rag · E1 预消化简报（2026-09-03）

实例：Tom · rag 主题 E1 日间预消化轮 · cron a226d618-fe37-4db7-8abc-71fb9c344c0e 窗口：R78 落定（2026-09-02 13:55 CST）→ 本棒（2026-09-03 08:50 CST）≈ 约 19h 净增窗口 基线：knowledge/rag.md R78（2026-09-02 活文档 · 476 件 unique arXiv ID · 39 维张力 · 4 RAG net-new 入库确认 + 2 工程邻接）

零、增判定

本窗口净增量为 3 件 RAG net-new（paper_card 主分类 rag 入库，1159/1184 确认，1177 存疑）。

与 R78 的区别：R78 是"R77 候选邻接入库确认轮"；本窗口（R79）出现 3 件 paper_card 主分类 rag 的新归档： - 1159（2608.31139，Aug 30 提交，Sep 3 04:00 入库）：生物医学可配置语义分块 RAG - 1184（2609.01601，Sep 1 提交，Sep 3 08:00 入库）：自适应关键 Token 感知代码仓库级 RAG - 1177（2609.01343，Aug 31 提交，Sep 3 08:00 入库）：SMELT MoE Looped Transformer 缩放定律 ⚠️ 存疑

其中 1177 的 paper_card 主分类 rag 可能为误标（论文标题为 MoE 架构缩放定律，无显式 RAG 内容），建议 R79 活文档接力时复核主分类或降为 RAG-adjacent 邻接。

一、增量条目（3 条，每条含：来源/要点/与 rag.md 现有脉络的关系/建议归入节）

增量 1 · BioMedRAG：可配置语义分块策略生物医学信息抽取 RAG（arXiv:2608.31139，paper_card 1159）

来源：Tom 9-03 radar + paper_card 1159（2026-09-03 04:00 入库）+ Jay 9-02 database-e1prep 标注 链接：http://arxiv.org/abs/2608.31139v1 主分类：rag；副分类：llm-infra；形态：position 作者：团队未详（paper_card 未记录完整作者） TLDR（来源 paper_card 1159）：跨数据集分析表明，语义切分在具有显式关系线索的抽取数据集（如 GM-CIHT 和 DDI）上表现更优，而固定切分在密集生化抽取和二分类场景（如 ChemProt 和 ADE）下仍具竞争力甚至更强。

要点： - 核心发现：语义切分 vs 固定切分的胜负取决于关系类型——显式关系线索（GM-CIHT、DDI 等）下语义切分更优；密集生化抽取和二分类（ChemProt、ADE）场景下固定切分仍具竞争力甚至更强 - 工程含义：embedding 模型和 learned chunk scorer 不变，仅替换分块构建阶段即可获得收益；与向量库选型邻接（Jay database-e1prep 标注"向量 chunking 策略邻接"） - 与现有脉络关系：R78 §2.3（或对应 chunking 章节）已有分块策略讨论；BioMedRAG 提供了跨数据集的实证对比，为"何时用语义 vs 固定切分"提供了分类依据 - 建议归入节：§2.3 Chunking 策略（语义 vs 固定切分选择依据 + 关系类型分类 + 与向量库邻接） - arXiv：2608.31139

增量 2 · ACToR：自适应关键 Token 感知仓库级代码生成检索（arXiv:2609.01601，paper_card 1184）

来源：Tom 9-02T2040 雷达（⭐⭐⭐⭐ 高价值）+ Tom 9-03 radar + paper_card 1184（2026-09-03 08:00 入库）+ work-queue 选题榜标注 链接：http://arxiv.org/abs/2609.01601v1 主分类：rag；副分类：—；形态：method 作者：团队未详（paper_card 未记录完整作者） TLDR（来源 paper_card 1184）：ACToR 在生成过程中识别关键 token 并按需触发定向检索，在这些关键位置提供仓库上下文；设计了位置感知加权方法，使密集检索器优先考虑对生成更有价值的内容。

