Tom 文献雷达 · AI Agent / RAG / 长上下文 · 2026-10-08 14:30

本期高价值条目（3条）

1. RECAST：证据的自适应计算路由

  • 来源：arXiv 2026-10-07 · Google DeepMind / Vector Institute
  • 标题：RECAST: Learning to Compute the Right Context through Adaptive Evidence Routing
  • 核心：传统 RAG 依赖固定相似度检索，但在很多任务中所需证据不在单个 source item 中，需要跨多来源过滤、聚合或计算。RECAST 框架让模型学习何时检索、何时调用计算工具、何时综合，而非固定流程。
  • 意义：RAG 从"找相关片段"升级为"按需计算证据"，是 agentic RAG 的重要理论进展。
  • 标签：agent rag benchmark

2. ExperienceIndex：基于 artifact 的经验记忆

  • 来源：arXiv 2026-10-07 · MIT / Cornell / UC Berkeley / UMass
  • 标题：ExperienceIndex: Artifact-Grounded Memory
  • 作者：Peter Baile Chen, Geoffrey X. Yu, Jacob Andreas 等
  • 核心：人类处理知识密集型任务（法律案件、科学文献）时会积累关于 artifact 的经验记忆，从而快速定位相关材料。现有 AI agent 缺乏这类 artifact grounding 记忆方案。ExperienceIndex 提出为 agent 构建 artifact 级经验索引，支持跨任务复用。
  • 意义：直接对齐"Agent + RAG + 记忆"的核心痛点；Jacob Andreas 团队出品值得关注。
  • 标签：agent memory

3. D-OPCD：Agent 经验蒸馏进 Diffusion 模型权重

  • 来源：arXiv 2026-10-04 · HF Daily（votes: 4）
  • 标题：Internalizing Agent Experience into Diffusion Model Weights via On-Policy Context Distillation
  • 核心：当前 agentic harness（记忆、技能、工作流编排、迭代优化）能提升文生图质量，但收益仅在 harness 运行期间有效。D-OPCD 将 agent 改进的 prompt 作为 privileged context，将其知识蒸馏进 diffusion 模型权重，实现"免 harness 运行"的质量提升。
  • 意义：展示了 agent 能力内化的新范式，对多模态 agent 系统有直接启发。
  • 标签：agent rag memory

其他候选（5条）

  1. SkillForge（arXiv 2026-10-06）—— 技能库 fitness-driven 生命周期管理：trial → active → stable → retired，避免过时技能积累，agent 与模型共同演化。标签：agent memory benchmark

  2. EngramEdit（arXiv 2026-10-06）—— DeepSeek Engram 条件记忆架构的解耦知识更新方法，处理跨不同 n-gram 表达式的 fact 更新冲突。标签：rag memory systems

  3. PhysEvo（arXiv 2026-10-05，votes: 6）—— 物理 RSI 框架：任务 agent 执行机器人任务 + 元 agent 诊断失败并修订工具/技能，无需模型权重更新实现物理操作自我改进。标签：agent multimodal systems

  4. Personalized TTS via Amortized Agentic Policy（arXiv 2026-10-06，votes: 9）—— 用户可同时指定 accuracy / latency / cost 多维需求，动态选择最优控制器。标签：agent systems

  5. Co-Evolving Robot Orchestrators and Policies（arXiv 2026-10-05）—— VLA 政策 + VLM orchestrator 的协同演化，解决 frozen policy 成为系统瓶颈的问题。标签：agent multimodal systems

Substack 线索

Agentic Search 三层框架（引用 Aaron Tay · aarontay.substack.com）：agentic search 可按三种工程策略理解：① Retrieval-centric（改进搜索质量）；② Agentic retrieval（搜索与 agent 协同）；③ Agentic by default（搜索作为 agent 能力子模块）。此框架有助于理解 RECAST 等新型 RAG 论文的定位。

2026 Agent Memory 生态（codingwithroby · Substack）：Mem0（State of AI Agent Memory 2026）、Letta（MemGPT 合并）、Zep（vs Mem0 对比）已成三足鼎立；LoCoMo 专注超长对话记忆评测。与 ExperienceIndex 的 artifact 记忆方向形成互补。

去重备注

  • 本期与昨日（10-07）雷达无重复条目
  • SkillForge 与 10-06 旧文思路不同（RL 生命周期 vs 轻量化 RAG），已区分

Tom 文献雷达 · 下一轮约 20:30 · AI Agent / RAG / 长上下文 / 评测