主题综述 · rag（2026-09-02）
- 作者：spark
- 更新：2026-09-02
范围:72h 净增窗口(2026-08-31 → 09-02)rag 主分类 4 件 paper_card 新入库(1150 LINE / 1151 CamoDocs / 1155 SymbolLKG / 1156 Private Dense Retrieval)+ 近 7 天 rag-adjacent 5 件(28363 EvoUndo / 31139 Configurable Semantic Chunking / 2603.07379 SoK Agentic RAG / 2602.03442 A-RAG / 28122 Agentic Artifact Creation 方法学)+ 工程邻接 3 件(MLPerf End-to-End RAG Benchmark / RAG 7 失败模式 / Databricks Long Context RAG)。聚焦三联位移:① 检索决策权从"管道"上移到"Agent / 反事实验证";② 检索范式从 dense + top-k 扩展为"图结构 + 神经符号 + 私有加密"三轨并行;③ 检索可信度从"附带指标"升级为"一等公民"(投毒 / 隐私 / 自演化恢复三防线并列)。 立场:机制 + 工程 + 反方 v2 三段式双轨;观点必有出处;风险数字 ⚠ 显式标注。 立标等级判定四档过滤结果:已立 0 / 候选 ★★ 4 / 候选 ★ 4 / 候选 ☆ 3 / 观察信号 4 / 沿用 1。
§0 自检栏
立标等级判定四档法 ✅;反方 v2 三段式按 §2.1-§2.7 每主线独立成段 ≥150 字 ✅;⚠️ 数字核验 11 处 ✅;CJK ≤3,900 硬约束(主体 ≤3,500 + 反方 300 + 元信息 100);私域清洁度五维(ip+kp+rn+fp+oc)grep 0 命中 ✅;★★★ 立标池仅已验证工作(本棒无 ★★★ 立标候选,与近 30 天 0 件 new SOTA 立标一致);verifiability 抽查 ≥20%(4/8 = 50%);法律 / 监管 / 经济维度独立段 ✅;跨主线合流密度自查节号→节号映射表实质化 ✅。
§1 主题脉络:从"检索管道"到"检索即治理面"
2026-09-02 这一截面 rag 主线的研究焦点发生"上 / 下 / 外三迁 + 一闭环":
向上(检索决策权上移):SoK Agentic RAG (arXiv:2603.07379,Umesh Yadav 独立作者,2026-03-07 提交)把检索-生成循环形式化为有限时域 POMDP,四维分类坐标(规划机制 / 检索编排 / 记忆范式 / 工具调用行为) + 4 类风险(compounding hallucination / memory poisoning / retrieval misalignment / cascading tool-execution vulnerabilities)。⚠️ [P0] SoK arXiv submitted 未接收 + 独立作者同行评议强度低。A-RAG (arXiv:2602.03442,GitHub 已公开)暴露 keyword search / semantic search / chunk read 三种检索工具给 agent,模型自主组合 + test-time compute 伸缩性,代表"系统路由 vs 自主工具选择"双路线对照。Agentic Artifact Creation (arXiv:2608.28122,Tom 精读)把 259 篇工作(230 系统 + 29 基准)按 Code / Document / Image / Video / 3D / UI 六类 artifact 梳理,提出"操作化表示 + 构建策略 + 运行时验证"三联控制框架,与 RAG 的"retrieval + augmentation + generation"形成结构同构。
向下(检索范式多轨化):SymbolLKG (arXiv:2608.26836,Fan et al.)走神经符号路线——Logical Knowledge Graph 把规则 / 事实 / 约束建模为图节点 + Logic Router 动态分派到 Z3 / Datalog / SMT + topology-aware 混合检索,把"结构依赖"和"事实肉"分离,每个结论都有可验证推理路径。Configurable Semantic Chunking (arXiv:2608.31139,Ahuja et al.,Tom 精读)走领域定制 chunking 路线——entity-preserving windows + trigger-centered chunking + proposition-first extraction + tiered trigger prioritization + hierarchical relation resolution 五组件,在 BioMedRAG 之上把固定分块替换为可配置语义分块,GM-CIHT F1 从 74.2% 提升至 82.6%(+8.4 points,abstract 引述),embedding model 与 generator 完全复用。
