rag · E1 预消化简报(2026-10-09)

执行体：Tom · E1 日间预消化轮(rag) · 2026-10-09 08:50 CST 底本：organized/knowledge/rag.md v114（R114 基线 · Oct 8）+ inbox/{tom,jay} 近 2 天 + paper_cards 近 3 天新卡 诚实度声明：本轮 RAG 主轴增量密度为「中低」——今日（Oct 9）radar 无 RAG 主分类 net-new；增量来自 Jay CSDN 工程视角新条目 + 2 件 paper_cards RAG 主分类条目（Memory Portability + SMELT）。另有 1 件安全轴邻接值得重点标记（Authorization Laundering · EAL-Bench）。

〇、检查范围与依据

inbox 来源（近 2 天 · RAG 相关筛选）

来源 文件 RAG 相关度
inbox/tom 2026-10-09-agent-rag-longcontext-radar.md（Oct 9 08:40 · 8 条候选，高价值 4 条） 高（radar 来源）
inbox/tom 2026-10-08-rag-e1prep.md（R114 基线 · Oct 8） 高（基线）
inbox/jay 2026-10-09T0820-jay-csdn-rag-agentic-multimodal-substack.md（Agentic RAG·多模态 RAG·12-Factor Agents·MCP/A2A） 高（RAG 工程实践新增）
inbox/jay 2026-10-08T0820-jay-csdn-inference-agent-rag-highvalue.md（推理引擎选型·RAG 可观测性·TurboQuant） 中（RAG 邻接，非主轴）
inbox/jay 2026-10-07-0820-jay-csdn-inference-rag-highvalue-oct.md（Agentic RAG / RAG 4.0 / GraphRAG） 中（工业视角；部分与 R114 重复）
inbox/flyp Oct 7-9 多文件 低（Agentic RL / Long Context；无 RAG 主轴内容）
inbox/spark Oct 7-9 多文件 低（coding agents / llm-infra；无 RAG 主轴内容）
inbox/stephen Oct 7-9 多文件 低（AI industry；无 RAG 主轴内容）

paper_cards 来源（近 3 天新卡 · RAG 主分类筛选）

编号 arXiv 标题 主分类 状态
1238 2609.05339v1 Does Your Agent's Memory Survive a Model Upgrade? rag ✅ RAG 主分类 net-new（Oct 9 确认入库）
1177 2609.01343v1 SMELT: Scaling Laws for Compute-Matched MoE Looped Transformers rag ✅ RAG 主分类（邻接级，S2被引 13）
1187 2609.01836 Agent Memory Is a Surface for Endogenous Authorization Laundering agent ⚠️ 安全轴邻接（EAL-Bench；建议入 Defense 轴）
1201 2608.29607v1 SnapBench: Snap-and-Ask Multimodal Retrieval rag 已在 radar，覆盖
1216 2608.29669v1 Portfolio Risk Bounds（Distributional Fields） rag 邻接级（finance；低优先级）
1236 2609.03199v1 RoboTok: Internet-Scale Data Engine for Human Demonstration Retrieval rag 邻接级（robotics retrieval；低优先级）

一、今日该主题最重要的增量（6 条）

增量 1 · RECAST：面向自适应证据路由的可学习框架（arXiv:2610.10507）— RAG 从"检索文档"到"推导证据"的范式跃迁

  • 来源：inbox/tom/2026-10-09-agent-rag-longcontext-radar.md 高价值 #1（Oct 9 radar）；paper_cards/ 建卡中
  • arXiv：2610.10507v1
  • 链接：http://arxiv.org/abs/2610.10507v1
  • 标签：rag agent benchmark systems
  • 主分类：rag ✅（RAG 主分类 net-new；今日 radar 新增）
  • 副分类：agent
  • 形态：method
  • 发布：2026-10-07（arXiv 提交）
  • 作者：Google DeepMind（Yilun Hao, Craig Boutilier 等）
  • TLDR：传统 RAG 依赖固定相似度检索，但很多证据不能从单一文档获取，需要跨多文档过滤/聚合/计算才能导出。RECAST——学习式框架，将证据路由建模为可学习的策略，结合计算、访问和合成工具。
  • 要点： 1. 问题：传统 RAG 假设目标答案存在于单一相关文档中，但实际很多问题需要跨多文档聚合计算才能导出答案（如统计趋势、比较分析、时序推导） 2. 方案：RECAST——证据路由建模为可学习策略，联合优化"计算工具、访问顺序、合成方式"三要素；Google DM 出品 3. 意义：从"检索文档"升级到"推导证据"——RAG 范式的重要扩展方向；与 EnSI-RAG（实体结构索引）、MatRAG（多跳 QA）同属 Reasoning 轴结构化推理方向 4. 与现有脉络关系：落在 Reasoning 轴（多跳/结构化推理）；与 R114 EC-RAG（事件链）共同构成"证据路由+事件链"双节点结构化推理；CLIMB（置信度引导）+ RECAST（策略路由）+ EC-RAG（事件链）形成推理轴三路径
  • 建议归入节：§2.6 多跳/结构化推理（Reasoning 轴新增）+ §2.14 范式（RECAST 范式贡献）
  • 可信度：⭐⭐⭐⭐（Google DM 出品；arXiv v1 新鲜；策略学习框架有学术贡献）
  • ⚠️ 限制：benchmark 具体数字、与现有 multi-doc RAG 方法的详细对比需读原文确认

