主题综述 · rag(2026-07-20)

  • 作者:spark
  • 更新:2026-07-20

本文综合研究知识库中 rag 主分类下的 27 篇代表性 arXiv 工作(含 2 篇 SoK/综述、12 篇方法、5 篇基准/评测、4 篇系统/工程、2 篇安全/隐私、2 篇推理性能),并交叉 inbox/tom 的 RAG E1 预消化与 inbox/jay 的近 7 天 RAG 雷达,对 2026 年中后期 RAG 的研究脉络、工程落地形态与开放问题做一次深度盘点。所有观点均附引用出处(arXiv 编号或 inbox 文件路径),不复用未核验的数字(特别标注的"待核验"项除外)。

一、主题脉络:从 "Naive RAG → Modular RAG → Agentic RAG → Compound AI"

RAG 在 2020-2023 经历三代范式(Naive → Advanced → Modular),2024 年中后工具调用与多步推理被吸收后,"Agentic RAG" 在 arXiv:2501.09136(Agentic RAG: A Survey)中成为独立门类。进入 2026,RAG 不再是"向量库 + 单轮 prompt"的简单组合,而是 Compound AI Systems(CAIS) 的一类基础范式,在 arXiv:2506.04565 里与 LLM Agents、Multimodal LLMs、Orchestration 并列被研究(来源:082-2506-04565.md)。这条演进路径有三条独立综述的交叉验证:

  1. arXiv:2603.07379(SoK: Agentic RAG,ACL 2026,4 引用)--把 Agentic 检索-生成循环形式化为有限时域 POMDP,按规划 / 检索编排 / 记忆范式 / 工具调用做四轴分类(来源:146-2603-07379.md)。
  2. arXiv:2501.09136(Agentic RAG Survey)--按 agent cardinality / control structure / autonomy / knowledge representation 四维做架构分类。
  3. arXiv:2506.04565(CAIS 综述)--用"组件角色 + 编排策略"多维分类体系,把 RAG 重新定位为四大基础范式之一。

三份综述叠加回答底层问题:今天讨论的 "RAG",是 50 行 Python 脚本的向量查询,还是由规划器 / 检索器 / 记忆层 / 推理器 / 仲裁器 / 监控器耦合而成的系统级配置?2026 H1 后任何一篇严肃 RAG 论文都必须先做这个边界声明。

E1 预消化(inbox/tom/2026-07-20-rag-e1prep.md,08:50 CST)标记了 The AI Engineer Stack 2026 六层地图(Surface → Runtime → Tool Connectivity → Memory → Orchestration → Evaluation),其中 89% 生产 Agent 团队实现了可观测性,但只有 52% 实现了 evals(37 pp "生产质量死亡地带")--R38 §2.9 此前未收录的量化数据,标注为"行业报告引用"而非学术结论。

二、代表性工作的贡献与相互关系

按八个切片(架构 / Agentic 循环 / 工业落地 / 评测 / 推理决策 / 安全 / 性能 / 服务化)梳理关系。

2.1 架构层:层级知识组织与解耦

  • arXiv:2604.07590(DCD: Domain-Collection-Document,method)--Domain-Collection-Document 三层级知识组织 + 多阶段路由:在不修改底层 LLM 的前提下,把异构企业语料切成可路由层级,先 Domain → Collection → Document(来源:paper_card 051-2604-07590.md)。配套 explainer(2604-07590.md, flyP, 2026-07-20)指出这直接回应"知识表示太扁平"的企业痛点--HR + 产品手册 + 工单 + 财务 + 监管的多领域混合下,朴素 RAG 一次性相似度匹配同时带来无关噪声与漏召回。DCD 配 smart chunking + hybrid retrieval + 生成 guardrail,同时提升事实性、答案相关性、鲁棒性。
  • arXiv:2601.19827(When Iterative RAG Beats Ideal Evidence,application,2 引用)--在化学多跳基准 ChemKGMultiHopQA 上证明:同步的"按需分阶段检索 + 推理"控制器可稳定跑赢"一次性灌入全套黄金证据"的静态 RAG,最大领先 25.6 个百分点(来源:046-2601-19827.md + explainer 2601-19827.md, flyP 2026-07-09)。staged retrieval 的影响常常比"有理想证据在上下文"还要大;非推理微调模型获益最大,差距主要由"晚跳覆盖 / 组合合成 / 锚点漂移 / 停步时机"四类机制决定。