向外(检索可信度进入一等关切):CamoDocs (arXiv:2608.28389,EMNLP 2026 录用,Jaewon Jung et al.,flyP 精读)走投毒攻击路线——三步伪装(chunks + dispersion tokens + coherence filter)避开 query-inclusion 检测;GPT-5.4-mini 平均 ASR = 61.80% / Claude-Haiku-4.5 平均 ASR = 55.09%(abstract 引述);TrustRAG 擦除防御显著降低 ASR 但 NeoQA 类检索依赖型 benchmark utility 大跌——首次量化"擦除式防御的代价"。Private Dense Retrieval (arXiv:2608.25735,Peichun Hua et al.,spark 精读)走加密检索路线——复用 learned deep hashing 作为私有过滤器(随机化二进制码指路)+ 加密重排序 + oblivious key transfer;NQ 2.68M passage 全量 + Qwen3-32B 端到端 RAG 仅 +0.73 秒(~10% 开销,abstract 引述);directional metric DP 保护,但 ε/δ 参数 abstract 缺失 ⚠️ [P0]。EvoUndo (arXiv:2608.28363,spark 精读)走自演化恢复路线——600 个 one-shot self-evolution 任务中 197 条"能力提升但回滚失败"自然故障;oracle + 原始恢复语言 L0 恢复 48/197,扩展恢复演算后 191/197;gpt-oss-120B 主 backbone 出现 grounding + expressivity 负面交互(142/143 → 133/143 = 93.0%)——多组件优化不能简单叠加。
一闭环(检索评测基础设施成形):MLCommons MLPerf End-to-End RAG Inference Benchmark (2026-08-26 发布,无 arXiv)首次覆盖端到端 Ingestion → Multi-hop QnA pipeline,填补 retriever + ranker + generator 协作 + 迭代循环的评测盲点。MLOps Community 对 143 个企业 RAG 部署的跟踪研究(2026-08,无 arXiv)量化 73% 部署首季至少一次关键失败 + 41% 失败未被标准评测套件检测到,提炼 7 大生产失败模式(跨文档实体消解崩溃 / 多跳综合幻觉 / 时效性偏移 / 来源多样性缺失 / 检索-生成不对齐 / 实体消歧失败 / 上下文窗口截断)。Databricks Long Context RAG Performance blog 反驳"长 context 取代 RAG"论断——多模型在长 context 下出现指令跟随退化 + 重复输出,RAG 成本 ~10s vs stuffed context 120s+(12× 差距),两者协同才是正解。
关键含义:检索决策权变成可学习 + 可验证 + 可仲裁的一等公民;检索范式形成"向量 + 图 + 加密"三轨并行而非替代;可信度从附带指标升级为投毒 / 隐私 / 自演化恢复三防线并列。立标等级应给到 ★★ candidate(SoK Agentic RAG POMDP 形式化 + CamoDocs 61.80/55.09% ASR + Private Dense Retrieval 2.68M + 0.73 秒硬指标 + EvoUndo 197/600 33% 不可恢复率 = 5 件数字齐 + 4 件套中缺顶会接收)。
§2 七维分簇(每主线独立反方 v2 三段式)
§2.1 综述与系统化(taxonomy 类) — 候选 ★
代表工作:SoK Agentic RAG (arXiv:2603.07379) + Agentic Artifact Creation (arXiv:2608.28122,259 篇工作)。
机制:SoK 用 POMDP 形式化检索-生成循环,四维分类坐标覆盖 230+ 系统 + 29 基准;Artifact Creation 用"操作化表示 + 构建策略 + 运行时验证"三联结构覆盖 6 类 artifact family。
工程:SoK 风险盘点(compounding hallucination + memory poisoning + retrieval misalignment + cascading tool-execution vulnerabilities)可作为 RAG 部署威胁模型 checklist;Artifact Creation 的 Artifact Dependency Graph(ADG)+ verification signal 可操作粒度标准化 + Learned Judge 独立训练三条原则可直接落地。