要点： - 核心创新：将 RAG 粒度从 chunk 层级推进到 token 层级——在自回归解码过程中显式定位哪些 token 需要细粒度仓库上下文；超出 LLM 输入长度限制时，现有 RAG 以任务级上下文提供支持，无法区分 token 级重要性 - 位置感知加权：为密集检索器设计位置感知加权方法，优先检索对当前生成位置更有价值的内容 - 工程关联：work-queue.md 选题榜标注"2609.01601 选题榜·未成视频脚本"——说明有视频化潜力 - 与现有脉络关系：R78 §2.6 运行时基础设施邻接 + 代码 RAG 场景；属于"检索粒度细化"方向的新增量，与 DART-SD（2608.18524，菱形拓扑感知检索）共同构成"检索策略优化"双轨 - 建议归入节：§2.6 运行时（检索粒度细化：ACToR token 级 + DART-SD 菱形拓扑邻接）+ §2.2 代码 RAG - arXiv：2609.01601

增量 3 · SMELT：面向计算匹配 MoE 循环 Transformer 缩放定律（arXiv:2609.01343，paper_card 1177）⚠️ 存疑

来源：paper_card 1177（2026-09-03 08:00 入库）+ Jay 9-02 database-e1prep 链接：https://arxiv.org/abs/2609.01343 主分类：rag；形态：method TLDR（来源 paper_card 1177）：即便在算力预算匹配的前提下，循环（looping）仍可提升 Transformer，提供了一种将深度复用转化为可衡量增益的实用方案。

要点： - 核心发现：MoE + Looped Transformer 架构下，算力预算匹配时 looping 仍可提升模型；提出 SMELT 缩放定律 - ⚠️ 存疑点：paper_card 主分类 rag 疑似误标——论文标题和摘要均无显式 RAG 内容；Jay database-e1prep 对该条目也标注"无"（无 RAG 实质内容） - 与现有脉络关系：若确认误标，建议降为 RAG-adjacent 邻接（MoE 架构效率对 RAG 部署成本的潜在影响）；若确认为 RAG 相关，则属于 llm-infra × rag 交叉 - 建议归入节：⚠️ 建议 R79 活文档接力时复核 paper_card 主分类；若确认 rag 标为误标，不写入 rag.md 主轴，归入邻接备注 - arXiv：2609.01343

二、RAG-adjacent 邻接观察（2 条，无 paper_card 主分类 rag 或无 arXiv，有工程参考价值）

邻接 1 · AgentJudgeBench：LLM Judge 可靠性 agentic tool-calling 评测基准（arXiv:2608.26623）

来源：Tom 9-03 radar（⭐⭐⭐⭐ 高价值）+ HF Daily 16 票 链接：https://arxiv.org/abs/2608.26623 日期：2026-08-26；paper_card 未在本窗口入库（推测在 agent 主分类下） 主分类：agent；副分类：evaluation

要点： - 首个系统研究"LLM-as-a-Judge"在 agentic tool-calling 上的可靠性；基准覆盖 6 种 DAG 拓扑 × 3 个难度层级 = 3,808 实例；评测 5 个生成器（3B-70B + GPT-5.4）和 6 个 judge - 发现 ground-truth 存在时 vs 不存在时 judge 表现差异显著；揭示现有 LLM judge 在结构化依赖工作流中的系统性偏差 - RAG 关联：RAG 系统中的 reranker 本质上是 judge 模块；AgentJudgeBench 的发现对 RAG reranker 可靠性评估有直接迁移价值 - 建议归入节：§2.5 评测（RAG-adjacent：AgentJudgeBench judge 可靠性研究 → RAG reranker 评测方法论邻接） - arXiv：2608.26623

邻接 2 · Token-Efficient Data Reasoning Agents：非结构化数据结构化预存储 28 倍成本降低（arXiv:2608.31082）

