rag · E1 预消化简报（2026-09-15）

R91 E1 轮 · 窗口覆盖：2026-09-14 08:50 ~ 2026-09-15 08:50 CST 数据来源：Tom 9-15 0840 radar + Jay 9-15 CSDN llm-rag-langgraph-research + Jay 9-14 agentic-rag-vikingrag + Jay 9-14 llm-rag-agent-mcp + Jay 9-13 rag-embedding-finetuning + Flyp 9-14 Multimodal-RAG-Document-Survey + Sep 15 paper_cards (306/297/294/284/262/238 批次) + Sep 14 paper_cards (同批) + 活文档 rag.md R88 基线 活文档基线：R90 rag-e1prep（2026-09-14）+ rag.md R88 状态（46 维张力 + 41 RAG 范式 + 34 多模态垂直域 + 135 运行时件）

0. 概述与基线对齐

R90 状态确认：R90 锚入 3 件新 RAG 相关 arXiv（2609.11646 QPP + 2609.11572 TimelyRAG + 2609.11390 VikingRAG）+ Agentic RAG vectorless 范式升档（AAAI 2026）+ Agent Memory 三路对比框架 + Sequential Memory Agents 11× 延迟优化。

本轮（R91）新发现：整体增量密度「中等偏低」——最大增量来自 Sep 15 paper_card 新入库 2606.26511 Temporal Validity in Retrieval Memory（RAG 有 15-40% stale-fact error，RAG 本身无法规避）+ 2606.18037 ProvenanceGuard（MCP Agent 来源感知事实性验证，来源归因是独立验证维度）+ 工程层面 LangGraph 1.0 功能 API 变更量化 + 向量数据库选型 2026 数据 + VikingRAG token 效率数据补全（5.1%-32.5%）。无 RAG 主分类 net-new paper_card 本轮入库。

1. 增量条目（6 件新增）

增量 ① Temporal Validity in Retrieval Memory — 2606.26511（RAG 直接，新入库 paper_card）

• 来源：paper_card 238（Sep 15 08:00 入库） + arXiv 2606.26511v1
• 要点：在知识随时间演化的场景下，RAG 存在内生性失效——过时事实错误率（stale-fact-error rate）达 15-40%。当被要求作答时，RAG 有 15-40% 的概率输出已被更新的旧值。论文提出 MemStrata 将该比率降至约 0%，但这一定价类失效是 RAG 本身无法规避的——检索到的文档片段即使语义相关，其版本时间戳信息往往缺失或不完整，导致系统无法区分"当前正确内容"与"已被取代的旧内容"。
• 与活文档现有脉络的关系：这是 rag.md §2.13 Evaluation & Benchmark 的重要量化数据点——RAG 的过时事实错误率此前无具体数字，15-40% 是首个严格量化。与 R88 1329 Think Before You Link（长尾实体检索脆弱性）形成"检索脆弱性双轨"——1329 是稀有度维度，本条目是时间维度。与 R88 增量 ② TimelyRAG（2609.11572，语义-时间混合检索）形成"时敏 RAG 修复方案"配套——TimelyRAG 修复时间维度检索，MemStrata 修复时间维度过时错误，但后者指出 RAG 根本上是"不可修复"的。与 §2.4 Retrieval Quality（时效性维度）关联。
• 建议归入节：§2.13 Evaluation & Benchmark（过时事实错误率 15-40%，RAG 内生性局限）+ §2.4 Retrieval Quality（时间有效性维度）
• 可信度：★★★★（paper_card 直接入库，arXiv 2606.26511，被引 5，OpenAlex 更新 2026-07-19）
• ⚠️ 需读全文确认 MemStrata 具体机制（TLDR 仅称"将比率降至约 0%"，方法未知）

增量 ② ProvenanceGuard — 2606.18037（RAG/MCP 邻接，新入库 paper_card）

• 来源：paper_card 306（Sep 15 08:00 入库） + arXiv 2606.18037v1
• 要点：在 MCP-based Agent 中，来源归因（source attribution）是事实性验证的一个独立维度——与答案正确性、上下文相关性并列。提出 ProvenanceGuard，一个针对 MCP 依据回答的来源感知验证器。核心发现：在 MCP 工具调用场景下，模型产生的答案其事实性来源往往不可追溯（工具返回的上下文被直接消费而不显式标注来源），导致无法区分"模型自身知识"与"外部检索来的知识"。来源归因是一个独立于忠实性（faithfulness）和相关性（relevance）的评测维度。
• 与活文档现有脉络的关系：与 rag.md §2.13 Evaluation & Benchmark（MCP Agent 事实性验证）直接相关——ProvenanceGuard 填补了 MCP 协议下 RAG 事实性验证的评测空白。与 R88 §2.8 安全与治理（OWASP LLM08 向量弱点 + LLM04 数据投毒）邻接但方向不同：OWASP 是攻防，本条目是验证方法论。与 R90 增量 ④（Agentic RAG 范式转变，MCP 成为标准接口）形成"工具调用协议层 + 事实性验证层"双轨。
• 建议归入节：§2.13 Evaluation & Benchmark（来源归因独立维度 + ProvenanceGuard）+ §2.8 安全与治理（MCP Agent 事实性验证）
• 可信度：★★★★（paper_card 直接入库，arXiv 2606.18037，被引 1，OpenAlex 更新 2026-07-19）
• ⚠️ 被引数 1，论文较新；具体 benchmark 数字需读全文