2.2 Agentic 循环:规划器与策略

  • arXiv:2605.27123(LogicalRAG: logic-expression retrieval intents,⭐⭐⭐⭐⭐,method)--把 agentic RAG 重心从"更重的 backend"转向"更强的 retrieval control":让 LLM 用逻辑表达式构造检索意图,后端简化为倒排索引,显著降低生成响应中的幻觉(来源:161-2605-27123.md)。与 InftyThink 的"短段+摘要迭代"思路同源(explainer 2503-06692.md),差异在于 LogicalRAG 改检索意图的符号化而非推理路径。
  • arXiv:2606.16409(PathRouter: path-aware GRPO for Agentic Graph RAG,method)--Agentic GraphRAG 训练框架:联合评估每条轨迹的"答案正确性"与"证据路径重叠度",归纳四类轨迹并差异化 GRPO 优势缩放,抑制捷径式强化同时保留证据寻求行为(来源:009-2606-16409.md)。直接对应 R38 §2.18 关注的"工具调用规划正确性"。
  • arXiv:2607.06507(DynaKRAG: 多跳证据的可学习状态条件控制,method)--多跳证据获取建模为针对原子证据操作的状态条件控制,展示"在演化证据状态下协同检索 / 诊断 / 缺口定向获取"的好处(来源:169-2607-06507.md)。与 PathRouter 互补:PathRouter 解决"训练时怎么打 reward",DynaKRAG 解决"推理时证据状态怎么演化"。
  • arXiv:2607.10463(GRASP: Granularity-Aware Search Policy,method,2026-07-19 新增)--检索策略协调形式化为 RL 问题:Agent 学"何时调用 BM25 / 向量 / 知识图谱"等互补检索工具,关键洞察是"协调检索信号与上下文粒度(granularity)是 Agent 推理正确性的关键"(来源:426-2607-10463.md + tom E1 预消化增量 6)。R38 §2.18-2.19 重点论文分析的新工作。
  • arXiv:2602.00238(Diverge: Diversity-Enhanced RAG,Open MIND,1 引用)--plug-and-play agentic RAG 框架,用"迭代反思引导多视角"+"多样性感知检索支持"改善开放性问答的多样性-质量权衡(来源:011-2602-00238.md)。
  • arXiv:2606.01240(InSemRAG,method,⭐⭐⭐⭐)--迭代 retrieve-and-check 配合意图感知检索器 IAR + 语义保持切分 SPC,提升 chunking 与查询构造的一体化效率(来源:015-2606-01240.md)。

2.3 记忆与图谱:MRAgent / EvoGraph-R1

  • arXiv:2606.06036(MRAgent,⭐⭐⭐⭐⭐,method,2 引用)--核心主张:记忆是被重构(reconstructed)而非被检索(retrieved)的。把联想记忆图与"主动重构机制"结合,将 LLM 推理直接融入记忆访问,确保检索动态适配推理上下文,避免无约束扩展引发的组合爆炸(来源:017-2606-06036.md)。把 memory 从"相似度查询接口"上升到"重构引擎"的范式转折。
  • EvoGraph-R1(arXiv:2607.12764,2026-07 radar 高价值,⭐⭐⭐)--把 GraphRAG 从"离线静态知识图谱"升级为"自演进结构":动态融合新证据、纠正错误、在交互循环中持续更新图(来源:tom 7-16 radar §1.4)。与 MRAgent 互补--前者关注节点间动态重组,后者关注图谱整体随交互演进。

2.4 工业落地与系统化

  • arXiv:2604.01395(AI Engineering Blueprint for On-Premises RAG,method)--本地化部署企业 RAG 的综合性 AI 工程蓝图(来源:035-2604-01395.md)。工业 RAG 落地的"蓝皮书级"工作。
  • arXiv:2601.07711(Is Agentic RAG Worth It? An Experimental Comparison,⭐⭐⭐⭐ 高优先级,benchmark,4 引用)--基于实证对比 Enhanced 与 Agentic RAG 范式,给出真实场景选型建议(兼顾性能与成本)(来源:120-2601-07711.md)。把"Enhanced vs Agentic"的回报曲线量化出来,企业选型时少有的实证参照系。
  • arXiv:2607.02262(CheckRLM,method)--RAG 与"知识-思维一致性校验"的融合框架:及时校验并修正推理中的事实错误,大幅超越现有基线(来源:198-2607-02262.md)。代表"用 RAG 增强推理过程可靠性"这一 2026 H2 新方向。

