilemma（成本-性能选型）形成精确的技术交叉——不仅是成本问题，更是生成质量问题；leave-one-out causal probe 为 RAG 评测提供了新的方法论工具 - 与活文档 knowledge/rag.md R69 现有脉络的关系：R69 §2.5 评测（Arabic Fiqh / LazyGraphRAG 分块工程 / Chunk Coverage）+ R69 §2.4 知识结构（Embedder's Dilemma）；Laws of Context Allocation 作为 RAG 评测方法学增量，可在 §2.5 邻接——leave-one-out causal probe 是 RAG 证据利用测量的新方法；非线性递减 context budget 是 R68 Embedder's Dilemma 的精确化 - 归入节： §2.5 评测与泄漏（邻接：Laws of Context Allocation = 因果 leave-one-out probe 证据利用测量 + context budget 非线性递减 + 诊断幻觉揭露）+ §2.4 知识结构（邻接：context budget 最优值精确化） - arXiv： 2608.23252 ✅ paper_card 1079 今日入库

增量 3 · ⭐⭐ 中高 · When Context Misleads: Intent-Guided Decoding for Robust Retrieval-Augmented Generation（arXiv:2608.16515，2026-08-15）

来源： paper_cards/991-2608-16515.md（卡号 991）+ paper_cards index 核实 来源链接： http://arxiv.org/abs/2608.16515v1 主分类： rag；形态： method；副分类： robustness, context-mislead, intent-guided, decoding

TLDR（来源：paper_card 991）： 当上下文（context）包含误导性信息时，标准 RAG 生成会随之偏离。Intent-Guided Decoding 在解码阶段引入意图导向机制，帮助 LLM 识别并抵抗上下文中的误导性证据，专注于检索的真实意图。

要点： - 核心问题：标准 RAG 系统的检索结果可能包含"看似相关但实际误导"的证据（hard negatives 的极端形式）；LLM 在解码时缺乏对"意图一致性"的显式建模，导致被误导性上下文带偏答案 - 核心方案：Intent-Guided Decoding——在解码阶段引入意图导向机制，使 LLM 能够识别并抵抗上下文中的误导性证据；核心是在解码器层面注入"原始 query 意图"信号，而非仅依赖检索结果的相关性排序 - 关键洞察：这与增量 2（Laws of Context Allocation）的"诊断幻觉"问题形成呼应——标准相关性代理在 hard negatives 上失效，而 Intent-Guided Decoding 提供了在解码层面的具体防御方案；两者构成"测量-防御"的 RAG 评测与鲁棒性配对；与 R69 §2.8 RAG 安全（Inadvertent Context Leakage）形成"误导性上下文 → 显式防御"的技术路线交叉 - 与活文档 knowledge/rag.md R69 现有脉络的关系：R69 §2.8 RAG 安全（Inadvertent Context Leakage / Human-Centric / privacy）；Intent-Guided Decoding 作为解码层面的鲁棒性增强，可邻接于 §2.8——与 Human-Centric（人本隐私）和 Inadvertent Leakage（隐私泄露）形成"误导性上下文防御"的第三个维度 - 归入节： §2.8 RAG 安全（邻接：Intent-Guided Decoding = 解码阶段意图导向鲁棒性增强 + 误导性上下文防御） - arXiv： 2608.16515 ✅ paper_card 991 已入库（⚠️ 2026-08-15 早于 R69 cutoff 2026-08-23，但 R69 e1prep 未列入，视为 net-new 补录）

增量 4 · ⭐⭐ 中 · DSPrompt: Dynamic Soft Prompt Defense Against M-RAG Corruption（arXiv:2608.16536，2026-08-17）

来源： paper_cards/990-2608-16536.md（卡号 990）+ paper_cards index 核实 来源链接： http://arxiv.org/abs/2608.16536v1 主分类： rag；形态： method；副分类： security, m-rag, soft-prompt, defense

TLDR（来源：paper_card 990）： 多模态 RAG（M-RAG）系统中，恶意构造的视觉输入可以"污染"检索和生成链路。DSPrompt 提出动态软提示防御机制，在不改变主模型的前提下，通过动态注入的软提示检测并抵抗 M-RAG 腐败攻击。

