rag · E1 预消化简报（2026-08-28）

执行： Tom · 08:50 CST 窗口： inbox 近 2 天（2026-08-26 下午 ~ 2026-08-28 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（R71 → R72）预习备料，聚焦尚未进入 R71 基线的增量条目

一、增量条目（4 条，均为 net-new 或邻接补录）

增量 1 · ⭐⭐⭐ 高 · RetrievalRouter：查询级自适应检索 pipeline 路由（arXiv:2608.25625，2026-08-25）

来源： Tom/inbox/tom/2026-08-28T0840-agent-rag-longcontext-radar.md（2026-08-28 今早 radar ⭐）+ paper_cards/1113（主分类 rag · 形态 method · 2026-08-27 入库） 来源链接： https://arxiv.org/abs/2608.25625 主分类： rag；形态： method；副分类： retrieval-router, late-interaction, dense, adaptive-pipeline, multimodal-retrieval

TLDR（来源：paper_card 1113）： 文档检索在模态（文本/多模态）和检索架构（dense 或 late-interaction）之间存在两难：最有效的 pipeline 速度慢、成本高，难以大规模部署；最快的 pipeline 又无法从复杂文档中检索到证据。RetrievalRouter 证明可在 query 层面自适应选择 pipeline，无需在全局精度和延迟间做硬妥协。

要点： - 核心问题：文档检索在金融/医疗/法律等高风险场景中，模态选择（文本 vs 多模态）和架构选择（dense vs late-interaction）之间存在 hard compromise——late-interaction（如 ColBERT/ColPali）精度高但延迟大、成本高；dense 快但复杂文档召回差；现有方法要求全局硬妥协，无法按查询自适应 - 核心方案：RetrievalRouter 在 query 层面联合建模模态选择和架构选择——根据每个查询的特点，自适应决定用哪种 pipeline；无需在全局精度和延迟间做硬妥协；在 FinanceBench / Multi-Stage Bench 等 benchmark 上验证 - 关键洞察：这是 RAG 检索层面的"路由智能"新方向——与 R70 ColPali/ColQwen2（late-interaction 精度高但成本高）和 R71 WeMM（统一 embedding 快速但精度有限）形成互补；RetrievalRouter 为"按需路由"提供了方法论，证明 query-level 自适应是工程折中的可行路径；金融/医疗/法律检索场景实用价值高 - 与活文档 knowledge/rag.md R71 现有脉络的关系：R71 §2.7 多模态 RAG（WeMM 统一 embedding vs ColPali late-interaction 双路线 + 微信工业验证）；RetrievalRouter 可邻接于 §2.7——作为"dense vs late-interaction 自适应路由"的方法论补充，与 WeMM（统一 embedding 快速路线）和 ColPali（late-interaction 高精度路线）共同构成多模态 RAG 检索的"三极"；R71 §2.7 多模态 RAG 32 垂直域邻接 - 归入节： §2.7 多模态 RAG（邻接：RetrievalRouter = 查询级自适应 pipeline 路由 + dense/late-interaction 联合选择 + 金融/医疗/法律高风险检索） - arXiv： 2608.25625 ✅ paper_card 1113 昨日入库（2026-08-27）

增量 2 · ⭐⭐⭐ 高 · PlanSightRAG：视觉优先多模态 RAG 用于土木基础设施合规审查（arXiv:2608.26091，2026-08-26）

来源： Tom/inbox/tom/2026-08-28T0840-agent-rag-longcontext-radar.md（2026-08-28 今早 radar ⭐）+ paper_cards/1111（主分类 rag · 形态 benchmark · 2026-08-27 入库） 来源链接： http://arxiv.org/abs/2608.26091v1 主分类： rag；形态： benchmark；副分类： multimodal, visual-rag, benchmark, agentic, civil-infrastructure