2.5 评测与诊断:从端到端到中间能力

  • arXiv:2603.10765(RAGPerf: End-to-End RAG Benchmarking Framework,⭐⭐⭐ 参考,benchmark,1 引用)--系统行为级别(数据/张量/流水线并行)的 RAG pipeline 基准测试框架,覆盖 Wikipedia 6.41M、Arxiv 30K、GitHub Code 11M、The People's Speech 300K 音频,性能开销可忽略不计(来源:023-2603-10765.md)。首次把 RAG 当"分布式系统"做系统化 benchmark。
  • arXiv:2606.13141(V-RAGBench + CARVE,benchmark)--用 ⟨query, evidence chunk, answer⟩ 三元组对检索与生成解耦评估;CARVE 通过"在多种配置下并行运行检索器 + 分块自适应重排序"为每个分块选择最优配置(来源:007-2606-13141.md)。"组合爆炸"换成"配置选择",多配置融合 RAG 的实用评测方案。
  • arXiv:2510.13910(RAGCap-Bench,explainer 收录,2026-07-07)--把 Agentic RAG 的中间能力(规划 / 检索查询构造 / 证据筛选 / 推理链组装)拆开来打分(来源:explainer 2510-13910.md, flyP)。与 V-RAGBench 差异:V-RAGBench 解耦"检索与生成",RAGCap-Bench 解耦"多跳链路的规划-检索-推理三段能力"。

2.6 自适应与决策:何时检索

  • arXiv:2606.08397(TrustMargin,method)--免训练 / 即插即用的答案级仲裁层:用模型自身似然在"直接回答"和"RAG"之间二选一,不微调、无外部评判、无额外生成(来源:108-2606-08397.md)。
  • arXiv:2607.07380(Interpretable Uncertainty for Adaptive Retrieval,method,2026-07-19 新增)--从 LLM 内部表征 区分"知识不足"与"知识歧义/冲突",单次前向即可估计,驱动自适应检索(来源:165-2607-07380.md)。把 uncertainty 从外部 LLM-as-judge 推到 LLM 内部表征级别的工程拐点。
  • arXiv:2606.16817(Adaptive query formulation via RL,method)--首次系统分析 LLM 如何通过 RL 学"针对不同 retriever 定制查询"的策略(来源:026-2606-16817.md)。与 TrustMargin / 2607.07380 形成三件套:后验仲裁 / 表征不确定性 / 检索器感知查询生成。

2.7 安全与隐私:动态 vs 静态

  • arXiv:2607.14811(PA-HDP: Prompt-Aware Dynamic Hierarchical DP,position,2026-07-19 新增)--把"外部数据库保护"从静态假设重新问题化为"动态查询下的差异化隐私":prompt 感知风险分层 + 自适应敏感实体替换 + 指数机制文本选择,保留语义可用性的同时给差异化隐私(来源:429-2607-14811.md)。
  • arXiv:2606.27786(SHIFT: gate-modulated activation steering,method,2026-07-19 新增)--把"神经元级修改"重构成"可学习门控调制",让 LLM 自适应调节内部激活以解决知识冲突(来源:232-2606-27786.md)。与 TrustMargin 互补:TrustMargin 在答案级仲裁,SHIFT 在神经元级调节。
  • arXiv:2607.05936(RAG + Constrained Decoding for Web API invocation,method)--RAG 在生成完整 API 调用时减幻觉,但在端点已提供时反而促使生成不必要参数而降正确性;CD 可靠防止非法 URL / HTTP 方法 / 参数(来源:170-2607-05936.md)。对"Agent + RAG + Tool Use"组合有反直觉警示。

2.8 推理性能与预处理加速

  • arXiv:2502.20330(RAPID: Retrieval-Augmented Speculative Decoding,method,9 引用)--长上下文推理下用 RAG 同时做"加速 + 提质":引入推理时知识迁移机制,把 RAG 拉来的分布注入到目标分布(来源:040-2502-20330.md)。RAG 从"信息输入管道"升格为"采样分布塑形工具"的早期信号。
  • arXiv:2606.09441(SIFT,method,1 引用 / 影响力被引 1)--离线处理文档、抽取高分注意力的细粒度位置,以两个紧凑位向量存储;线上 Prefill 直接利用(来源:081-2606-09441.md)。把"注意力稳定性"用作索引结构的代表性思路。
  • arXiv:2606.01751(SarseX: training-free serving,method)--与 Prefix Cache 兼容的在线服务层,统一支持多轮 chat / RAG / Agent workflow(来源:155-2606-01751.md)。工程化层"少改不改模型,最大化复用现有 KV cache"的典型写法。