增量 2 · ExperienceIndex：基于 Artifact 经验记忆的索引框架（arXiv:2610.10091）— Agent 跨任务检索经验积累

  • 来源：inbox/tom/2026-10-09-agent-rag-longcontext-radar.md 高价值 #2（Oct 9 radar）
  • arXiv：2610.10091v1
  • 链接：http://arxiv.org/abs/2610.10091v1
  • 标签：agent memory
  • 主分类：agent（rag 强邻接；artifact-grounded memory 与 RAG 检索经验直接相关）
  • 副分类：rag
  • 形态：method
  • 发布：2026-10-07（arXiv 提交）
  • 作者：Peter Baile Chen, Jacob Andreas, Samuel Madden 等（MIT / Microsoft / UPenn）
  • TLDR：人类通过经验积累对 artifact 的感知（哪些判例/论文值得检索），现有 AI agent 缺少这种 artifact-grounded experience。ExperienceIndex——让 agent 从历史任务中学习哪些 artifact 值得检索，在线质量提升 + 成本下降。
  • 要点： 1. 问题：知识密集型任务中，人类通过经验积累对 artifact 的感知能力——哪些论文/判例/文档值得检索；现有 AI agent 缺乏这种跨任务经验积累机制 2. 方案：ExperienceIndex——从历史任务中学习 artifact 检索价值；在线质量提升 + 成本下降；Jacob Andreas 团队出品 3. 意义：首个系统解决"agent 跨任务 artifact 经验积累"的工作；与 Memanto（知识图谱复杂度）形成"结构化记忆 vs 经验驱动检索"两条路径；与 δ-mem（固定大小状态矩阵）同属 Memory 优化方向 4. 与现有脉络关系：落在 Memory 轴（RAG 记忆层）；与 R114 δ-mem（第三条路）+ R114 UNREAL（统一 RAG/Long-Context 表征）形成"经验积累+固定矩阵+模型内部统一"三节点
  • 建议归入节：§2.9 Memory（RAG 记忆层新增）+ §2.14 范式（ExperienceIndex 经验驱动检索）
  • 可信度：⭐⭐⭐⭐（Jacob Andreas 团队；MIT/Microsoft/UPenn 联合；具体质量提升数字有学术支撑）
  • ⚠️ 限制：具体 benchmark 数字、与 Memanto 边界互补性需读原文确认

增量 3 · Agent Memory Is a Surface for Endogenous Authorization Laundering + EAL-Bench（arXiv:2609.01836）— RAG/记忆系统安全新维度

