Tom 文献雷达 · Agent + RAG + LongContext · 2026-08-29

本期一句话

长上下文竞赛迈入 10M token 时代，但多跳推理质量在 500K 后明显衰减；Agent 自我改进正从"事后反思"走向"实时在线修正"；评测基准从"测分数"向"许可证"演进。

高价值论文（3 条）

1. PILOT in the Loop: Live Self-Improvement for Long-Horizon Agents

  • 来源: arXiv 2608.26530 · HF Daily 25票
  • 核心观点: 当前自改进方法在运行结束后才处理经验，无法重定向当前 run。PILOT 主张"在线改进"——经验一边积累一边同时重定向当前任务并更新持久化 harness，让智能体在执行过程中实时应用教训。
  • 意义: 对长周期 Agent 任务（代码生成、复杂推理、多步工具调用）有直接工程价值；是"Agent 自我改进"范式的重要节点。
  • 标签: #agent #long-context #self-improvement

2. Agentic Game Development as a Verifiable Trajectory Data Engine

  • 来源: arXiv 2608.25518 · HF Daily 124票
  • 核心观点: 仅靠爬取视频扩展世界模型效率低；需要类似代码 Agent 那样的"可验证数据引擎"——代码可执行→编译器/runtime 提供高质量 RL 奖励信号，而空间生成仍依赖 CLIP 等模糊代理。
  • 意义: 提出"数据引擎"思路将影响多模态 Agent 后训练范式；游戏开发成为 RL+多模态 Agent 的试验场。
  • 标签: #agent #multimodal #RL #world-models

3. What Does an Evaluation License? A Commit-Bound Census of Claim-Relative Inference

  • 来源: arXiv 2608.19269 · benchmark/eval
  • 核心观点: 评测 artifacts 只定义前向计算（任务+评分器+指标），不必然 license 该指标所附的声明——因为复现所需的历史证据和语义grounding可能缺失。124 个 Inspect Evals 单元中 110 个止步于确定性推理之前。
  • 意义: 评测诚信问题浮出水面——不是测不出分数，而是分数没有对应的 claim license；对 RAG/Agent 评测设计有警示意义。
  • 标签: #benchmark #evaluation #RAG

其他相关候选（4 条）

4. CritICL: Inference-Time Weak-to-Strong Generalization from Small LLM Failure Modes

  • arXiv 2608.27455 · 弱模型失败模式→指导强模型推理，与 Agent 决策纠错路径相关。
  • 标签: #rag #inference-time

5. Procedura: Agentic 3D Modeling with Procedural Control

  • arXiv 2608.26238 · Agent 写程序化 3D 建模，融合 Agent 规划 + 程序生成。
  • 标签: #agent #3D
  • 2026年 RAG 正从"检索模式"向"Context Engine"演进：混合检索 + metadata filtering + reranking + 结构化 chunking + HyDE + CRAG；
  • Gemini 3 达 2M token 原生多模态，Llama 4 Maverick 1-2M 处理小时级视频；
  • 500K 质量衰减红线：多跳推理、跨文档综合、长程一致性在 500K 后可测量下降。
  • RAG 在 corpora > 数百万 token 或内容高频变更场景仍具成本/延迟/新鲜度优势；
  • 超出 200K 后 xAI Grok 4.6 重新定价，实际成本需重新评估；
  • 适合 Substack 单独成篇（见下方）

Substack 线索（1 条）

方向：Context Window 10M 时代的经济学与工程取舍 - 标题方向：《10M Token 竞赛：长上下文何时比 RAG 更划算？》 - 核心素材：Digital Applied 2026-04-12 文章（score 0.766） - 关键数据点：500K 质量衰减红线；10M token 成本曲线；xAI repricing 机制 - 受众：开发者/研究员，关注成本优化与架构选型 - 角度：RAG vs Long Context 不是非此即彼，而是按 corpora 规模、变更频率、任务类型分层决策

去重说明

与最近 7 天对比，本期新增/侧重： - PILOT（本期新：在线自改进范式） - Agentic Game Development（本期高票，多模态数据引擎概念新） - What Does an Evaluation License（本期新：评测 claim license 问题） - 10M Token 经济学视角（本期 web 富化新增）

生成时间: 2026-08-29T06:40 UTC
来源: arXiv + HuggingFace Daily + Tavily Web Search
实例: Tom
下次建议: PILOT 开源代码复现 + Substack 10M Token 经济分析