三、工程视角(可落地性)

按"今天能写到生产代码里"的口径,筛成可落地清单:

3.1 已具备部署级别成熟度的方向

  1. DCD 三层路由(arXiv:2604.07590)--不依赖新 LLM 训练,纯"语义 + 路由"即可在多领域企业语料显著提质,配 smart chunking + hybrid retrieval 后立刻可用。
  2. LogicalRAG(arXiv:2605.27123)--后端改为倒排索引后幻觉下降,部署开销极低,与 LlamaIndex / DSPy 兼容。
  3. TrustMargin(arXiv:2606.08397)--即插即用,"是否调用检索"二元决策上立给一层兜底,显著提高"该不该检索"可靠性。
  4. TAA-k(arXiv:2606.11907)--无需训练、靠近 oracle 检索质量,在 Embedding 模型与压缩维度上鲁棒,直接替换 FAISS / HNSW 的 top-k 选择逻辑。
  5. SCAR(arXiv:2606.16661)--选择性上下文扩展,决策规则近似尺度不变,可跨 embedding 模型迁移。
  6. InSemRAG(arXiv:2606.01240)--现有 RAG pipeline 做一次"切分 + 意图感知检索器"替换即可见效。

3.2 系统层可立即生效

  • SIFT(arXiv:2606.09441)--prefill 注意力热点预存为位向量,线上减少冗余计算。
  • SarseX(arXiv:2606.01751)--线上服务兼容性补丁,无需重新训练模型。
  • RAGPerf(arXiv:2603.10765)--端到端 RAG 性能 benchmark,直接接入 CI / CD 评估管线。

3.3 需要更多评估或更长工程改造

  • GRASP / PathRouter / DynaKRAG--三件套均为"训练时学 / 推理时协调"思路,落地需:多跳问答语料标注 + 跑 RL 微调 + 重新上线模型,周期常以周计。
  • MRAgent / EvoGraph-R1--需重写记忆层数据结构与访问接口;建议先私有知识库 POC,再推全公司。
  • PA-HDP--隐私机制和检索接口要在合规与质量之间反复校准,先非敏感数据集 A/B。
  • E1 提到的"47% RAG 算力成本 overhead"(Llama-3-70B + Qdrant v1.9,CSDN FuncFun)--明确待核验(inbox/tom/2026-07-20-rag-e1prep.md 增量 2 + §二 T-1)。R38 §2.10 建议只在"行业平台数据(待核验)"区块引用,不作为定性结论。

四、研究视角(创新性)

按"是否开辟新范式 / 是否回答新问题 / 是否给出可被推翻的强假设"三档评估:

4.1 范式跃迁级

  1. SoK: Agentic RAG(arXiv:2603.07379)--显式形式化为 POMDP,给"规划 / 检索 / 记忆 / 工具"四轴分类,让"什么算 Agentic RAG"有了 rigorous 定义。
  2. MRAgent(arXiv:2606.06036)--"记忆是被重构的而非被检索的",把 memory 从"访问层"升级为"思维层"的范式级主张;若在更大规模评测中成立(S2 仅 2 引用)会重塑 2027 Agent Memory 研究地图。
  3. GRASP(arXiv:2607.10463)--把"策略协调"与"上下文粒度"放一起做 RL 优化目标,是"多源检索信号融合"从手工 RRF 跨到"可学习融合"的关键一步。

4.2 强假设级

  1. arXiv:2601.19827--"staged retrieval 比一次性灌入黄金证据还重要"是颠覆直觉的强假设,需更多基准(不仅是 ChemKGMultiHopQA)才能确立。
  2. arXiv:2502.20330(RAPID)--"用 RAG 来塑形目标分布而非仅仅输入",理论解释还不够深。
  3. arXiv:2607.07380--"LLM 内部表征能直接区分知识不足与知识冲突",若成立可显著降低 LLM-as-judge 依赖。

4.3 强可复现 + 工具化

  1. V-RAGBench / RAGPerf / RAGCap-Bench--开放数据集 + 配套方法,具备被对照比较的体质。
  2. EvoGraph-R1(arXiv:2607.12764)--"自演进 GraphRAG"对跨模态碎片化给出清晰路径。

五、批判视角(局限)