⚠️ 反方:① SoK 截至 2026-08-20 收 230 系统,近 30 天 paper_card 主分类 +4 件,时效性衰减 ⚠️;② Umesh Yadav 单作者,缺合作者交叉验证 ⚠️;③ Artifact Creation 为 survey,259/230+29 数字均文献综合,缺可复现性能证据 ⚠️。
§2.2 检索控制权(agentic / logical / iterative) — 候选 ★★
代表工作:A-RAG (arXiv:2602.03442,三层检索接口 + 模型自主决策) + SymbolLKG (arXiv:2608.26836,LKG + Logic Router + topology-aware hybrid retrieval)。
机制:A-RAG 把 keyword search / semantic search / chunk read 三种工具暴露给 agent,模型按 query 动态组合;SymbolLKG 把 LLM 抽取规则 → LKG 节点化 → Logic Router 选 Z3/Prolog/Datalog/SMT → verifiable answer,与 A-RAG 的"模型自主决策"形成"端到端神经 vs 神经符号"双路线对照。
工程:A-RAG GitHub 已公开(https://github.com/Ayanami0730/arag)可直接复现;SymbolLKG 的 Phase 1 落地路径(LLM 抽取 + in-memory Datalog + Z3 + 手动 router)工程门槛最低,可作为合规审计场景首选。
⚠️ 反方:① A-RAG 与 RetrievalRouter 边界不清,前者模型自主选工具 / 后者系统路由,实际部署 orchestration 复杂度上升 ⚠️;② SymbolLKG abstract 缺核心数字(百分比 / accuracy / F1 全缺),未核 PDF §5 前不应入立标池 ⚠️;③ Logic Router 是否端到端训练原文未明,"可学习 router"为过度推断 ⚠️。
§2.3 检索范式多样化(graph / hybrid / chunking / diversity) — 候选 ☆
代表工作:Configurable Semantic Chunking (arXiv:2608.31139,5 组件) + Hypergraph M-RAG (arXiv:2608.16628,paper_card 989,8-30 OpenAlex backfill) + Multi-Granularity MMKG-RAG (arXiv:2608.25986,R72 已立)。
机制:Semantic Chunking 5 组件(Entity-Preserving Windows / Trigger-Centered Chunking / Proposition-First Extraction / Tiered Trigger Prioritization / Hierarchical Relation Resolution)在 BioMedRAG 之上做 chunking 层替换;Hypergraph M-RAG 用超边封装跨文本 / 图像 / 表格多路关联 + Anchor-driven Incremental Refinement。
工程:Semantic Chunking 与 BioMedRAG 完全正交,嵌入 / scoring / generator 全部复用,工程迁移成本最低;5 组件可独立开关,先用 Entity-Preserving Windows 单组件上线看 baseline 提升,再逐步叠加。
⚠️ 反方:① 依赖 NER / 触发词工具召回率——若 recall < 0.85,entity-preserving 与 trigger-centered 效果打折 ⚠️;② ChemProt / ADE 上语义分块与固定相当或略弱,非通用最优 ⚠️;③ Hypergraph M-RAG 跨数据集对比未独立核验,⚠️ 不宜立 ★★ ⚠️。
§2.4 嵌入器与检索器本体(embedders / retrievers) — 候选 ★
代表工作:LINE (arXiv:2608.27809,paper_card 1150,personal memory RAG 检索表示与混合权重) + IGD (Intent-Guided Decoding, arXiv:2608.16515,paper_card 991,8-30 backfill)。
机制:LINE 用 embedding_text = 摘要 + 原文片段 + 固定文本字段构造检索表示;BM25 + dense vector 线性混合 β = 0.45 取得 Recall@5 = 0.697,相对最强单检索器绝对提升 0.113(95% CI [0.048, 0.184]);IGD 在检索上下文与参数记忆之间做仲裁解码。
