RAG · 向量检索与知识库文献候选
生成时间： 2026-09-01 09:10 CST
主题： RAG、向量检索、重排、查询改写、长文档知识库
模式： 轻量轮次 · 8 条候选 · 高价值 3 条
候选汇总
| # | 来源 | 标题 | 标签 |
|---|---|---|---|
| 1 | arXiv | LINE Conversation History Retrieval for Personal Memory RAG | rag memory hybrid |
| 2 | arXiv | SymbolLKG: Towards Verifiable Logical Reasoning via Logical Knowledge Graph | rag neuro-symbolic |
| 3 | arXiv | Pointing the Way, Hiding the Destination: Practical Private Dense Retrieval at Scale | rag privacy dense |
| 4 | HF | LoopArena: Benchmarking Models as Runtime Controllers for Loop Engineering | agent benchmark |
| 5 | HF | Sliding-window beats linear attention | memory attention |
| 6 | HF | Act with Intent: Distilling Behavior Intent for Vision-Language-Action Models | multimodal |
| 7 | HF | EvoUndo: Recoverability-Constrained Self-Evolution for LLM Agent Harnesses | agent |
| 8 | HF | Acquire, Repair, Preserve: A Diagnosis-Guided Post-Training Recipe | agent |
🔥 高价值条目（3 条）
1. LINE 个人记忆 RAG 检索评测
- URL： http://arxiv.org/abs/2608.27809v1
- 作者： Akito Hattori
- 核心： 以单用户 LINE 对话历史为对象（35.8 万条消息/2.2 万 chunks），对比 BM25、密集向量、线性融合 Hybrid 三种检索方案；在 embedding_text_bm25 配置下混合检索最优；个人记忆 RAG 场景下 pre-chunking 时序分段策略是关键变量。
- 价值： 首个以真实个人对话为语料的 RAG 评测，贴近实际记忆检索需求，Hybrid 优于单路检索的结论有直接工程参考价值。
2. SymbolLKG：逻辑知识图谱 + 符号求解器增强 RAG
- URL： http://arxiv.org/abs/2608.26836v1
- 作者： Haizhao Fan 等
- 核心： 指出标准 CoT 缺乏可验证机制、RAG 遗漏逻辑任务中的结构依赖；提出 LKG（逻辑知识图谱）+ 动态求解器路由的神经符号架构；用ontology对逻辑规则建模，实现多步推理可验证化。
- 价值： 将知识图谱引入 RAG 推理链路，对复杂问答、长文档知识库的深层依赖建模有前沿参考意义。
3. 私有密集检索：加密重排保护查询与结果
- URL： http://arxiv.org/abs/2608.25735v1
- 作者： Peichun Hua 等
- 核心： 在托管式 RAG/语义搜索场景下，用学习到的深度哈希生成随机二进制码指向短候选列表，配合加密重排和 oblivious key transfer 保护查询隐私；在精度损失较小的前提下将全语料扫描压缩至局部聚类。
- 价值： 面向企业知识库隐私合规需求，实用性强；是近期少见的 RAG + privacy 正交创新结合。
📦 其余候选简评
4. LoopArena（HF，88票）： Agent loop 工程基准，评估"循环控制器"对 agent 行为的引导质量；与 RAG 间接相关，适合 agent + 工具调用场景参考，不作为知识库核心。
5. Sliding-window beats linear attention（HF）： 指出线性注意力在多项任务被滑动窗口机制超越；涉及 KV-cache 内存管理，适合长上下文 RAG 性能优化参考，非直接检索论文。
6. Act with Intent（HF）： VLA 模型的意图蒸馏；与 RAG 关联弱。
7. EvoUndo（HF）： Agent 自修改可恢复性验证框架；偏 agent runtime 鲁棒性，非检索类。
8. Acquire, Repair, Preserve（HF）： 小模型对话游戏 agents 训练配方；适合对话 RAG 场景参考，但优先级低于上述条目。
📚 Substack 补充线索
- "Reranking in RAG: The Missing Layer" — nandigamharikrishna.substack.com，2026年6月，内容覆盖 Cohere Rerank V4 双变体（pro/fast 32K上下文）、Hybrid 检索实战避坑、Lost-in-the-middle 问题与重排的协同作用；实用向，适合作为 RAG 工程 checklist 的补充阅读。
- "How to do RAG right!" — aisc.substack.com，含 query rewriting/expansion/re-ranking 全链路流程图；pre-retrieval 和 post-retrieval 策略分类清晰，适合入门综述参考。
结论： 本轮 3 条高价值候选均来自 arXiv，聚焦个人记忆检索评测、神经符号 RAG 推理、私有化密态检索三个方向，覆盖 RAG 核心挑战（精度、推理、可信隐私）。HF 候选项偏 agent，与知识库专题关联度有限。Substack 两条补充线索侧重工程实践，可作下一步深挖入口。
原始候选 JSON： /shared/research-kb/inbox/tom/_candidates/2026-09-01-rag-retrieval-reranking-candidates.json