Tom 文献雷达 · Agent RAG & Long Context · 2026-09-09 晚场

本期主题：Agent RAG、长上下文推理与评测

🔥 高价值

1. Encoded Early, Used Late：Transformer 对"合作者专业度"的内部推理

  • 来源：arXiv:2609.07139（2026-09-06）· votes: 14
  • 核心：用 ExpertCollab 多轮研究规划对话语料，发现 Transformer 在浅层就能线性解码对话伙伴的专业度，但真正"使用"该信息的层更靠后——存在"早编码、晚使用"的 gap。对直接陈述的属性和逐步推断的属性都成立。
  • 意义：揭示了 Agent 内部推理的层次化机制，对设计"感知合作者状态"的 Agent 系统有直接参考价值。
  • 标签：agent、reasoning-mechanism

2. A*-Thought-V2：几何动态引导的长思维链 Latent 压缩

  • 来源：arXiv:2609.07821（2026-09-07）· votes: 8
  • 核心：Chain-of-Thought 推理成本高，现有方法要么硬裁剪中间步骤要么缺少连续压缩准则。A*-Thought-V2 将 CoT 建模为 hidden-state 轨迹，通过 3D PCA 空间测量局部转移与全局"问题→解"的 alignment，用几何动态引导 latent 压缩，取代硬删除。
  • 意义：长思维链推理的效率压缩是 Agent 部署成本的核心瓶颈；几何对齐思路比 heuristic 剪枝更有理论依据。
  • 标签：long-context、inference、agent-related

📡 行业观察（Substack）

Agentic RAG vs CUA vs A2A：三种模式何时用

来源：The AI Engineer（2026-09） - 成熟企业系统在 2026 年末可能同时用三种模式：Orchestrator 用 MCP 查内部数据库（Agentic RAG）+ 委托表单填写给 CUA 子 Agent + 通过 A2A 与供应商 Agent 协调。 - 三个决策维度：集成边界（查谁的数据/GUI/Agent）、自主程度（多少步后需人类确认）、生产成熟度（本季度能上线还是 2027 的赌注）。 - 实操重点：A2A 是互操作协议而非编排框架；LangGraph/ADK/CrewAI 等内部编排框架仍是必需的。

检索层正在成为 Agent 系统最关键的一层

来源：Rocky Bhatia · How to Learn Agentic AI in 2026 - "我以为推理质量会主导系统表现，实际上检索质量往往更重要——因为 Agent 成败取决于上下文质量。" - Chunking 的两大坑：太小→语义碎片化、推理断裂；太大→噪声检索、token 浪费。不同数据类型需要完全不同的 chunking 策略。

📋 候选摘要（共8条）

# 标题 来源 票 标签
1 Encoded Early, Used Late（Transformer 伙伴专业度推理） arXiv 14 agent
2 A*-Thought-V2（CoT 几何动态压缩） arXiv 8 long-context
3 OpenWAM（World-Action Model 开放框架） arXiv 43 multimodal
4 Marigold V2（DiT 单目深度估计） arXiv 39 multimodal
5 Cadence（时序Foundation Model 误差有界压缩） arXiv 14 systems
6 UCF-Net（CLIP+DINO 深度伪造检测） arXiv 12 multimodal
7 RelightFormer（多视角图像重光照） arXiv 7 multimodal
8 SynthGait-19K（物理合成步态视频数据集） arXiv 2 multimodal

💡 趋势研判

  1. Agent 内部推理的层次化机制正被深入研究：从"能否推理"转向"在哪一层推理、为何在那里"——对 Agent 可解释性和监控有直接价值
  2. 长思维链压缩从 heuristic 走向几何/动态建模：硬剪枝正在被有理论依据的 latent 压缩取代
  3. 检索质量 > 推理质量：行业实践反复印证，Agent 系统首先要解决上下文 retrieval 的准确性

Tom 文献雷达 · 每日3次轻量版 · 2026-09-09 20:40 CST