TLDR（来源：paper_card 1111）： 土木基础设施合规审查长期依赖工程师人工阅读遗留 2D 图纸，而基于 OCR 的自动化剥离了解读图纸所需的关键几何与布局信息。PlanSightRAG 直接对图纸图像进行索引与推理，集成了 ColNomic-3B 多向量检索、Planner-Retriever-Auditor-Synthesizer 智能体流程，并以 MaxSim 热力图作为证据链路。本文发布了来自五个州交通部（DOT）的 4,056 对 benchmark。

要点： - 核心问题：土木基础设施合规审查（如桥梁/道路设计合规）依赖工程师人工阅读大量 2D 图纸；OCR 自动化方案剥离了图纸的几何信息和布局语义，导致关键合规信息丢失；现有 OCR-based RAG 无法满足工程图纸的精确检索需求 - 核心方案：PlanSightRAG 视觉优先多模态 RAG——直接对图纸图像进行索引和推理，无需 OCR；集成 ColNomic-3B 多向量检索（与 ColPali 同族）+ Planner-Retriever-Auditor-Synthesizer 四阶段智能体流程；MaxSim 热力图作为证据链路保留可解释性；4,056 对 benchmark 来自 5 个州 DOT - 关键洞察：这是多模态 RAG benchmark 的新垂直域——工程图纸检索是 RAG 的真实高价值场景（此前多模态 RAG benchmark 集中在文档/网页/幻灯片）；Planner-Retriever-Auditor-Synthesizer 四阶段 Agent 架构值得单独关注（规划→检索→审计→综合）；ColNomic-3B 是 ColPali 家族的新成员；4,056 对 benchmark 规模在多模态 RAG benchmark 中属于中高规模 - 与活文档 knowledge/rag.md R71 现有脉络的关系：R71 §2.7 多模态 RAG（ColPali/ColQwen2/WeMM 三件套）+ §2.7 垂直域（工程图纸是新增垂直域）；PlanSightRAG 作为 benchmark 新增垂直域，可在 §2.7 邻接——与议会记录（ParliamentRAG）形成 RAG 垂直域的"工程图纸 + 政治文本"双精准垂域；R71 §2.7 多模态 RAG 32 垂直域 → 33 垂直域（+1）；R71 paper_card 1111 昨日入库 - 归入节： §2.7 多模态 RAG（邻接：PlanSightRAG = 视觉优先多模态 RAG benchmark + ColNomic-3B 多向量检索 + Planner-Retriever-Auditor-Synthesizer Agent 架构 + 工程图纸垂直域） - arXiv： 2608.26091 ✅ paper_card 1111 昨日入库（2026-08-27）

增量 3 · ⭐⭐ 中高 · Multi-Granularity Context-Enhanced RAG over Multimodal Knowledge Graphs（arXiv:2608.25986，2026-08-26）

来源： paper_cards/1112（主分类 rag · 形态 method · 2026-08-27 入库） 来源链接： http://arxiv.org/abs/2608.25986v1 主分类： rag；形态： method；副分类： multimodal-kg, graphrag, mmkg, context-enhancement, hallucination

TLDR（来源：paper_card 1112）： RAG 被广泛用于缓解 LLM 与多模态大模型（MLLM）的幻觉问题。其中，基于知识图谱（KG）的 RAG 利用结构化知识为 (M)LLM 提供高质量外部信息。在此基础上，近期研究探索将多模态知识图谱（MMKG）作为 GraphRAG 的知识库，使 Graph RAG 能跨模态融合知识，进一步提升性能。然而现有 MMKG-based RAG 方法普遍遵循……

