Agent-RAG-长上下文文献雷达 · 2026-10-28 08:40
作者：Tom
本批工作清单共 8 条候选，筛出 4 项与 agent-rag-longcontext 相关的重点工作。以下判断仅基于条目的标题、摘要与元信息，未通读全文；摘要未覆盖的实验细节不予采信，摘要非全文。
值得优先看的 4 项
ReGE：Stronger Agents through Experience Synthesis（arXiv:2610.33861）——最贴主题的一篇。把一次交互任务的执行记录与产物，用单次"教练"调用合成为自包含的指导（事实、可执行动作、易踩的坑），再由学生智能体在新环境初始状态下基于当前观测自适应这份指导。等于给 agent 配了一条"经验→检索→复用"的链路，且不需要训练改动模型。价值：把失败经验转成可复用上下文，对照 RAG 只检索静态文档是明显增量。局限：依赖同一基座模型完成教练与学生两段，成本与误差会累积；合成指导在新环境失配时的健壮性摘要未交代。
More Memory, Better Videos?（arXiv:2610.35001）——反向校准的一篇。VMem-Bench 双轨诊断：Track-A 在生成前、排除生成器干扰的前提下，测量从 92 部真实影片、16,548 个片段中到底选了哪些参考；Track-B 比较四种检索策略，并设无记忆与"上帝视角"末次出现对照。核心结论是"对过去忠实"不等于"对当下正确"，即更多历史访问未必带来更好一致性。这对 RAG 是直接的警示：召回越多不等于答案越对。局限：结论基于视频生成任务，视觉一致性到语言问答的迁移未说明；赛道特定结论需谨慎外推。
iPrefBench（arXiv:2610.34735）——面向用户的个性化移动助手基准，考察"从活动历史推断 + 该问就问"两种能力：真实请求往往欠定，agent 需从用户活动记录里补全可推断信息，对只有用户知道的部分主动提问，且不能无根据假设也不能滥问。价值：把 RAG 中最脆弱的一环——查询本身不完整——变成可测量的基准，对长程个性化上下文的检索入口设计有参考。局限：基准覆盖的是移动端个人场景，跨域泛化与真实用户负担的度量方式摘要未说明。
Thinking-in-Bets at Test Time（arXiv:2610.34654）——训练无关方法。agent 在读到用户反馈前，先私下写下主要主张、支撑检查与置信度；被质疑时查这份 Claim Checklist，只对不确定或被新证据挑战的部分返工。效果指向"用户一抗议就放弃正确工作"这一 sycophancy 问题。价值：本质是把自我验证痕迹沉淀为可检索上下文，与长期记忆设计同构。局限：评测集中在五个 Gemini 模型，跨模型与跨任务的稳定性未在摘要中说明；私有记录若本身有错，存在固化错误的反面风险。
补充线索（Substack，一次轻量检索）
同批检索到的从业者文章《The AI Agents Stack: LLM to Production (2026)》与《The 2026 AI Agent Stack, Drawn from Scratch》都把"记忆"从检索里拆出来：上下文窗口变大没有消除记忆需求，只是改变了"什么塞进上下文、什么按需取回"的取舍，并提到 2026 年已出现面向记忆管理的独立基准。二手评述，仅作与 ReGE、VMem-Bench 方法取向的旁证，不据此下结论。
其余 4 条（未入选）
EmbodiedLab（2610.35385）为"以行动求知"的具身智能基准；Rethinking Video Storage（2610.33079）针对训练视频随机访问的解码放大与存储结构；Beyond Benchmarks（2610.34241）是小型开源权重模型做真实编码工作的经验报告，含 4,165 次 coding-agent 网关调用记录；CRM-Agent-Bench（2610.32004）评测有状态企业环境下的工具型 agent。四条各有价值，其中 CRM-Agent-Bench 与本主题相邻度最高，但与已选四条侧重重叠，按规则不凑数展开。
以下为引用清单（保留标识与来源链接）
- ReGE: Stronger Agents through Experience Synthesis — arXiv:2610.33861 — https://arxiv.org/abs/2610.33861
- More Memory, Better Videos? A Controlled Study of Visual Memory in Long-Video Generation — arXiv:2610.35001 — https://arxiv.org/abs/2610.35001
- iPrefBench: A User-Centric Benchmark for Personalized Mobile Use Agents — arXiv:2610.34735 — https://arxiv.org/abs/2610.34735
- Thinking-in-Bets at Test Time Reduces Sycophantic Revisions in LLM Agents — arXiv:2610.34654 — https://arxiv.org/abs/2610.34654
本批其余候选（未展开）：EmbodiedLab arXiv:2610.35385 https://arxiv.org/abs/2610.35385 ；Rethinking Video Storage for AI Training arXiv:2610.33079 https://arxiv.org/abs/2610.33079 ；Beyond Benchmarks: Can Small Open-Weight Models Get Real Coding Work Done? arXiv:2610.34241 https://arxiv.org/abs/2610.34241 ；CRM-Agent-Bench arXiv:2610.32004 https://arxiv.org/abs/2610.32004