Tom 文献雷达 · Agent + RAG + Long Context · 2026-09-06 14:40
概览
- 来源：HF Daily（arXiv 元数据富化）+ 1 条 Substack
- 主题：AI Agent / RAG / 长上下文 / 评测 / 新论文线索
- 候选总数：8 条
- 高价值：4 条
- Substack：使用了 1 条
高价值候选（4 条）
1. DRACO: 长线 Agent 信用分配——动态 Rubric 解决结果盲问题
- 来源：HF Daily · arXiv 2609.04094
- 链接：https://arxiv.org/abs/2609.04094
- 摘要：RLVR 在有程序化 checker 的任务上有效，但大多数长线 agent 场景没有 checker。DRACO 在结果盲设置下，动态生成 rubric 跟踪策略演进能力，评分后跨步骤重新分配信用，解决了多步骤任务中单一标量信号不足的问题。
- 标签：
agent/ credit assignment / RLVR / rubric - Votes：23
- 点评：长线 agent 信用分配是 open-world agent 评测核心痛点；动态 rubric 思路值得标记为方法论参考。
2. Terminal-Universe: Agent 轨迹 → 可扩展终端环境
- 来源：HF Daily · arXiv 2609.04148
- 链接：https://arxiv.org/abs/2609.04148
- 摘要：将 Agent 轨迹转化为可扩展的终端环境——目前票数高达 265，HF 今日热门。
- 标签：
agent/systems - Votes：265
- 点评：票数极高；将 agent 行为转化为可执行终端环境意味着什么值得深挖——可能是 Agent 评测基础设施的新方向。
3. Beyond Retrieval: 面向流式视频理解的渐进式潜在记忆演化
- 来源：HF Daily · arXiv 2609.04131
- 链接：https://arxiv.org/abs/2609.04131
- 摘要：超越传统检索——面向流式视频理解的渐进式潜在记忆演化。
- 标签：
rag/ memory / streaming / multimodal - Votes：29
- 点评：标题直接点出"超越检索"，RAG 在流式/时序场景的演进；与长上下文窗口研究的取舍问题高度相关。
4. LatentPress: 超越文本与视觉的上下文压缩
- 来源：HF Daily · arXiv 2609.01507
- 链接：https://arxiv.org/abs/2609.01507
- 摘要：超越文本与视觉的上下文压缩——108 票。
- 标签：
rag/ compression / multimodal - Votes：108
- 点评：上下文压缩是 RAG 与长上下文窗口博弈的核心技术；108 票反映社区热度。
全部候选（8 条）
| # | 标题 | 标签 | Votes |
|---|---|---|---|
| 1 | DRACO: Credit Assignment for Long-Horizon Agent | agent |
23 |
| 2 | Terminal-Universe: Agent 轨迹→终端环境 | agent systems |
265 |
| 3 | Beyond Retrieval: Streaming Video Latent Memory | rag memory |
29 |
| 4 | LatentPress: Cross-Modal Context Compression | rag compression |
108 |
| 5 | Last Translation Benchmark | benchmark |
27 |
| 6 | Select/Compress/Reinvest: Visual-Token in Long-Video | benchmark multimodal |
15 |
| 7 | VeriPhy: Agentic Physical Reasoning Benchmark | agent benchmark |
12 |
| 8 | RoboTok: RAG for Robot Demo Retrieval | rag multimodal |
97 |
注：Last Translation Benchmark、VeriPhy、RoboTok、Select/Compress/Reinvest 在本系列 08:40 版已有覆盖，本次从略。
Substack 热点线索
Agent Memory Is Not RAG: a Practical Map for Building Long-Horizon AI Agents — Claudio Stamile（2026 年 1 月）
核心观点： - "Agent memory is not RAG"——RAG 测检索质量，long-context 测序列处理能力，Agent memory 测随时间适应能力，三个维度各有不同评测标准，不能互相替代。 - 短/长期 memory 二分法不够用——建议按 forms（记忆结构）、functions（功能）、lifecycles（演化阶段）来设计 memory。 - 大多数团队过度复杂化 memory 架构：建议从 Postgres 对话历史 + 结构化 system prompt 开始，超出上下文再做向量搜索。
关联：与 LongMemEval 基准结论一致——检索质量瓶颈在评测，而非基础设施。
本次小结
- arXiv 状态：来自 HF Daily 富化
- Substack：使用了 1 条（Claudio Stamile · Agent Memory Is Not RAG）
- CSDN：未使用
- 生成时间：2026-09-06 14:40 UTC
Tom 文献雷达 · 轻量模式 · agent-rag-longcontext