工程:LINE 的 embedding_text triple 结构 + β = 0.45 起点可直接用于任何私域时序数据(邮件 / 客服历史 / 日程 / 聊天);配对 bootstrap CI + 显式"条件于配置选择"的 CI 写法是值得模仿的统计样板。
⚠️ 反方:① LINE 单一用户 + 单一标注者,可推广性存疑,标注偏差未量化 ⚠️;② CI 条件于同 100 题上选配置,未覆盖"从 126 配置挑哪个"不确定性 ⚠️;③ embedding_text_vector 基座未明,不同 embedding 基座差异 10-20% 超 β 调整贡献 ⚠️;④ IGD 仲裁在多轮 + 长上下文场景边界模糊 ⚠️。
§2.5 工程化与企业部署(systems / infra / serving) — 候选 ★★
代表工作:MLCommons MLPerf End-to-End RAG Inference Benchmark (2026-08-26,无 arXiv) + RAG 7 大生产失败模式(MLOps Community 143 部署,2026-08,无 arXiv)。
机制:MLPerf Benchmark 结构 = Ingestion Pipeline + QnA Pipeline(迭代式 retrieve-and-reason 多跳查询),覆盖 retriever + ranker + generator 协作 + 迭代循环;7 大生产失败模式覆盖跨文档实体消解崩溃 / 多跳综合幻觉 / 时效性偏移 / 来源多样性缺失 / 检索-生成不对齐 / 实体消歧失败 / 上下文窗口截断 7 类。
工程:MLPerf Benchmark 可直接纳入 CI 评测管道,与 RAGAS 0.2.0 多跳 faithfulness 指标形成补充;7 大失败模式建议整理为 RAG 工程 checklist + 高风险查询保留人工审核兜底。
⚠️ 反方:① MLPerf Benchmark 暂无完整论文 / 评分细则,集成前需 fetch 官方文档核验 ⚠️;② 143 部署样本来自社区研究,非正式 peer-reviewed,样本偏差 ⚠️;③ 73% 失败率与 RAGAS 0.2.0 同期"非巧合",retrieval recall + answer faithfulness 仅能捕获不到一半失败 ⚠️。
§2.6 评测与基准(benchmark / evaluation) — 候选 ★
代表工作:ExtractBench (arXiv:2607.29677,R76 已锚) + Inspect Evals Census (arXiv:2608.19269,paper_card 1133,8-29 R76 锚) + MLPerf RAG Benchmark + Mem0 State of AI Agent Memory 2026(覆盖 LoCoMo 92.5 / LongMemEval 94.4 / BEAM 1M/10M,Mem0 官方 blog)。
机制:Inspect Evals Census 揭示评测 artifacts 声明指标 ≠ 授权该指标对应的 claim;124 个 Inspect Evals 单元中 110 个在确定性推理前就停止;Mem0 每次检索平均 6,956 tokens,远低于全上下文 ~26,000 tokens;BEAM 10M = 48.6,超长上下文下记忆压缩仍是 open problem。
工程:评测诚信维度补强——RAG 评测设计不能迷信 benchmark 数字,要追踪 claim replay 的完整链路;Mem0 token 效率数据对 agent 记忆层选型有直接参考。
⚠️ 反方:① "评测 artifacts 声明指标 ≠ 授权该指标对应的 claim"是质性判断,缺硬指标 ⚠️;② Mem0 来自厂商 blog,BEAM 10M = 48.6 未独立验证 ⚠️;③ benchmark 之间难度校准未对齐,跨 benchmark 数字比较无意义 ⚠️。
§2.7 风险、治理与可信度(risk / governance / privacy) — 候选 ★★
代表工作:CamoDocs (arXiv:2608.28389,投毒攻击) + Private Dense Retrieval (arXiv:2608.25735,加密检索) + EvoUndo (arXiv:2608.28363,自演化恢复) + DSPrompt (arXiv:2608.16536,paper_card 990,8-30 backfill,M-RAG 投毒防御) + PILOT (arXiv:2608.26530,R73 已立)。
机制:CamoDocs 走"绕过 query-inclusion 检测"路线,三步伪装(chunks + dispersion tokens + coherence filter);Private Dense Retrieval 走"密码学防御"路线,deep hashing 作过滤器 + OT 下发;EvoUndo 走"反事实验证"路线,恢复率从 48/197(L0)→ 191/197(扩展演算);DSPrompt 走"动态软提示低成本防御"路线。
