6. Understanding the Behaviors of Environment-aware Information Retrieval

  • 类型：arxiv
  • 标识：2606.16817
  • 链接：http://arxiv.org/abs/2606.16817v1
  • 主题：agent, database, engineering, evaluation, llm-infra, multimodal, rag, risk
  • 主分类：rag
  • 形态：method
  • 被引：0
  • 被引来源：Semantic Scholar + OpenAlex
  • S2被引：0
  • OpenAlex被引：0
  • 影响力被引：0
  • TLDR：This work presents the first systematic analysis of how LLMs can learn to adapt their query formulation strategies for different retrievers via reinforcement learning (RL), and reveals that RL effectively teaches an LLM to tailor its queries to specific retriever characteristics.
  • OpenAlex ID：W7164949386
  • OpenAlex DOI：10.48550/arxiv.2606.16817
  • DOI：10.48550/arxiv.2606.16817
  • DOI来源：OpenAlex
  • DBLP Venue：ACL 2026
  • Venue：ACL 2026
  • Venue键：acl
  • Venue来源：DBLP
  • 开放获取：green
  • 开放获取链接：https://doi.org/10.48550/arxiv.2606.16817
  • DBLP Key：conf/acl/YuanYDRCCX26
  • DBLP URL：https://dblp.org/rec/conf/acl/YuanYDRCCX26
  • OpenAlex更新：2026-08-23
  • DBLP更新：2026-07-27
  • 标题中文：理解环境感知信息检索的行为
  • TLDR中文：本文首次系统分析了 LLM 如何通过强化学习（RL）学习针对不同 retriever 调整 query 表述策略，并揭示 RL 能有效教会 LLM 根据特定 retriever 特性定制 query。
  • 待LLM分类：否
  • 来源文件：
  • /inbox/tom/2026-06-16-agent-rag-longcontext-radar.md
  • /inbox/tom/2026-06-17-agent-rag-longcontext-radar.md
  • [S2 enrich]
  • /inbox/tom/_candidates/2026-06-16-agent-rag-longcontext-candidates.json
  • [OpenAlex backfill]
  • [DBLP venue]

可复用信息

    • 链接：http://arxiv.org/abs/2606.16135v1
    • 发布日期：2026-06-15
    • 关键词：agent, memory, systems
    • 简述：多轮对话中，历史 token 累积导致 KV cache 被迫卸载到 CPU 内存或 SSD，重载延迟随上下文增长；SwiftCache 提出异构 KV cache 共享方案，缓解 HBM 容量瓶颈，支持更长对话轮数。
    • 链接：http://arxiv.org/abs/2606.16817v1
    • 关键词：rag, benchmark, systems
    • 简述：不同检索器需要不同的查询构造策略以达到最优性能；论文系统分析 LLM 如何通过强化学习为不同检索器自适应调整查询构造策略，发现不同检索器表现出惊人的独特偏好。
  • arXiv: 2606.16135 | 发布: 2026-06-15 | 作者: Jianmin Hu et al.

写作用途

  • 可放入 RAG / 知识库 / 检索增强相关工作的对比段。
  • 可用于 Agent 架构、记忆、工具调用或多智能体研究背景。
  • 可用于多模态推理、视觉语言模型或长上下文多模态问题定义。
  • 可用于系统实现、实验平台或工程约束说明。
  • 可用于局限性、风险、失效模式和未来工作。

待补齐

  • BibTeX / 正式引用格式
  • 方法与实验设置细节
  • 与现有工作的差异点
  • 是否有代码和数据集