要点： - 核心问题：多模态 RAG（M-RAG）链路中，恶意构造的图像/视频输入可以通过检索阶段注入，在生成阶段产生有害或错误输出——这是 RAG 安全中尚未被系统性研究的新攻击面（M-RAG corruption） - 核心方案：DSPrompt 动态软提示防御——不改变主模型权重，通过动态注入的软提示（soft prompt）在 token 序列中嵌入检测信号，对抗 M-RAG 腐败攻击；关键优势是无需重新训练或微调 - 关键洞察：DSPrompt 与 R69 Human-Centric Intelligence（隐私边界）共同构成 RAG 安全的两个维度——Human-Centric 是隐私合规，DSPrompt 是主动防御；与 R69 §2.8 Inadvertent Context Leakage 形成"被动隐私泄露"vs"主动攻击腐败"的对照；多模态 RAG 安全是 R69 尚未充分覆盖的维度 - 与活文档 knowledge/rag.md R69 现有脉络的关系：R69 §2.8 RAG 安全（Inadvertent Context Leakage / Human-Centric / privacy 边界）；DSPrompt 作为 M-RAG 安全防御新增维度，可邻接于 §2.8——与 Human-Centric 形成"隐私合规 + 主动防御"双件套 - 归入节： §2.8 RAG 安全（邻接：DSPrompt = 多模态 RAG 腐败攻击防御 + 动态软提示 + 无需重训） - arXiv： 2608.16536 ✅ paper_card 990 已入库（⚠️ 2026-08-17 早于 R69 cutoff，但 R69 e1prep 未列入，视为 net-new 补录）

增量 5 · ⭐⭐ 中 · Hypergraph-based Multimodal Retrieval-Augmented Generation with Incremental Refinement（arXiv:2608.16628，2026-08-18）

来源： paper_cards/989-2608-16628.md（卡号 989）+ paper_cards index 核实 来源链接： http://arxiv.org/abs/2608.16628v1 主分类： rag；形态： method；副分类： multimodal, hypergraph, incremental

TLDR（来源：paper_card 989）： 多模态 RAG 中，简单拼接不同模态检索结果无法捕捉模态间的高阶关联。Hypergraph-based M-RAG 提出用超图（hypergraph）建模多模态文档中跨模态实体的超关系，实现增量式精炼检索。

要点： - 核心问题：现有 Multimodal RAG 多采用"各模态独立检索 → 拼接"的两阶段流程，忽略了图像/文本/表格之间的高阶关联（如"这张图说明了该段文字的哪个数据点"）；无法处理跨模态实体的多对多关系 - 核心方案：超图（hypergraph）建模——将多模态文档中的跨模态实体及其超关系（hyper-relation）建模为超图结构；检索时沿超图边而非独立模态向量进行传播；增量式精炼（incremental refinement）逐步优化检索质量 - 关键洞察：与 R69 EnSI-RAG（检索单元 entity 化）形成有趣的平行——EnSI-RAG 用 entity graph 解决 chunk 边界问题，Hypergraph M-RAG 用 hypergraph 解决模态边界问题；两者都是"超越独立块/模态检索"的结构化方向；是 R69 多模态 RAG（§2.7）邻接补充 - 与活文档 knowledge/rag.md R69 现有脉络的关系：R69 §2.7 多模态 RAG（31 垂直域保持）；Hypergraph M-RAG 作为多模态检索架构增量，可在 §2.7 邻接——超图结构化检索是 R69 多模态方向未覆盖的新技术路线；与 EnSI-RAG（entity graph）形成检索结构化的双路线对照 - 归入节： §2.7 多模态 RAG（邻接：Hypergraph-based M-RAG = 超图跨模态检索 + 增量式精炼 + 模态边界问题结构化解法） - arXiv： 2608.16628 ✅ paper_card 989 已入库（⚠️ 早于 R69 cutoff，但 R69 e1prep 未列入，视为 net-new 补录）