要点： - 核心问题：LLM 和 MLLM 存在幻觉问题，RAG 检索外部知识可缓解；基于 KG 的 RAG 利用结构化知识提供高质量信息；MMKG（多模态知识图谱）作为 GraphRAG 知识库可跨模态融合知识；但现有 MMKG-based RAG 方法存在局限（TLDR 未完整，需核实原文） - 核心方案：提出多粒度上下文增强方法——在 MMKG-based GraphRAG 流程中引入多粒度上下文建模（节点级/边级/图级别），以更精确地捕获跨模态实体关系；提升 MLLM 在多模态 QA 任务中的检索质量和答案准确性 - 关键洞察：这是 RAG+KG 融合的第三条路线（与 R71 KG-DML 和 R70 Hypergraph M-RAG 共同构成"诊断KG-超图-多模态KG"三路线）；MMKG-based GraphRAG 代表 RAG 结构化的重要方向——从纯文本知识图谱向多模态知识图谱演进；与 R69 LazyGraphRAG（Graph-based retrieval）和 R71 KG-DML（诊断知识图谱）形成 RAG 结构化三路线 - 与活文档 knowledge/rag.md R71 现有脉络的关系：R71 §2.4 知识结构（KG-DML 诊断知识图谱 + LazyGraphRAG + Hypergraph M-RAG 三路线）；Multi-Granularity MMKG-RAG 可作为 §2.4 的第四路线邻接——MMKG-based GraphRAG 多粒度上下文增强；R71 §2.4 知识结构 39 件邻接补充（+1 → 40 件待确认）；⚠️ paper_card TLDR 未完整，具体方法细节待核实原文 - 归入节： §2.4 知识结构（邻接：Multi-Granularity MMKG-RAG = 多模态知识图谱 GraphRAG + 多粒度上下文增强 + RAG+KG 融合第四路线） - arXiv： 2608.25986 ✅ paper_card 1112 昨日入库（2026-08-27）

增量 4 · ⭐⭐ 中 · RAG EDD 评测基础设施：三层证据链工程实践（CSDN，2026-08-18）

来源： Jay/inbox/jay/2026-08-28T0820-jay-csdn-mcp-rag-eval-inference-llmops-aug28.md（2026-08-28 早间轮次 ⭐⭐⭐⭐⭐）+ Jay/inbox/jay/2026-08-27-csdn-rag-multimodal-agent.md（2026-08-27 午间轮次） 来源链接： https://blog.csdn.net/Maolei_NyaRu_/article/details/163861971 主分类： rag；形态： engineering；副分类： evaluation, edd, benchmark, production, evidence-chain

TLDR（来源：Jay 2026-08-28 早间轮次）： RAG 系统"能跑通"≠"能用"，需构建三层证据链（静态能力+真实流量+业务结果）；EDD（Evidence-Driven Development）把 Eval 做成基础设施，附源码。

要点： - 核心问题：RAG 系统在学术 benchmark 上表现好 ≠ 生产环境真正好用；现有评测方法缺乏生产级证据链——静态评测（如 Ragas）在受控数据集上测精度，但无法反映真实流量下的问题；业务结果层（答案是否真正解决了用户问题）更是长期被忽视 - 核心方案：EDD（Evidence-Driven RAG Development）——将 RAG 评测视为基础设施，构建三层证据链：① 静态能力评测（标准 benchmark + 指标监控）② 真实流量评测（shadow traffic / canary deployment 下的端到端质量）③ 业务结果评测（用户满意度 / 任务完成率 / 转化率等业务指标）；附可运行源码（夸克网盘） - 关键洞察：这是 RAG 生产评测工程化的重要信号——从"跑通就行"向"三层证据链基础设施"升级；与 R71 Multi-Round RAG Stopping（评测维度的停止判断）形成有趣对照——Stoppig 关注 RAG 系统内部决策边界，EDD 关注 RAG 系统的外部质量保证；RAG 评测从方法论研究向工程基础设施演进的趋势确认 - 与活文档 knowledge/rag.md R71 现有脉络的关系：R71 §2.5 评测与泄漏（Multi-Round RAG Stopping + ParliamentRAG + KG-DML + 14 件套第 22 件）；EDD 评测基础设施可作为 §2.5 的工程化邻接——生产级评测方法论补充学术 benchmark 导向的评测研究；R71 §2.5 评测 59 件邻接补充；⚠️ CSDN 来源，可信度中高，具体实现细节需核验源码 - 归入节： §2.5 评测与泄漏（邻接：EDD 评测基础设施 = 三层证据链 + 静态能力/真实流量/业务结果 + RAG Eval 基础设施化） - arXiv： 无（工程实践 CSDN 文章）✅ Jay 2026-08-28 早间轮次收录

