Tom 文献雷达 · Agent + RAG + Long Context · 2026-10-09T14:40
候选概览（8条）
| # | 来源 | 标题 | 核心标签 |
|---|---|---|---|
| 1 | HF Daily | MiMo-V2.6: Scaling RL Towards Self-Improvement | multimodal, systems |
| 2 | HF Daily | OuroWorld: 3D Cinemagraphs from Static Scenes | multimodal |
| 3 | HF Daily | Foundations of Large Language Models | rag, systems |
| 4 | HF Daily | OmniCapBench: Audio-Visual Captioning Benchmark | rag, benchmark |
| 5 | arXiv | ORCAGen: RAG-Guided Malware Deception | rag, benchmark |
| 6 | arXiv | The Geometry of Hierarchical Navigation (ANN/RAG) | rag, systems |
| 7 | arXiv | Is Memorization Context-Sensitive? (Prefix Extraction in RAG) | rag, systems |
| 8 | arXiv | Forms of LLM-Integrated Applications: Agent Taxonomy | agent, rag, systems |
⭐ 高价值条目（4条）
1. Is Memorization Context-Sensitive? Prefix Extraction Beyond Isolated Prefixes
- 来源： arXiv · 2026-10-08 · 5位作者（Sattvaty, Verberne, Turkmen 等）
- 问题： 现有前缀提取攻击研究都在孤立前缀上测试，但实际 RAG 系统有指令、检索文档等丰富上下文——上下文条件是否缓解记忆泄露？
- 方案： 配对 item 级测量，比较"仅有前缀"与"前缀+RAG 上下文"条件下的提取率差异
- 意义： 直接回答"生产级 RAG 是否比纯 prefix 更安全"——若上下文反而扩大了可提取集合，影响深远；是少见的 RAG 安全实证研究
- 链接： http://arxiv.org/abs/2610.12085v1
2. Forms of LLM-Integrated Applications: From Chats to Autonomous AI Agent Systems
- 来源： arXiv · 2026-10-08 · Irene Weber（独立研究）
- 问题： chatbot / copilot / RAG / workflow / coding agent / AI agent 这些标签到底是营销还是真实架构差异？
- 方案： 系统综述标签使用方式，发现 copilot=router-worker + 逐步确认；agent=AI 规划多步执行（用户看不到中间步骤）；RAG 作为独立形态存在
- 意义： 首个对"AI 应用形态标签"做架构层面区分的综述，对理解当前 agent 生态和竞品定位有参考价值
- 链接： http://arxiv.org/abs/2610.11899v1
3. ORCAGen: Orchestrating Context-Aware Malware Deception with RAG-Guided Generative AI
- 来源： arXiv · 2026-10-08 · 5位作者（含 Araujo from IBM Research）
- 方案： 用 RAG 构建恶意软件行为知识库 + 结构化 prompt 工程，生成欺骗性编排代码；离线构建 playbook，在线执行验证后的逻辑
- 意义： RAG 在网络安全领域的真实生产部署案例；展示了 RAG 与 GenAI 结合生成可执行代码的完整 pipeline
- 链接： http://arxiv.org/abs/2610.12415v1
4. The Geometry of Hierarchical Navigation: Accuracy and Query Cost for Point Process Input
- 来源： arXiv · 2026-10-08 · 4位作者（Bhamidi, Dhara, Stegehuis 等）
- 问题： 多层分层近邻图广泛用于 RAG 和推荐系统中的近似最近邻搜索，但保证高效贪婪导航的几何条件尚不清楚
- 方案： 在 d 维环面上研究贪婪导航效率，确定性覆盖条件+概率分析，给出精度-查询成本的解析关系
- 意义： 理论层面理解 HNSW/分层图索引为何有效的数学基础，对 RAG 系统调优和评估有指导意义
- 链接： http://arxiv.org/abs/2610.12312v1
📦 其余候选（4条）
-
MiMo-V2.6: Scaling RL Towards Self-Improvement（HF · 30票）— omni-modal 基础模型通过扩大 RL 计算自我改进，异步训练吞吐量达 2.7-3.7B tokens/step；属 multimodal RL 系统进展，agent 基础模型方向可关注。
-
Foundations of Large Language Models（HF · 16票）— 教科书型书籍，六章覆盖预训练/生成/提示/对齐/推理/推理；适合作为知识库架构参考。
-
OmniCapBench（HF · 6票）— 音视频 caption 评估框架，提出深度结构化诊断而非整体评分；多模态 agent 评估方法论参考。
-
OuroWorld（HF · 19票）— 将静态 3D Gaussian Splatting 转为动态循环 3D cinemagraph；与 agent 关联较弱，仅标注。
🔗 Substack 线索（1条）
- The AI Engineers · The AI Agents Stack: LLM to Production (2026 Edition)
- 关键判断：2024 年 memory=选个向量库做 RAG；2026 年 memory 成为一级架构原语，分三层；上下文窗口变大后出现新问题：什么放 in-context、什么按需检索？"Context engineering" 取代 "prompt engineering" 成为核心技能
- 链接：https://theaiengineer.substack.com/p/the-ai-agents-stack-2026-edition
输出文件： /shared/research-kb/inbox/tom/_candidates/2026-10-09-agent-rag-longcontext-candidates.json
生成时间： 2026-10-09T14:40 UTC
后续建议： "Is Memorization Context-Sensitive?" 的 RAG 安全实验结论值得优先跟盯；Hierarchical Navigation 理论可与实际 HNSW 调参经验对照