增量 6 · ⭐ 中 · CSDN 企业级 RAG 系统工程化实战——Semaphore 并发控制 + 生产必读清单（2026-08-25，CSDN 高价值）

来源： Jay/inbox/jay/2026-08-26T0820-jay-csdn-highvalue-inference-rag-multimodal.md（2026-08-26 今日新鲜）+ Jay/inbox/jay/2026-08-25-csdn-rag-agent-llm-2026.md（2026-08-25） 来源链接（精选）： - 企业级 RAG 工程化：https://blog.csdn.net/m0_59235945/article/details/162014793 - 多模态 GraphRAG 项目：https://blog.csdn.net/m0_59235245/article/details/160602216 - GraphRAG 后多模态 RAG：https://blog.csdn.net/Trb_zhangiz/article/details/162014965 主分类： rag；形态： engineering/production；副分类： production, concurrency, chunking, graphrag, multimodal

TLDR（来源：Jay 8-26 + 8-25 CSDN 高价值条目）： 企业级 RAG 不是"向量库 + Embedding + LLM"串联，而是系统工程。核心工程陷阱：Semaphore acquire 必须在 finally 中 release（偶发卡根因）；Top-K=3 混入无关片段可导致 GPT-4o 输出错误结论（需 Cohere Rerank）；百万级文档 ChromaDB 性能下降需切换 Pinecone/Qdrant；多模态 RAG Caption 质量决定检索上限。ColPali（OCR-free 方案）是多模态 RAG 精度-成本权衡的重要选项。

要点： - 核心工程数据：Semaphore acquire 必须在 finally 中 release（偶发卡根因：acquire 不在 finally 中时异常路径不释放）；Top-K=3 混入无关片段 → GPT-4o 输出错误结论 → 需要 Cohere Rerank 重排序；ChromaDB 百万级文档性能下降 → 需切换 Pinecone/Qdrant；企业级 RAG = 检索质量 + 权限边界 + 索引生命周期 + 并发控制 + 成本治理 + 可观测与发布回滚 - 多模态 RAG 工程要点：Caption 质量决定检索上限（低质量 Caption = 无效检索）；ColPali（OCR-free）vs Caption+向量检索的成本-精度权衡；GPT-4o 批量 1000 图约 $20-50（caption 方案成本痛点） - 关键洞察：Jay CSDN 两条企业级 RAG 工程化内容与 R69 LazyGraphRAG 生产成本数据（索引 $0.005–0.05 + 查询 $0.00008）形成生产级成本-质量双维数据印证；Semaphore 并发控制根因分析是 R69 §2.6 运行时基础设施邻接；多模态 RAG 的 ColPali 路线与 R69 Hypergraph M-RAG（增量 5）形成技术路线对照 - 与活文档 knowledge/rag.md R69 现有脉络的关系：R69 §2.4 知识结构（LazyGraphRAG 成本体系）+ R69 §2.6 运行时基础设施；Semaphore 排障记录邻接于 §2.6；多模态 RAG 工程要点邻接于 §2.7（Hypergraph M-RAG + ColPali 工程印证）；Cohere Rerank 集成邻接于 §2.5 评测（Faithfulness 相关） - 归入节： §2.6 运行时与基础设施（邻接：Semaphore 并发控制根因 + ChromaDB → Pinecone/Qdrant 切换决策）；§2.7 多模态 RAG（邻接：ColPali OCR-free vs Caption 成本-精度权衡 + 多模态 RAG 工程化四件套） - 注意： 无独立 arXiv 号，CSDN 来源；引用时注明"工程实践数据，来源 CSDN blog.csdn.net"