  • 来源：paper_cards/1187-2609-01836.md（主分类 agent；Oct 9 确认为 RAG 邻接安全轴）
  • arXiv：2609.01836
  • 链接：https://arxiv.org/abs/2609.01836
  • 标签：agent security benchmark
  • 主分类：agent（⚠️ 建议入 Defense 轴；RAG 邻接安全）
  • 副分类：rag
  • 形态：benchmark
  • 发布：2026-09（arXiv 提交）；S2被引 3；OpenAlex 更新 2026-09-05
  • TLDR：本工作在采购、网络安全与金融场景下评估了 5 个 LLM 作为记忆写入者、2 个 LLM 作为执行者，并提出 EAL-Bench，用于衡量持久记忆在多大程度上准确保留不断演化的授权状态，以及错误是否会向下游传播为未授权操作。
  • 要点： 1. 问题：Agent 的持久记忆系统是否会成为"内生授权洗钱"的载体——当记忆写入者与执行者分离时，授权状态的错误是否会被记忆系统静默传播，最终导致未授权操作 2. 方案：EAL-Bench——在采购/网络安全/金融三场景下评估 5 种 LLM 记忆写入者 + 2 种执行者；测量持久记忆保留授权状态演化的准确性 3. 关键发现（TLDR 推断）：记忆层的授权状态错误会级联传播至下游未授权操作；persistent memory 是授权安全的关键薄弱点 4. 与 RAG 关系：RAG 系统本质是"检索增强生成"，检索内容即知识——若检索内容中携带伪造的授权状态，RAG 生成结果同样面临授权漂移风险；与 RAG-PIBench（提示注入检测）同属 RAG 安全轴 5. 与现有脉络关系：落在 Defense 轴（安全性/鲁棒性）；与 R114 RAG-PIBench（提示注入检测）+ R113 Bounded Provisional + R113 RAGScope + R113 Agentic-ZTA 共同构成"提示注入检测+授权状态保全+零信任嵌入"四层 RAG 安全栈；EAL-Bench 新增"记忆层授权状态完整性"维度
  • 建议归入节：§2.8 安全（Defense 轴授权状态安全新增）+ §2.14 范式（RAG 安全评测体系新维度）
  • 可信度：⭐⭐⭐⭐（benchmark 形态；EAL-Bench 具体场景+量化方法；S2被引 3）
  • ⚠️ 限制：具体 F1/AUC 数字、实验规模需读原文确认

增量 4 · Memory Portability：Agent 记忆在模型升级后能否幸存？（arXiv:2609.05339）— RAG 记忆系统可移植性新维度

  • 来源：paper_cards/1238-2609-05339.md（主分类 rag；Oct 9 确认为 RAG 主分类 net-new）
  • arXiv：2609.05339v1
  • 链接：http://arxiv.org/abs/2609.05339v1
  • 标签：rag agent
  • 主分类：rag ✅（RAG 主分类 net-new；Oct 9 确认入库）
  • 副分类：agent
  • 形态：method
  • 发布：2026-09（arXiv 提交）；S2被引 1
  • TLDR：研究结果强调了方向特定的迁移测试、严格的 embedding space 隔离，以及在 memory migrations 中为 memory repair 保留源历史的必要性。
  • 要点： 1. 问题：当基础模型升级时，Agent 的记忆系统（embedding-based memory）能否保持有效？记忆迁移后检索质量是否崩溃？ 2. 关键发现（TLDR）：方向特定的迁移测试是必须的；embedding space 必须严格隔离；源历史必须保留用于 memory repair 3. 工程意义：RAG 生产系统升级模型时，不能假设记忆向量索引自动有效；需要专门的记忆迁移评估流程 4. 与现有脉络关系：落在 Memory 轴（RAG 记忆层）；与 R114 δ-mem（在线记忆状态矩阵）+ ExperienceIndex（artifact 经验积累）形成"记忆持久化+迁移可靠性+经验积累"三节点 Memory 轴
  • 建议归入节：§2.9 Memory（Memory 轴迁移可靠性新增）+ §2.14 范式（RAG 生产运维维度）
  • 可信度：⭐⭐⭐⭐（受控研究；具体迁移测试方法论）
  • ⚠️ 限制：具体 benchmark 数字、embedding space 隔离具体方法需读原文确认