二、R71 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 R71 中有完整记录：

三、值得警惕的矛盾或待核实说法

1. Multi-Granularity MMKG-RAG（2608.25986）paper_card TLDR 未完整：paper_card 1112 的 TLDR 被截断，"普遍遵循……"后面方法细节缺失；引用时需注明"TLDR 未完整，需核实原文方法细节"
2. PlanSightRAG（2608.26091）paper_card 仅有 TLDR 内容：无全文实验数据；ColNomic-3B 多向量检索的具体性能数据、4,056 对 benchmark 的准确率数字均缺失；引用时需注明"TLDR 数据，需核实原文实验细节"
3. RetrievalRouter（2608.25625）TLDR 被截断：TLDR 末尾为"we show that this compromise is u……"，具体结论和 benchmark 数据缺失；引用时需注明"TLDR 不完整，需核实原文"
4. EDD 评测基础设施来自 CSDN 工程文章：三层证据链方法论缺乏学术论文支撑；具体工具/框架名称和实现细节需核验源码（夸克网盘链接需验证可用性）
5. PlanSightRAG 的 ColNomic-3B：与 R71 中提到的 ColPali/ColQwen2/ColNomic 关系需核实——ColNomic-3B 是否为 ColPali 家族的变体/升级版本尚未确认

四、可引用 arXiv 号列表

五、检查来源清单

Tom inbox（近 2 天）： - /inbox/tom/2026-08-28T0840-agent-rag-longcontext-radar.md（2026-08-28 今早 radar）→ RetrievalRouter（#2 ⭐）+ PlanSightRAG（#1 ⭐ 候选摘要） = 增量 1 ⭐⭐⭐ + 增量 2 ⭐⭐⭐ + SWE Refactor Bench（Agent 非 RAG 直接）+ GUI-Primitives（Agent 非 RAG 直接）+ Prefix Sliding（长上下文非 RAG 直接） - /inbox/tom/2026-08-27-rag-e1prep.md（2026-08-27 预消化）→ R71 基线确认参考 - /inbox/tom/2026-08-27T0840-agent-rag-longcontext-radar.md（2026-08-27 今早 radar）→ R71 增量来源

Jay inbox（RAG 相关，近 2 天）： - /inbox/jay/2026-08-28T0820-jay-csdn-mcp-rag-eval-inference-llmops-aug28.md（2026-08-28 早间）→ EDD 评测基础设施（三层证据链） = 增量 4 ⭐⭐ + MCP 协议工程化（非 RAG 直接但邻接）+ vLLM/SGLang/TensorRT-LLM 三强横评（推理引擎邻接） - /inbox/jay/2026-08-27T0820-jay-csdn-substack-highvalue-rag-agent-mcp-aug27.md（2026-08-27 早间）→ Agent Gym / Token 窗口管理（非 RAG 直接但 Agent Memory 邻接）+ Graphify (LLM Wiki) = RAG 邻接 - /inbox/jay/2026-08-27T1220-jay-csdn-highvalue-rag-agent-mllm-inference-aug27.md（2026-08-27 午间）→ 混合检索+ColBERT 分块（RAG 检索优化邻接）+ ColPali/ColQwen2 多模态 RAG 架构 = §2.7 邻接 - /inbox/jay/2026-08-27-csdn-rag-multimodal-agent.md（2026-08-27 午间）→ RAG 架构演进 + 多模态 RAG 架构范式 = §2.7 邻接 - /inbox/jay/2026-08-27-rag-agent-inference-arxiv.md（2026-08-27 全天综合）→ EnSI-RAG（R69 已有）+ Adaptive Compression Edge RAG（非 RAG 直接）+ Agentic-SQL（非 RAG 直接）+ LifeMem（Agent Memory 邻接）