二、R69 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 R69 中有完整记录：

三、值得警惕的矛盾或待核实说法

1. The Compaction Cliff（2608.22752）paper_card 主分类为 agent 而非 rag：该论文主要讨论 Agent memory 压缩问题，但 paper_card 将主分类标为 agent 而非 rag；由于 RAG 是 memory 系统的重要组成部分，邻接于 §2.3 Memory 节是正确的归类方式，无需更改 paper_card 主分类
2. DSPrompt（M-RAG 腐败防御）paper_card 990 仅有标题信息：无 TLDR / 摘要内容，paper_card 内容极简；引用时需核实原文实验细节（数据集 / 攻击场景 / 防御效果具体数据）
3. Hypergraph-based M-RAG（2608.16628）paper_card 989 同样仅有标题：无具体实验数据；增量 5 结论（超图 vs 独立模态检索的优势幅度）需要核实原文
4. CSDN 企业级 RAG 工程数据无独立 arXiv 号：Semaphore 排障记录 / ChromaDB 百万级性能数据 / ColPali 成本估算均来自 blog.csdn.net；数据可作生产参考但不应作为学术引用；建议补充微软研究院 LazyGraphRAG 官方文档或独立实测数据
5. Intent-Guided Decoding（2608.16515）和 DSPrompt（2608.16536）早于 R69 cutoff 但未被 R69 覆盖：两篇论文（8-15 / 8-17）早于 R69 cutoff（8-23），但 R69 e1prep 未列入；可能是 paper_card 入库时间晚于 R69 落盘；R70 应明确标注为"补录"而非"新发表"
6. ClawProBench（2608.22510）主分类为 agent 但与 RAG 评测方法论相关：OpenClaw trace-aware agent eval 的 102 场景中包含 memory 和 messaging 场景，与 RAG 的 memory 模块评测方法论有交叉；但主轴是 agent eval 而非 RAG；建议在 §2.5 评测邻接引用而非独立条目

四、可引用 arXiv 号列表

本窗口新增可引用条目（非 arXiv）： - Semaphore 并发控制排障记录（CSDN，blog.csdn.net，2026）——工程实践，无 arXiv 号 - ColPali vs Caption 多模态 RAG 成本数据（CSDN，2026）——工程数据，无 arXiv 号

五、检查来源清单

Tom inbox（近 2 天）： - /inbox/tom/2026-08-26T0840-agent-rag-longcontext-radar.md（2026-08-26 今日 radar，7 条候选）→ The Compaction Cliff（#1）= 增量 1 ⭐⭐⭐；LongWoF-Bench（#2）= benchmark 邻接；The Laws of Context Allocation（#3）= 增量 2 ⭐⭐⭐；ClawProBench（#4）= agent benchmark 邻接；AutoResearch（#5）= agent 邻接；Quantization-Aware Healing（#6）= llm-infra 邻接；Claw-Eval 2026 Substack（#7）= agent benchmark 邻接

Jay inbox（RAG 相关，近 2 天）： - /inbox/jay/2026-08-26T0820-jay-csdn-highvalue-inference-rag-multimodal.md（2026-08-26 今日新鲜）→ 企业级 RAG 工程化实战 = 增量 6 ⭐⭐；vLLM v0.20.0 架构 = inference 邻接；多模态 GraphRAG 项目 = §2.7 邻接；GraphRAG 后多模态 RAG = §2.7 邻接；企业 Agent 工程化 + 熔断 = agent 邻接 - /inbox/jay/2026-08-25-rag-langchain-langgraph-csdn-substack.md（2026-08-25）→ RAG 系统生产级实践（LangChain 0.3.14 + 版本锁）= 邻接；RAG 范式迁移（Agentic RAG）= 邻接；OpenRAG 框架对比 = 邻接；Jam with AI RAG 演进路径（ColPali）= §2.7 邻接；AI Agents Simplified Substack = agent 工程邻接 - /inbox/jay/2026-08-25-csdn-rag-agent-llm-2026.md（2026-08-25）→ OpenRAG vs LangChain vs LlamaIndex = 邻接；LLM 应用四阶段 = agent 邻接；推理框架对比 = inference 邻接

Spark inbox（RAG 相关，近 2 天）： - /inbox/spark/2026-08-25-agent-e1prep.md（2026-08-25）→ EnSI-RAG / δ-mem / Human-Centric = 均 R69 已有；41 种 Agent 失败模式 = agent 邻接；异步协调编码 Agent = agent 邻接

Flyp inbox（RAG 相关，近 2 天）： - /inbox/flyp/2026-08-25-prompt-model-fixed-points-critical-read.md（2026-08-25）→ mechanistic interpretability，prompt 固定点，非 RAG 主轴 - /inbox/flyp/2026-08-25-0507-reliability-science-long-horizon-agents-critical-read.md（2026-08-25）→ Reliability Science + HORIZON 长视 Agent 评测，memory scaffold 伤害 = agent 邻接