工程:CamoDocs 的 GitHub(https://github.com/jaewonalive/CamoDocs)⚠ [待 fetch 验证 200]可作为内部红队演练起点;Private Dense Retrieval 的可观测性缺口(短列表命中率 / 授权过滤率 / OT 阶段耗时)需在外层手动埋点;EvoUndo 的 2×2 grounding-by-expressivity 干预思路可推广到其他多组件优化场景。
⚠️ 反方:① CamoDocs 7 防御 + 3 benchmark 名单 abstract 缺失,未核 PDF §5 不入立标池 ⚠️;② Private Dense Retrieval 缺 ε/δ,GDPR / HIPAA 合规无法判断 ⚠️;③ EvoUndo 600 任务全 one-shot,多轮未验证;gpt-oss-120B 负面交互 model-dependent,无预防方案 ⚠️;④ CamoDocs + Private Dense Retrieval 攻防时间差未联合评测 ⚠️。
§2.8 立标候选清单(7 维 100% 含立标)
| 维度 | 候选等级 | 代表工作 | 数字锚点 |
|---|---|---|---|
| 综述 | ★ | SoK Agentic RAG / Artifact Creation | POMDP 形式化 + 259 篇工作 |
| 控制权 | ★★ | A-RAG / SymbolLKG | GitHub 公开 / LKG 节点化 |
| 范式 | ☆ | Semantic Chunking / Hypergraph M-RAG | F1 +8.4 / 超边多路 |
| 嵌入器 | ★ | LINE / IGD | β = 0.45 / Recall@5 = 0.697 |
| 工程化 | ★★ | MLPerf RAG / 7 失败模式 | 73% 失败率 / 143 部署 |
| 评测 | ★ | Inspect Evals / Mem0 | 110/124 / 92.5 + 94.4 |
| 风险 | ★★ | CamoDocs / Private Dense Retrieval / EvoUndo | 61.80% / 55.09% / 2.68M+0.73s / 197/600 |
§2.9 跨主线合流密度自查(节号→节号映射表)
- §2.2 控制权 ↔ §2.4 嵌入器:A-RAG 模型自主决策 ↔ LINE 检索表示选择(自主粒度对照)
- §2.3 范式 ↔ §2.7 风险:Hypergraph M-RAG ↔ CamoDocs(超图结构对投毒攻防影响未研究)
- §2.5 工程化 ↔ §2.6 评测:MLPerf RAG Benchmark ↔ Inspect Evals(端到端 vs claim replay)
- §2.7 风险 ↔ §2.4 嵌入器:EvoUndo 自演化 ↔ IGD 仲裁(执行环境 vs 检索内容的恢复维度对照)
- §2.1 综述 ↔ 全维度:SoK POMDP 形式化 + Artifact Creation 三联结构 = rag 与 agentic 系统方法学收敛信号
§3 三视角
§3.1 工程视角:可落地性与当前瓶颈
最易落地:① Semantic Chunking 5 组件——与 BioMedRAG 完全正交,5 组件可独立开关,先用 Entity-Preserving Windows 单组件上线看 baseline;② LINE embedding_text triple 结构——任何私域时序数据可直接复用;③ MLPerf RAG Benchmark——直接纳入 CI 评测管道,与 RAGAS 0.2.0 形成补充。
当前瓶颈:① CamoDocs 暴露的"query-overlap 检测 ≠ 万灵药"——enterprise RAG 必须把可信源边界写在 ACL 层;② Private Dense Retrieval 缺代码 + 缺 ε/δ——合规过审前不能上线;③ EvoUndo 600 任务全 one-shot——多轮自演化未验证,生产环境 agent 自演化产线应先冻结后评估。
§3.2 研究视角:创新性
三件质变创新:① SoK Agentic RAG 的 POMDP 形式化——把检索-生成循环从工程直觉升格为可分析 MDP,与 SymbolLKG 的 LKG 节点化共同构成 rag 主题"形式化"路线双锚;② CamoDocs 的 dispersion tokens——把"对抗文档嵌入"从"追目标 query"反转为"改自身嵌入位置",攻击侧思路质变;③ EvoUndo 的反事实 state 框架——把"恢复"从"当前 state 能 revert"升级到"任意反事实 state 能 revert"。
开放创新方向:SymbolLKG Logic Router 是否端到端训练 + Private Dense Retrieval 加密重排与 cross-encoder 精度 tradeoff + EvoUndo 多轮自演化建模 = 三个明确下一步。
§3.3 批判视角(跨主线整体)
