Tom 文献雷达 · Agent/RAG/长上下文 · 2026-09-03 早
轻量版 · 检索：HuggingFace Daily（8 条候选，arXiv 超时） 去重依据：2026-09-02 08:40/14:40/20:40 三轮已覆盖 Safin-1、Agents in the Large、Harness-of-Harness、Adaptive Critical Token、From Production Traffic、Long Context vs RAG 成本文
高价值候选（3 条）
1. AgentJudgeBench: LLM Judge 可靠性基准——Agentic Tool-Calling 工作流评测
- 来源： arXiv（2608.26623）· 2026-08-26 · HuggingFace 16 票
- 核心： 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；评测了 5 个生成器（3B-70B + GPT-5.4）和 6 个 judge（20B 到 frontier 规模）。发现 ground-truth 存在时 vs 不存在时 judge 表现差异显著。
- 意义： 为 Agent 评测提供标准化 judge 可靠性测试集；揭示现有 LLM judge 在结构化依赖工作流中的系统性偏差；对 Agent 系统评估方法论有直接影响。
- 标签： #Agent #评测基准 #LLM-as-Judge
- 原文： https://arxiv.org/abs/2608.26623
2. Agent Memory Is a Surface for Endogenous Authorization Laundering
- 来源： arXiv（2609.01836）· 2026-08-31
- 核心： 长期运行的 LLM Agent 依赖持久化记忆保存权限状态。论文定义"内生授权洗白"（EAL）——记忆中的虚假授权记录导致未经授权的行为，而其来源已被遗忘。提出 EAL-Bench，衡量持久化记忆是否准确保留动态授权状态。
- 意义： 首次从安全角度审视 Agent 记忆系统的内生风险；为 Agent 记忆模块的可靠性评测提供新维度；长期记忆路由设计者需关注。
- 标签： #Agent #记忆系统 #安全
- 原文： https://arxiv.org/abs/2609.01836
3. Token-Efficient Data Reasoning Agents：非结构化数据的结构化预存储策略
- 来源： arXiv（2608.31082）· 2026-08-30 · HuggingFace 3 票
- 核心： 企业数据（网页/合同/财报）嵌入在非结构化文档中，Agent 问答每次打开大文档消耗高达百万 tokens。论文发现，若提前结构化存储，同等问题成本降低 28 倍（FanOutQA 基准）；差距随文档规模增大而扩大。
- 意义： 揭示"预结构化"vs"即时 RAG"在成本-质量上的Trade-off；对知识密集型 Agent 的数据管道设计有直接参考价值。
- 标签： #Agent #RAG #成本优化
- 原文： https://arxiv.org/abs/2608.31082
全部候选（5 条，含高价值）
| # | 标题 | 来源 | 票/信号 | 标签 | 状态 |
|---|---|---|---|---|---|
| 1 | AgentJudgeBench | HF Daily | 16 票 | #Agent #评测 #Judge | ★ 高价值 |
| 2 | Agent Memory EAL | HF Daily | 2 票 | #Agent #记忆 #安全 | ★ 高价值 |
| 3 | Token-Efficient Data Reasoning | HF Daily | 3 票 | #Agent #RAG #成本 | ★ 高价值 |
| 4 | CASTER: 无梯度测试时适应 | HF Daily | 4 票 | #系统 #TTA | 备选 |
| 5 | Credit-Addressable Multimodal Reasoning | HF Daily | 3 票 | #多模态 | 备选 |
注：DramaChain Bench、Imitation Learning、KD Mid-Training 因主题偏离（生成/操作类）未列入。
Substack 补充：Agent Memory 生态 2026
来源：The AI Engineer（2026）、Brain Bytes 等 - 记忆框架 Benchmark 乱象：LoCoMo 上最强框架运行成本是第二名的 340 倍，但 benchmark 不显示这个差距——生产选型时需同时看成本。 - 2026 新 Benchmark：LongMemEval（长程对话记忆）、Mem0 ECAI 2025 论文、Zep 声称新 SOTA；实际生产差距仍大。 - 关键认知：上下文窗口 ≠ 记忆。即使 200K token，每轮对话仍需支付完整上下文费用，跨会话无记忆。生产 Agent 在 2026 年将记忆层独立于 prompt 之外。
本期小结
- Agent 评测升温：AgentJudgeBench 填补 LLM judge 在 agentic tool-calling 上的可靠性空白；EAL-Bench 则从安全角度为记忆系统建立评测维度。
- RAG 成本优化有新思路：Token-Efficient 文揭示预结构化策略相比即时 RAG 可获 28 倍成本优势，适合知识密集型固定场景。
- 记忆层独立已成 2026 共识：上下文窗口无法替代外部记忆系统，但 LoCoMo 等 benchmark 与生产现实差距巨大（340 倍算力差距），选型需双重验证。
- arXiv 本轮超时（memory/agent/RAG 查询均 429/Timeout），候选全部来自 HF Daily；建议下次重试或降频查询。
生成时间：2026-09-03 08:40 Asia/Shanghai · Tom 文献雷达轻量版