Paper_cards（近 3 天 RAG 相关，共 5 张新卡）： - 1077-2608-22752 The Compaction Cliff = 增量 1 ⭐⭐⭐（今日入库） - 1079-2608-23252 The Laws of Context Allocation = 增量 2 ⭐⭐⭐（今日入库） - 991-2608-16515 Intent-Guided Decoding = 增量 3 ⭐⭐（补录，早于 R69 cutoff） - 990-2608-16536 DSPrompt = 增量 4 ⭐⭐（补录，早于 R69 cutoff） - 989-2608-16628 Hypergraph-based M-RAG = 增量 5 ⭐⭐（补录，早于 R69 cutoff） - 988-2608-16776 GRIP · Grounded Reasoning = 标题 RAG 相关，但未深入研究，待核实

知识基线： - organized/knowledge/rag.md（R69 活文档，2026-08-25 更新，EnSI-RAG + Metis + Human-Centric + LazyGraphRAG + δ-mem 五件 net-new）

六、增量密度评估与 R70 建议

本窗口增量密度：中（6 条 net-new，其中 3 条今日入库 paper_card + 3 条补录 paper_card + 1 条工程数据）

本期窗口（8-24 下午 ~ 8-26 早间）RAG 直接增量密度中等。6 条净新增中：2 条今日 fresh arXiv（Compaction Cliff + Laws of Context Allocation）+ 3 条 R69 漏录 paper_card 补录（Intent-Guided Decoding + DSPrompt + Hypergraph M-RAG）+ 1 条 CSDN 企业工程数据（Semaphore 并发控制 + 多模态 RAG 工程）。

结构观察：本期 6 条呈现 RAG 领域的"安全/评测双向深化"特征：

1. Compaction Cliff = Memory 压缩中的安全规则退化（安全层）
2. Laws of Context Allocation = RAG 证据利用测量 + context budget 非线性递减（评测层）
3. Intent-Guided Decoding = 解码阶段鲁棒性增强（安全层）
4. DSPrompt = 多模态 RAG 腐败攻击防御（安全层）
5. Hypergraph M-RAG = 超图结构化跨模态检索（架构层）
6. CSDN 工程数据 = Semaphore + ColPali + ChromaDB 实测（工程层）

六条与 R69 主体脉络（EnSI-RAG entity 化 / Metis model-native / Human-Centric privacy / LazyGraphRAG 成本 / δ-mem 极轻量）形成安全-评测-架构三维延伸：安全层 × 评测层 × 架构层。

R70 建议优先处理（按价值排序）： 1. The Compaction Cliff（2608.22752）→ §2.3 Memory（Knowledge Triage 框架 + 20 配置实测 53%→10%）+ §2.8 安全（memory 压缩安全规则退化） 2. The Laws of Context Allocation（2608.23252）→ §2.5 评测（leave-one-out causal probe + context budget 非线性递减）+ §2.4（context budget 最优值精确化） 3. Intent-Guided Decoding（2608.16515）→ §2.8 安全（补录：解码阶段意图导向鲁棒性增强） 4. DSPrompt（2608.16536）→ §2.8 安全（补录：M-RAG 腐败防御） 5. Hypergraph-based M-RAG（2608.16628）→ §2.7 多模态 RAG（补录：超图跨模态检索 + 与 EnSI-RAG 形成检索结构化双路线） 6. CSDN 工程数据 → §2.6 运行时（Semaphore 并发控制）+ §2.7（ColPali 成本-精度权衡）

arXiv ID 累计：R69 447 → R70 452（+5：2608.22752 / 2608.23252 / 2608.16515 / 2608.16536 / 2608.16628；全部 paper_card 已入库）

边界： 本文件写入 /shared/research-kb/inbox/tom/2026-08-26-rag-e1prep.md，不写入他人目录，不 git commit，不写密钥。

Tom · 2026-08-26 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 2 份 inbox + paper_cards 6 张 RAG 卡 = 13 份来源