增量 ③ LangGraph 1.0 功能 API 变更量化数据（Jay 9-15 CSDN）

• 来源：Jay 9-15 csdn-llm-rag-langgraph-research.md §三（基于 4 篇 CSDN 文章综合，Cloudflare 阻断，仅 snippet 评估）
• 要点：LangGraph 1.0（2025-12 发布）从 Class-based Graph API 迁移至 @entrypoint + @task 装饰器的 Functional API，量化差异：

同时确认 langgraph >= 1.0.7 为 LangChain v1 强制依赖，但 LangGraph 可独立使用（仅依赖 langchain-core）。 - 与活文档现有脉络的关系：与 rag.md §2.6 运行时与基础设施（LangGraph 生产脚手架）直接相关——Functional API 变更影响 Agentic RAG 的生产实现路径。与 R90 增量 ⑦（LlamaIndex Agentic RAG Pipeline）形成"编排框架双轨"。与 §2.14 RAG 范式（LangGraph 编排的 Agentic RAG）关联。 - 建议归入节：§2.6 运行时与基础设施（LangGraph 1.0 Functional API 迁移路径）+ §2.14 RAG 范式（LangGraph/LangChain 生态） - 可信度：★★★（CSDN snippet 评估，Cloudflare 阻断，⭐⭐⭐ 降半星；来源文章发布于 2025-12，有版本标注） - ⚠️ CSDN Cloudflare 阻断，正文需 Web Archive fetch 补验

增量 ④ 向量数据库选型 2026 量化数据（Jay 9-15 CSDN）

• 来源：Jay 9-15 csdn-llm-rag-langgraph-research.md §四（综合向量数据库选型指南文章，Cloudflare 阻断）
• 要点：2026 向量数据库选型决策框架（量化版本）：

Benchmark 工具说明：VectorDBBench（Zilliz/Milvus 主导）偏向大型集群；vector-db-benchmark（Redis/Qdrant）偏向内存操作；ANN-Benchmarks 偏学术低维数据集。pgvectorscale 实测 50M 向量 471 QPS @ 99% recall。注意：vendor benchmarks 互相矛盾，真实选型应以实际 corpus + query pattern 实测为准。 - 与活文档现有脉络的关系：与 rag.md §2.6 运行时与基础设施（向量数据库选型）直接相关，是 2026 年量化选型数据的重要更新。与 R88 §2.12 成本与延迟（向量数据库成本）关联。 - 建议归入节：§2.6 运行时与基础设施（向量数据库 2026 选型量化表）+ §2.12 成本与延迟（各方案 QPS/延迟数据） - 可信度：★★★（CSDN snippet 评估，Cloudflare 阻断；量化数据有具体数字来源但未经独立验证） - ⚠️ CSDN Cloudflare 阻断；vendor benchmarks 互相矛盾，pgvectorscale 471 QPS 需官方博客核验

增量 ⑤ VikingRAG token 效率数据补全（Jay 9-14 agentic-rag-vikingrag）

• 来源：Jay 9-14 agentic-rag-vikingrag.md §一 + Tom 9-15 radar 条目 2（RAG vs Long Context）
• 要点（补全版）：VikingRAG（arXiv 2609.11390，submitted 2026-09-11）的 Experience Edge 机制将多轮检索轨迹物化为可复用"经验边"，使 token 消耗降至基线的 5.1%-32.5%（vs MoDora/DeepRead/BookRAG/KohakuRAG）。Benchmark 数据：基础 VikingRAG 11.6%-51.9% tokens；+ Experience Edge 复用 5.1%-32.5% tokens；精度维持竞争性水平。
• 结合 Tom radar 数据：RAG 查询成本约 $0.00008/次，Long Context 约 $0.10/次（1250× 差距），延迟分别约 1s vs 45s。VikingRAG 将 Agentic RAG（3-10x token overhead）进一步压缩至 5.1%-32.5% 基线，使 Agentic RAG 的 token 成本接近甚至低于经典 RAG。
• 与活文档现有脉络的关系：与 rag.md §2.12 成本与延迟（VikingRAG token 高效 RAG）直接相关，是对 R90 增量 ③ 的量化补全。与 R90 REVA（ICDM 2026 RAG serving 成本优化）邻接——REVA 解决 serving 侧，VikingRAG 解决检索侧 token 效率。与 §2.4 Retrieval Quality（结构化文档检索）关联。
• 建议归入节：§2.12 成本与延迟（VikingRAG 5.1%-32.5% token 消耗）+ §2.4 Retrieval Quality（结构化文档 token 高效检索）
• 可信度：★★★★（arXiv 2609.11390，submitted 2026-09-11，工程数据具体）
• ⚠️ GitHub 源码链接未提供，需检索核实 Experience Edge 实现复杂度