5.1 评测层

  • "中间能力 vs 端到端"鸿沟:V-RAGBench / RAGCap-Bench 突破解耦评估,但缺"同一实例跨两层打分"标准接口,可比性下降。
  • 学术 leaderboard 与生产语料规模脱节:RAGPerf 6.41M Wikipedia + 11M GitHub Code 与工业部署规模差距明显,需跨规模实验。
  • 成本量化缺位:"89%/52% observability vs evals"与"47% 算力 overhead(待核验)"均非同行评审--RAG 行业没有公认的、可重现的 cost-vs-accuracy benchmark。

5.2 方法层

  • Agentic RAG 决策不确定性:arXiv:2607.07380 给表征级解法,但"什么分布 + 什么 threshold 触发检索"仍是黑盒;trust-region + bad-case 可观测性研究尚未规模化。
  • MRAgent 图谱尺寸 / 重构成本:100K 节点规模尚无推理期图重写数据,目前仅中小规模实验。
  • PathRouter "路径重叠"奖励:异构图中定义不显然,部分数据集可能不稳定。
  • GraphRAG 动态化代价:每次会话伴随图谱修改,需事务性图谱支持与版本回滚,工业图数据库适配不充分。

5.3 工程层生产级风险

  • 37pp 可观测性-评估差距:大多生产 RAG 遇 bad-case 无法归因;免训练补丁缩小差距尚无系统研究。
  • LLM 工具调用回归风险:inbox/tom E1 增量 3 提到 "Anthropic Claude 新版嵌套编辑工具调用退化"若属实,意味着 RAG 等 Agent+Tool 系统"模型耦合",上游一次回归即让 RAG 失败模式成批出现。
  • 静态 vs 动态隐私:arXiv:2607.14811 揭示传统 RAG 隐私设计在动态查询与多租户环境批量失败;PA-HDP 是新提案,生产化前需合规介入。
  • RAG vs long-context 边界:长上下文模型(MMProLong,explainer 2605-13831.md 把 LVLM 从 32K 推到 128K / 256K / 512K)正在重写 RAG 必要性边界,"何时用 RAG、何时塞全文进 prompt"仍无明确 trade-off curve。

六、趋势判断与开放问题

6.1 趋势判断

  1. 从"单点检索优化"到"系统性 RAG 运行时":2026 H2 行业口径已转向"运行一套 RAG 系统"--可观测性、隐私、路由、粒度自适应、决策仲裁成为主战场(Compound AI Systems 与 The AI Engineer Stack 2026 双源印证)。
  2. RAG 与 Agentic / GraphRAG 边界继续弱化:MRAgent、EvoGraph-R1、PathRouter、DynaKRAG 把"图 + 推理 + 检索"显式耦合到 agent loop,纯 vector-only RAG 不再是 2027 论文常见标题。
  3. 评测走向"中间能力 + 系统行为"分层:V-RAGBench / RAGCap-Bench / RAGPerf 共同提示--严肃 RAG 论文应在两轴都给出报告。
  4. 隐私 / 安全从"加锁"到"动态策略":PA-HDP + SHIFT + TrustMargin 把 RAG 安全观升级为"门控 / 仲裁 / 动态隐私"组合策略。
  5. 成本曲线开始系统化:E1 增量 "47% 算力 overhead(待核验)"与 SIFT / SarseX 同步,生产端正系统优化 prefill 与 serving 成本。

6.2 开放问题

  1. "替代 vs 增强"切换点:长上下文模型(MMProLong、Corpus2Skill)使 RAG 边际收益变平,严格论证的 trade-off curve 仍是空白。
  2. Agentic RAG 决策可解释性:POMDP 状态展开后,工程如何追溯某次错误来自哪步?跨 RL interpretability + RAG + monitoring。
  3. 多源检索信号融合标准:GRASP 提出"可学习融合"但缺评估协议与数据集标准,RRF / TAA-k / SCAR / GRASP 难横向比较。
  4. 成本-精度公开曲线:无工作公开给出 RAG vs 纯 long-context 的 cost / latency / accuracy frontier,企业选型痛点。
  5. RAG 与 Agentic Memory 统一理论:MRAgent / Mem0 / Letta / Zep / Hermes 把两者拉近,子集还是扩展?尚无统一定义。
  6. 生成式工作区与 RAG 替代关系:Beyond Fact Retrieval(arXiv:2511.07587, AAAI 2026 Oral, inbox/jay 7-19 笔记)提"生成式语义工作区",两者分工仍开放。
  7. 跨模态 RAG 失败模式分类:V-RAGBench / MMProLong / EvoGraph-R1 把多模态引入 RAG,但多模态证据联合推理的失败模式分类仍严重不足。

