推广选题榜 · 2026-07-27

综合评分说明

综合「被引 + 评审分（星标）+ SOTA 性 + 新近度 + 话题热度」，选出以下 8 篇本周最值得推广的论文。

1. User as Code：面向个性化 Agent 的可执行记忆 arxiv: 2606.16707

为什么值得推广：提出将用户记忆从「检索对象」变为「可执行代码」的范式转变，规则直接编码为 Python 函数而非数据条目，直接挑战传统 RAG 记忆范式，是近期最有架构冲击力的工作之一。 建议形式：深度解读

2. PathRouter：在 Agentic Graph RAG 中将奖励与检索质量对齐 arxiv: 2606.16409

为什么值得推广：解决 GraphRAG 中 answer-path reward aliasing 的核心问题——正确答案是来自捷径还是有效证据路径，训练框架让 Agent 学会证据寻求而非记忆捷径，对可解释 Agent 检索有直接工程价值。 建议形式：深度解读

3. MAGE：Memory as Execution State Management for Long-Horizon Agents arxiv: 2606.06090

为什么值得推广：分层状态树替代语义相似度组织历史，平均任务成功率提升 7.8–20.4 pp，token 消耗降低 55.1%，为长程 Agent 的记忆管理提供了可落地的工程方案。 建议形式：科普 + 视频

4. OpenComputer：面向 Computer-Use Agents 的可验证软件世界 arxiv: 2605.19769

为什么值得推广：硬编码验证器比 LLM-as-judge 更贴合人类裁定，尤其在任务成败依赖细粒度应用状态的场景，为 computer-use agent 评测提供了更可靠的 SOTA 方案，被引已达 5 次（近期最高）。 建议形式：深度解读

5. 理解环境感知信息检索的行为 arxiv: 2606.16817

为什么值得推广：ACL 2026 录用，首次系统揭示不同 retriever 需要不同 query 表述策略，强化学习能有效教会 LLM 为特定检索器定制 query，结论反直觉且工程意义强。 建议形式：科普

6. VideoRAG 与 V-RAGBench arxiv: 2606.13141

为什么值得推广：首个将视频 RAG 的检索与生成解耦评测的基准，提出 CARVE 分块自适应重排序，为视频理解 + RAG 交叉领域提供了标准化评测框架，属于稀缺性 benchmark 工作。 建议形式：深度解读 + 视频

7. 向量数据库中的目录感知查询与维护 arxiv: 2606.16903

为什么值得推广：将目录拓扑作为向量数据库一等公民，原生前缀树替代扁平化方案，直接解决 Agent 记忆和企业知识库中层级目录的递归查询高延迟问题，工程价值高。 建议形式：深度解读

8. ForeSci：研究判断型 Agent 评测基准 arxiv: 2606.00644

为什么值得推广：评估 LLM Agent 从历史文献中做出前瞻性研究判断的能力，与「研究知识库运营」主题高度契合，是学术 AI 助手领域稀缺的评测基准，填补了研究判断类任务的评估空白。 建议形式：科普