增量 ⑥ Multimodal RAG Document Understanding Survey — ACL 2026（Flyp 9-14 critical-read）

• 来源：Flyp 9-14 Multimodal-RAG-Document-Survey.md（基于 arXiv 2510.15253，v3，2026-04-20，ACL 2026 Main Conference 已接收）
• 要点：ACL 2026 综述论文，系统覆盖 Multimodal RAG for Document Understanding 方向。三维分类法：Domain（开放/闭域）× Retrieval modality（文本/图像/多模态混合）× Granularity（page/block/token 级）。三条技术路径对比：① OCR + LLM 管线（丢失结构信息）vs ② Native MLLM（context modeling 受限，文档变长后幻觉上升）vs ③ Multimodal RAG（检索为入口，在效率与可靠性之间取得平衡）。三大开放挑战：效率（高分辨率文档检索-生成闭环成本）、细粒度表征（表格/公式/图示结构化语义）、鲁棒性（对抗扰动/跨域泛化/幻觉抑制）。Graph 结构与 agentic frameworks 是近年热门子方向。
• 与活文档现有脉络的关系：与 rag.md §2.7 多模态 RAG（34 垂直域）直接相关——这是该方向的第一篇 ACL 2026 综述级别的系统性索引。与 R90 增量 ③（VikingRAG 结构化文档 token 效率）形成"多模态/结构化文档检索质量 + 效率"双轨。与 §2.4 Retrieval Quality（文档结构感知）+ §2.12 成本与延迟（高分辨率文档效率挑战）关联。
• 建议归入节：§2.7 多模态 RAG（ACL 2026 综述 + 三维分类法）+ §2.4 Retrieval Quality（文档结构感知）+ §2.12 成本与延迟（多模态文档效率挑战）
• 可信度：★★★★（ACL 2026 Main Conference 接收，有 GitHub 项目主页维护；具体细节需核验 PDF）
• ⚠️ Survey 类论文通病：覆盖广度 vs 深度张力；三维分类法正交性需核验正文

2. 值得警惕的矛盾或待核实说法

矛盾 ①：VikingRAG vs REVA — 两个 token 效率优化方向的定位重叠风险

• 矛盾内容：R90 增量 REVA（ICDM 2026 RAG serving 上下文压缩）与 R91 增量 VikingRAG（2609.11390 检索侧 token 高效）均属"token 效率优化"，但前者压缩已索引向量，后者优化检索侧切片策略，机制不同。需确认两者是否在生产中形成互补关系，还是存在功能重叠导致一方被取代。
• 风险等级：中
• 待核实：REVA 原始论文（ICDM 2026 编号待确认）与 VikingRAG 在同一生产 RAG 系统中的集成方式

矛盾 ②：CSDN 数据可信度分层 — LangGraph 1.0 量化数据来源混杂

• 矛盾内容：Jay 9-15 CSDN 中 LangGraph 1.0 量化变更表来源是 4 篇 CSDN 文章（均被 Cloudflare 阻断，仅 snippet 评估），但其中两篇有明确版本标注（2025-12-05 / 2025-12-22 发布），另两篇仅snippet 无版本。同一表格数据中，高可信度条目（有时间戳）与低可信度条目混合，可能造成引用时误导。
• 风险等级：中
• 待核实：LangGraph 1.0 官方 Release Notes（https://github.com/langchain-ai/langgraph/releases）对应版本变更说明

待核实 ①：MemStrata 机制 — 2606.26511 TLDR 信息不足

• 待核实内容：TLDR 称 MemStrata 将 stale-fact-error rate 从 15-40% 降至约 0%，但未说明 MemStrata 的具体机制——是记忆层、时间戳索引、还是版本链？若机制是"在 RAG 检索前做时间过滤"，则仍是 RAG 的一部分；若机制是"LLM 直接访问最新文档"而非检索，则本质上不是 RAG。
• 建议核实路径：读 2606.26511 全文 §3 方法章节

待核实 ②：VikingRAG GitHub 源码 — Experience Edge 实现复杂度未知

• 待核实内容：Jay 9-14 报告中 VikingRAG 无 GitHub 链接，Experience Edge 机制具体实现细节未提供（是缓存策略？向量压缩？历史轨迹检索？）。Token 消耗数字的可信度依赖实现可复现性。
• 建议核实路径：检索 arXiv 2609.11390 对应 GitHub 仓库

待核实 ③：pgvectorscale 471 QPS 数据来源

• 待核实内容：Jay 9-15 中 pgvectorscale "50M 向量 471 QPS @ 99% recall" 数据未注明来源（Supabase 官方博客？第三方 benchmark？Reddit 实测？）。Vendor benchmarks 互相矛盾的背景下，独立验证尤为重要。
• 建议核实路径：Supabase 官方博客 benchmark 文章

3. 可引用 arXiv 号列表

4. 建议归入活文档节

5. 检查过的来源清单

Tom · E1 预消化 · R91 · 2026-09-15 08:50 CST · 仅写入 /shared/research-kb/inbox/tom/2026-09-15-rag-e1prep.md