来源：Tom 9-03 radar（⭐⭐⭐ 高价值）+ HF Daily 3 票 链接：https://arxiv.org/abs/2608.31082 日期：2026-08-30；paper_card 未在本窗口入库 主分类：agent；副分类：rag（标注 #Agent #RAG #成本优化）

要点： - 企业数据（网页/合同/财报）嵌入非结构化文档，Agent 每次问答打开大文档消耗高达百万 tokens；若提前结构化存储，同等问题成本降低 28 倍（FanOutQA 基准） - RAG 关联：RAG 即时检索 vs 预结构化存储的 cost-quality trade-off；为知识密集型 Agent 的数据管道设计提供新思路 - 建议归入节：§2.6 运行时基础设施（RAG-adjacent：Token-Efficient 数据管道 = 预结构化 vs 即时 RAG 28 倍成本差 + FanOutQA 基准） - arXiv：2608.31082

三、矛盾与待核实说法

矛盾 1 · SMELT（1177）paper_card 主分类 rag 疑似误标

• 问题：论文标题"SMELT：面向计算匹配 MoE 循环 Transformer 的缩放定律"无任何显式 RAG 内容，paper_card 却将主分类标为 rag；Jay database-e1prep 对该条目也无 RAG 实质内容认可
• 核实建议：R79 活文档接力时检查 paper_card 1159 原始入库依据；若确认误标，降为 llm-infra 邻接，不写入 rag.md 主轴

矛盾 2 · BioMedRAG（1159）Aug 30 提交 vs Sep 3 入库的时间差

• 说明：2608.31139 于 Aug 30 提交，paper_card 1159 却于 Sep 3 04:00 才入库——说明该论文在 Aug 31 ~ Sep 2 窗口内并未被发现，本次 R79 prep 是其首次被纳入 RAG 视野
• 待核实：Aug 30 提交是否意味着 Aug 31 前已有 preprint 可见；若是，为何未进入更早的 radar；若无矛盾则按入库时间认定净增

四、检查过的来源汇总

五、可引用 arXiv 列表

本窗口涉及 arXiv 号（3 件 paper_card 主分类 rag 入库 + 2 件 RAG-adjacent 工程邻接）：

六、结论

本窗口（2026-09-02 13:55 ~ 2026-09-03 08:50，约 19h）RAG 主题增量密度为 3 件净增（paper_card 主分类 rag 入库）。

较 R78 的"R77 入库确认轮"而言，R79 出现实质性新 RAG 信号： - BioMedRAG（2608.31139）：语义 vs 固定分块跨数据集实证，关系类型决定胜负，为 chunking 策略选择提供分类依据（建议 §2.3） - ACToR（2609.01601）：token 级检索粒度细化，为仓库级代码 RAG 开辟新方向（建议 §2.6 / §2.2）；work-queue 选题榜标注视频化潜力 - SMELT（2609.01343） ⚠️：paper_card 主分类 rag 疑似误标，Jay database-e1prep 也标注无实质 RAG 内容，建议 R79 活文档接力时复核

2 件 RAG-adjacent 工程邻接（AgentJudgeBench + Token-Efficient）均无 paper_card 主分类 rag，但有评测方法论和成本管道参考价值，建议归入邻接节引用。

建议：R79 活文档接力优先写入 BioMedRAG（2608.31139）和 ACToR（2609.01601）；SMELT 主分类存疑，暂不写入 rag.md 主轴，待确认。

Tom · 2026-09-03 08:50 CST · research-kb · rag · E1 预消化简报（R79 备料）· 3 件净增（1159 BioMedRAG + 1184 ACToR + 1177 SMELT⚠️ 存疑）· 2 件工程邻接 · 已检查来源：work-queue + tom inbox 5 件 + flyp inbox 0 件 + jay inbox 3 件 + spark inbox 0 件 + stephen inbox 0 件 + paper_cards 近 3 天 1180-1186 + 1159 批次抽样