七、给活文档 knowledge/rag.md 的修订建议(R38 → R39 候选)

仅列建议,未动 R38 活文档。

增量 ID 建议归入节 备注
GRASP(arXiv:2607.10463) §2.18-2.19 重点论文详细分析 与 DeepPlanning / Chat2Scenic 并列立段,方法论层
MRAgent(arXiv:2606.06036) §2.17 Memory 12 条腿 → 13 "重构而非检索"的范式主张
LogicalRAG(arXiv:2605.27123) §2.4 知识结构与 §1 路由层 DCD 与 LogicalRAG 同属"结构化主导"路线
TrustMargin + 2607.07380 + 2606.16817 §2.6 运行时与基础设施 / 自适应检索三件套 后验仲裁 + 内部不确定性 + 检索器感知查询
PA-HDP(arXiv:2607.14811) §2.10 行业平台数据 / §2.16 风险 动态隐私新格局
SHIFT(arXiv:2606.27786) §2.4 知识结构 / §2.16 风险 神经元级 vs 答案级互补
RAGPerf + V-RAGBench + RAGCap-Bench §2.5 评测 三件套合并小节
DCD(arXiv:2604.07590) §2.4 知识结构 已存在但可独立成段
SCAR(arXiv:2606.16661) + TAA-k(arXiv:2606.11907) §2.4 上下文扩展与 top-k 策略 与 SIFT 配套为"低成本高质量上下文"组合
The AI Engineer Stack 2026 的 89%/52% §1 现状全景 / §2.5 评测 行业报告量化数据

边界声明:"47% RAG overhead"为单一 CSDN 来源不进 R39 主文;AI Engineer Stack 2026 是 industry mapping,引用注明 "industry mapping";以上与 inbox/tom/2026-07-20-rag-e1prep.md 修订建议完全一致,互为佐证。

八、综合论文清单(arxiv 号列表)

核心(10 篇)

  1. arXiv:2603.07379 - SoK: Agentic RAG(ACL 2026,4 引用)
  2. arXiv:2506.04565 - Compound AI Systems 综述(survey,8 引用)
  3. arXiv:2604.07590 - DCD: Domain-Collection-Document
  4. arXiv:2605.27123 - LogicalRAG:agentic RAG 的检索控制
  5. arXiv:2606.06036 - MRAgent:记忆是被重构而非被检索的
  6. arXiv:2606.16409 - PathRouter:在 Agentic GraphRAG 中将奖励与检索质量对齐
  7. arXiv:2607.06507 - DynaKRAG:可学习证据控制多跳 RAG
  8. arXiv:2607.10463 - GRASP:粒度感知搜索策略
  9. arXiv:2601.07711 - Is Agentic RAG Worth It?
  10. arXiv:2607.02262 - CheckRLM:知识-思维一致性校验

辅助(10 篇,评测/系统/安全/性能)

  1. arXiv:2603.10765 - RAGPerf:端到端基准
  2. arXiv:2606.13141 - V-RAGBench + CARVE
  3. arXiv:2510.13910 - RAGCap-Bench(promo/explainers)
  4. arXiv:2604.01395 - 本地化企业 RAG 蓝图
  5. arXiv:2601.19827 - Iterative RAG Beats Ideal Evidence
  6. arXiv:2602.00238 - Diverge(Open MIND)
  7. arXiv:2606.01240 - InSemRAG
  8. arXiv:2606.08397 - TrustMargin
  9. arXiv:2607.07380 - Interpretable Uncertainty
  10. arXiv:2606.16817 - Adaptive query formulation via RL

工程与隐私(7 篇)

  1. arXiv:2606.11907 - TAA-k
  2. arXiv:2606.16661 - SCAR
  3. arXiv:2502.20330 - RAPID
  4. arXiv:2606.09441 - SIFT
  5. arXiv:2606.01751 - SarseX
  6. arXiv:2607.14811 - PA-HDP
  7. arXiv:2606.27786 - SHIFT

合计 27 篇,构成本综述事实底座。EvoGraph-R1(arXiv:2607.12764)来自 tom 7-16 radar,作为 MRAgent 互补佐证在文中引用但未入主清单。