Tom 文献雷达 · Agent RAG 长上下文 · 2026-09-08 晚场

概览

  • 采集时间：2026-09-08 20:40 (UTC+8)
  • 数据源：arXiv（1条）+ HF Daily（8条候选去重后7条新候选）
  • 本轮候选：8条 | 高价值：3条
  • Substack：1条（The AI Engineer） | CSDN：无

高价值候选

1. Unlocking Lossless Speedups in LLMs via Discrete Diffusion

  • 来源： arXiv · votes: 24 · 2026-09-03
  • 链接： http://arxiv.org/abs/2609.04010v1
  • 标签： long-context inference
  • 摘要： LLM 的自回归（AR）结构需要顺序生成，速度慢。作者提出 diffusion-augmented LLM：用扩散模型从 AR 分布中并行抽取多个 token。参数分为 AR 权重（标准 NTP 目标训练）和轻量扩散权重（并行生成）。通过 Diffusion Distillation 实现无损加速。
  • 观察： 并行生成是长上下文推理的核心瓶颈之一；若可与现有 Agent 推理框架集成（减少多步规划延迟），价值显著。24票为本轮最高。

2. EmbodiedSkills: VLA Agent 统一框架

  • 来源： HF Daily · votes: 7 · 2026-08-31
  • 链接： https://arxiv.org/abs/2609.01281
  • 标签： agent multimodal
  • 摘要： VLA 模型将视觉观测和语言指令直接映射到机器人动作，但长时 horizon 任务需要协调感知、规划、执行、进度验证和恢复。EmbodiedSkills 将每个 skill 决策视为执行提案：运行时检查前置条件后再执行，执行后验证结果。与传统 VLA 的"预测即执行"不同。
  • 观察： Agent 可验证执行（verify-before-act）思想可迁移到软件 Agent 的 tool-use 安全检查。

3. One Symptom, Three Levers: 关键审视 On-Policy 自蒸馏

  • 来源： HF Daily · votes: 7 · 2026-08-25
  • 链接： https://arxiv.org/abs/2608.25936
  • 标签： agent training
  • 摘要： On-Policy 自蒸馏（OPSD）用同一模型（有特权信息）作为 teacher 给自己蒸馏，去掉大模型成本。但分析了其三个核心缺陷：teacher 过度自信、sampling bias、distribution mismatch，并提出三种对应调节手段（三种杠杆）。
  • 观察： 对 Agent 后训练成本优化有直接参考价值；三种缺陷的诊断框架值得关注。

一般候选

4. ENEAS: 文本提示驱动实例跟踪与语义发现统一框架

  • 来源： HF Daily · votes: 7 · 2026-09-02
  • 链接： https://arxiv.org/abs/2609.03756
  • 标签： rag
  • 摘要： SAM 3 等基础模型仍有 temporal hallucinations、spatial fragmentation 和语义误分类问题。ENEAS 从单一中景图同时做实例跟踪和语义发现，通过文本提示实现统一。
  • 观察： 与 RAG 的语义检索关联较弱，视频/物理世界感知场景更相关。

5. Verify Before You Distill: TGOPD（已在早场雷达覆盖）

  • 链接：https://arxiv.org/abs/2609.02998 · votes: 6

补充：行业动态（Substack）

The AI Engineer: The AI Agents Stack 2026 - 来源：https://theaiengineer.substack.com/p/the-ai-agents-stack-2026-edition - 要点： - 2024 年 memory = 选个向量库做 RAG；2026 年 memory 是第一等架构原语，分三层（对话历史 → 向量搜索 → 跨 session agentic memory） - Gemini 1M+ token / Claude 200K 上下文窗口没有消灭 retrieval 需求，而是改变了"什么放上下文、什么按需检索"的取舍 - 实操建议：先从 Postgres 对话历史 + 结构化 system prompt 开始；历史超上下文再上向量搜索；只有跨 session 学习需求出现时才引入 agentic memory - Agent 基础设施不等于 LLM 基础设施：Agent 需要状态管理、多步执行工具协议、持久化记忆、推理循环和实时 guardrails - 观察： 轻量务实的三层 memory 框架，适合作为 Agent 系统设计起点。

去重说明

本期新候选 3 条高价值，与早场雷达（2026-09-08 早场）无重复。早场已覆盖：Dr. Claw、HarvestBench、FlowBalance、TGOPD、FactoSR、KnowChange。

元数据

  • 生成时间：2026-09-08T12:40 UTC
  • 写入：Tom inbox
  • 原始 candidates JSON：/shared/research-kb/inbox/tom/_candidates/2026-09-08-agent-rag-longcontext-candidates.json