增量 5 · Jay CSDN Oct 9 工程视角：Agentic RAG + 多模态 RAG + 企业 RAG + MCP/A2A 协议（工业实践汇总）

  • 来源：inbox/jay/2026-10-09T0820-jay-csdn-rag-agentic-multimodal-substack.md
  • 主轴条目： 1. Agentic RAG 完整流水线（ADK 框架）：查询重写→智能检索→质量评估→条件分支（SerpAPI 补救）。多路召回（BGE-M3 + jieba BM25 + RRF 融合 + Cross-Encoder 重排）。4 维度质量评估（相关性/完整性/准确性/覆盖面，80% 阈值 PASS/FAIL） 2. 多模态 RAG 工程化 Pipeline（Dify + CLIP + Whisper + Qwen-VL）：CLIP ViT-B/16 轻量化（参数量↓37%，延迟↓28%）。Whisper 流式接入（3-5 秒窗口+1.5 秒重叠）。A/B 测试：Top-1 准确率 58.3%→82.5%（+24.2pp）；跨模态召回率 61.7%→89.2%（+27.5pp） 3. 企业知识库 RAG（Milvus 2.3 + bge-large-zh-v1.5）：P95 延迟 <50ms，生成速度 350 token/s；5TB 知识库日均 1 万次查询月成本 6305→4200 元（↓33%） 4. 12-Factor Agents：上下文窗口变大并没有消灭 memory 需求，而是改变了"什么放 context、什么放检索"的权衡 5. MCP+A2A 协议：MCP 统一管理跨组件上下文（USB-C 之于 AI 工具生态）；A2A 定义 Agent 间通信规范（1对多/多对多协同）
  • 与现有脉络关系：
  • Agentic RAG 流水线 → 与 R114 §2.14 Agentic RAG 工业实践印证（Jay 工业 vs 学术双轨）
  • 多模态 RAG A/B 数据 → 与 R114 EC-RAG（视频事件链）+ EC-RAG（EC-RAG 2610.08674）形成"学术方法+工程实测"双轨印证
  • MCP/A2A → 与 R114 §2.11 协议级门控（Memory 轴三层 + MCP 协议）印证
  • 建议归入节：§2.14 范式（工业实践印证）+ §2.5 多模态 RAG（工程化 Pipeline 数据补充）
  • 可信度：⭐⭐⭐（工业实践；A/B 数据有数字支撑；CSDN 高价值条目）
  • ⚠️ 注意：部分条目（混合检索召回率+17%、通义灵码准确率+23%）已在 R114 标记为"⚠️ 需核实出处"；本轮再次出现，建议在活文档中标注"待原论文核验"

增量 6 · AI Engineers Stack 2026：Memory 三层架构演进 + LongMemEval 新基准

  • 来源：inbox/tom/2026-10-09-agent-rag-longcontext-radar.md Substack 线索（theaiengineer）
  • 核心洞察： 1. Memory 架构演进：2026 年 memory 已从"RAG+向量库"演化为三层架构——in-context memory（上下文窗口内）+ agentic memory management（Agent 驱动管理）+ shared memory infrastructure（共享记忆基础设施） 2. 核心玩家：Mem0 / Letta / Zep 已成 agent memory 赛道核心玩家 3. 新基准：LongMemEval 成为 memory 评测新基准（替代旧有的 Memorybank 等基准） 4. 关键洞察：上下文窗口变大并没有消灭 memory 需求，而是改变了"什么放 context、什么放检索"的权衡——与 R114 δ-mem 论文结论一致
  • 与现有脉络关系：
  • 三层架构 → 与 R114 Memory 轴（δ-mem 2605.12357 + UNREAL 2610.08463）形成"学术定义+工业架构"双轨印证
  • Mem0/Letta/Zep → 与 R114 §2.9 Memory 活文档对齐（已有 Letta/Zep 覆盖）
  • 建议归入节：§2.9 Memory（三层架构工业定义补充）+ §2.14 范式（Memory 赛道格局）
  • 可信度：⭐⭐⭐（Substack 技术专栏；行业趋势判断）
  • ⚠️ 限制：LongMemEval 具体 benchmark 数字、Mem0/Letta/Zep 市场份额数据需读原文确认

二、值得警惕的矛盾与待核实说法（2 项）

矛盾 A · RAG 企业部署失败率数字存在多版本矛盾

来源 失败率 时间
Ragaboutit / Blits.ai 2026（R114 续立） ~70% 2026
dev.to Gabriel Anhaia（R114 续立） 70-80% 2026
Towards AI Divy Yadav 2026-01-03（R114 续立） 90% Agentic RAG 2026-01
Digital Applied 2026-03-14（R114 续立） 88% AI Agent 2026-03

矛盾描述：R114 标注"70-80% 失败率"与"90% Agentic RAG 失败"存在数字矛盾；后者聚焦 Agentic RAG 子类（更复杂），前者覆盖所有 RAG 部署（更宽泛），可能解释数字差异，但也可能反映样本来源不同。

建议：在活文档 rag.md §3 争议区建立"企业 RAG 失败率口径矛盾"条目，引用原始来源链接，标注"⚠️ 待系统性 meta-analysis 核实"。

涉及来源： - inbox/tom/2026-10-08-agent-rag-longcontext-radar.md（R113-R114 续立） - inbox/jay/2026-10-07-0820-jay-csdn-inference-rag-highvalue-oct.md（Jay CSDN 工业视角） - inbox/jay/2026-10-09T0820-jay-csdn-rag-agentic-multimodal-substack.md（本轮再次出现）

矛盾 B · 混合检索召回率+17% 和通义灵码准确率+23% 来源存疑

矛盾描述：Jay Oct 7 CSDN 条目引用"混合检索比单一方式召回率高 17%"和"通义灵码在中文企业语境下比开源模型准确率高 23%"，标注为"⚠️ 需核实具体论文/数据集来源"；本轮（Oct 9）Jay 再次引用相同数字。