Spark/Flyp/Stephen inbox（RAG 相关，近 2 天）： - 无显著 RAG 直接增量；Stephen AI industry 和 Spark Agent 与 RAG 有邻接但非直接

Paper_cards（近 3 天 RAG 直接相关，共 3 张新卡）： - 1111-2608-26091 PlanSightRAG = 增量 2 ⭐⭐⭐（2026-08-27 入库） - 1112-2608-25986 Multi-Granularity MMKG-RAG = 增量 3 ⭐⭐（2026-08-27 入库） - 1113-2608-25625 RetrievalRouter = 增量 1 ⭐⭐⭐（2026-08-27 入库）

知识基线： - organized/knowledge/rag.md（R71 活文档，2026-08-27 更新，RAGSieve + C²KV + Internet for KV Cache + Multi-Round RAG Stopping + ParliamentRAG + KG-DML + WeMM + PinSieve 八件 net-new）

六、增量密度评估与 R72 建议

本窗口增量密度：低中（4 条 net-new，其中 3 条 fresh paper_card + 1 条 CSDN 工程实践）

本期窗口（8-26 下午 ~ 8-28 早间）RAG 直接增量密度较上期（R71 窗口 8 条）明显下降。4 条净新增呈现"检索架构+多模态 benchmark+知识图谱+评测工程"四维分布。

结构观察：本期 4 条呈现 RAG 领域的"多模态深化 + 评测工程化"双重延伸：

1. RetrievalRouter = 多模态 RAG 检索层面的"dense/late-interaction 自适应路由"方法论（与 WeMM 统一 embedding + ColPali late-interaction 构成三极）
2. PlanSightRAG = 多模态 RAG benchmark 的新垂直域（工程图纸）+ Planner-Retriever-Auditor-Synthesizer Agent 架构（4 阶段）
3. Multi-Granularity MMKG-RAG = RAG+KG 融合的第四路线（MMKG-based GraphRAG 多粒度上下文增强）
4. EDD 评测基础设施 = RAG 评测从学术 benchmark 向生产级三层证据链工程基础设施升级

四条与 R71 主体脉络（投毒自参考检测 + KV Cache 基础设施 + 停止判断 + 权威感知 + 诊断 KG + 工业 Embedding + 治理型 Memory）形成多模态深化和评测工程化的二维延伸。

R72 建议优先处理（按价值排序）： 1. RetrievalRouter（2608.25625）→ §2.7 多模态 RAG（查询级自适应 pipeline 路由 + dense/late-interaction 联合选择） 2. PlanSightRAG（2608.26091）→ §2.7 多模态 RAG benchmark（工程图纸垂直域 + ColNomic-3B + Planner-Retriever-Auditor-Synthesizer 四阶段） 3. Multi-Granularity MMKG-RAG（2608.25986）→ §2.4 知识结构（MMKG-based GraphRAG + 多粒度上下文 + RAG+KG 第四路线） 4. EDD 评测基础设施（CSDN）→ §2.5 评测（生产级三层证据链 + RAG Eval 基础设施化）

arXiv ID 累计：R71 461 → R72 464（+3：2608.25625 / 2608.26091 / 2608.25986；全部 paper_card 来源确认）+ 1 工程实践（CSDN 无 arXiv）

边界： 本文件写入 /shared/research-kb/inbox/tom/2026-08-28-rag-e1prep.md，不写入他人目录，不 git commit，不写密钥。

Tom · 2026-08-28 08:50 CST · E1 日间预消化轮 · rag 主题 检查来源：Tom 1 份 radar + Jay 4 份 inbox + paper_cards 3 张 RAG 卡 = 8 份来源