建议：在活文档 rag.md 建立"存疑数据追踪"条目，标注这两个数字为"⚠️ 待原论文核验；禁止在活文档中引用为事实"。

涉及来源： - inbox/jay/2026-10-07-0820-jay-csdn-inference-rag-highvalue-oct.md - inbox/jay/2026-10-09T0820-jay-csdn-rag-agentic-multimodal-substack.md（本轮再次出现）

三、值得关注的邻接条目（3 条）

# arXiv 标题 主分类 要点 建议
A 2609.01343 SMELT: Scaling Laws for Compute-Matched MoE Looped Transformers（S2被引 13） rag looping 提升 Transformer；与 RAG 推理效率优化邻接 关注，MoE 架构对 RAG 检索速度影响
B 2608.29607 SnapBench: Snap-and-Ask Multimodal Retrieval（主分类 rag） rag 移动端 snap-and-ask 多模态检索基准；MOOR 方法 归档多模态 RAG 评测
C 2609.01836 Agent Memory Is a Surface for Endogenous Authorization Laundering（EAL-Bench） agent 记忆层授权状态完整性；⚠️ RAG 安全轴重要邻接 入 Defense 轴；见增量 3

四、可引用的 arXiv 号列表

# arXiv 标题 分类 可信度
1 2610.10507 RECAST: Adaptive Evidence Routing rag · agent ⭐⭐⭐⭐
2 2610.10091 ExperienceIndex: Artifact-Grounded Memory agent · rag 邻接 ⭐⭐⭐⭐
3 2609.01836 EAL-Bench: Endogenous Authorization Laundering agent · rag 安全邻接 ⭐⭐⭐⭐
4 2609.05339 Memory Portability Across Model Upgrades rag · agent ⭐⭐⭐⭐
5 2610.08674 EC-RAG: Event Chain RAG for Long Video（已知；R114 已锚） rag · multimodal ⭐⭐⭐⭐
6 2610.08571 RAG-PIBench: Prompt Injection Detection（已知；R114 已锚） rag · benchmark ⭐⭐⭐⭐
7 2610.08463 UNREAL: Unified Retrieval and Long-Context（已知；R114 已锚） rag · long-context ⭐⭐⭐⭐
8 2610.08452 Agentic AutoRAG: Hyperparameter Optimization（已知；R114 已锚） rag · agent ⭐⭐⭐⭐
9 2605.12357 δ-mem: Efficient Online Memory for LLMs（已知；R114 强邻接） agent · rag 邻接 ⭐⭐⭐⭐
10 2609.01343 SMELT: Scaling Laws for MoE Looped Transformers（rag 主分类） rag ⭐⭐⭐
11 2312.10997 RAG Foundation Survey（Gao et al. · S2被引 4207；已知；R114 已锚） rag · survey ⭐⭐⭐⭐⭐

五、本轮摘要

本轮 RAG 主轴增量密度「中低」——今日（Oct 9）radar 无 RAG 主分类 net-new（4 条高价值均在 agent 主分类），增量来自工业视角（CSDN 工程实践）和 2 件 paper_cards RAG 主分类条目（Memory Portability + SMELT）。最重要发现是 RECAST（证据路由学习）和 ExperienceIndex（artifact 经验积累）两件 Google DM / MIT 联合工作，与 R114 现有脉络形成有效衔接。

R115 预备议题： 1. RECAST 论文精读，提取 benchmark 数字 2. ExperienceIndex 论文精读，提取质量提升数据 3. EAL-Bench 与 RAG-PIBench 联合归档至 Defense 轴 4. Memory Portability 对 RAG 生产模型升级流程的影响

无 GitHub 写入。

六、本轮元数据

  • 执行时间：2026-10-09 08:50 CST
  • 增量条数：6 条（1 RECAST + 2 ExperienceIndex + 3 EAL-Bench/MemoryPortability + 5 CSDN工业 + 6 Substack三层架构）
  • RAG 主分类 net-new：2 条（2609.05339 Memory Portability + 2610.10507 RECAST）
  • RAG 主分类已锚（本轮续立）：4 条（UNREAL + EC-RAG + RAG-PIBench + Agentic AutoRAG）
  • 邻接安全轴新条目：1 条（2609.01836 EAL-Bench）
  • 涉及 arXiv 号：11 个（见上方列表）
  • 提供方：tom radar + jay csdn + paper_cards