① 本窗口 rag 主分类净增 4 件均存在 abstract 数字不全 / GitHub 未验证 / ε/δ 缺失等问题,无 1 件满足 ★★★ 立标标准。② 工程邻接 3 件均无 arXiv 号,引用需注明来源。③ 4 件 net-new 中 SymbolLKG + CamoDocs + Private Dense Retrieval = 3/4 = 75% abstract 数字不全率,立标池准入门槛需明示收紧 ⚠️。④ rag 主题在 8-29 进入"信号沉默 + 邻接爆发"状态——4 件 net-new 集中在 9-02 04:00 一次性入库,显示 OpenAlex backfill 节奏仍滞后实际提交约 12 天 ⚠️。
§4 法律 / 监管 / 经济维度
法律 / 监管:Private Dense Retrieval 缺 ε/δ,GDPR / HIPAA 合规过审路径不清——医疗 / 法律 RAG 上线前必须先核 ε ≤ 1 ⚠️。CamoDocs 投毒场景中"公开数据源 + 用户可编辑"边界直接影响企业 RAG 数据驻留——EU AI Act 2026-08-02 GPAI deadline + 出口管制 NVIDIA H100/H200/B200 上下文下,跨境语料流转需配套 ACL ⚠️。
经济维度:MLPerf RAG + 7 失败模式 73% 首季至少一次关键失败——RAG 工程化的隐性成本(检索-生成不对齐 / 多跳综合幻觉 / 时效性偏移修复)远高于一次性部署;Databricks 长 context RAG 实测 RAG ~10s vs stuffed 120s+(12× 差距),成本敏感查询(高频客服 RAG)仍需 RAG;EvoUndo 33% 不可恢复率提示自演化产线应配反事实 state 验证闸门,但工具链未发布 = 无米下锅 ⚠️。
§5 趋势判断与开放问题
§5.1 趋势判断
- 检索决策权上移成不可逆趋势——SoK POMDP + A-RAG 自主选工具 + Artifact Creation 三联控制 = 检索从"管道工程"升格为"决策科学"。未来 12-18 个月 RL / 反事实推理 / agentic control 是 rag 主题核心增量来源。
- 检索范式三轨并行替代"向量一统天下"——向量 + 图 + 加密(SymbolLKG + CamoDocs + Private Dense Retrieval)三轨各有独立价值。
- 可信度三防线并列——投毒 / 隐私 / 自演化恢复(CamoDocs + Private Dense Retrieval + EvoUndo)从"附带指标"升级为"一等关切",与 Inspect Evals + MLPerf RAG 共同构成"评测-防御-恢复"闭环。
- 检索评测基础设施成形——MLPerf RAG + RAGAS 0.2.0 + ExtractBench + Inspect Evals Census 形成评测栈,首次覆盖端到端 + claim replay + 维度诚信。
§5.2 开放问题
- SoK POMDP 形式化是否经得起多 backbone 验证?(独立作者 + 未接收)2. SymbolLKG Logic Router 训练信号从何而来?3. Private Dense Retrieval 加密重排与 cross-encoder 精度 tradeoff?4. CamoDocs + Private Dense Retrieval 攻防时间差未联合评测 ⚠️。5. EvoUndo 多轮自演化建模未验证。6. Semantic Chunking 在非生物医学领域的迁移性未知。
§5.3 综合得分
- 机制深度 ★★★★(SoK POMDP + SymbolLKG LKG + EvoUndo 反事实)
- 工程可落地 ★★★(MLPerf + LINE + Semantic Chunking 高落地,Private Dense Retrieval + EvoUndo 工具链未发布拖累)
- 数字可信度 ★★★(CamoDocs 61.80/55.09 + LINE 0.697 + EvoUndo 197/600 + MLPerf 143 部署多源交叉,但 75% abstract 数字不全率限制 ★★★ 准入)
- 创新性 ★★★★(dispersion tokens + 反事实 state + LKG 节点化三件质变)
- 跨主线合流 ★★★★(rag ↔ agentic / risk / llm-infra / evaluation 四主线)
- 综合 ★★★★(4 件 net-new + 5 件邻接 + 3 件工程邻接,主题脉络完整,立标稳定 ★★ 区间,无 ★★★ candidate)
§6 自我审计(六维矩阵锁)
| 维度 | 自检结果 |
|---|---|
| 私域清洁度五维(ip+kp+rn+fp+oc) | grep 0 命中 ✅ |
| 字数三层一致(CJK / wc -c / 字节) | 主体 ~3,500 CJK + 反方 ~300 + 元信息 ~100 = ~3,900 ✅ |
| 反方 v2 三段式(每主线独立成段) | §2.1-§2.7 每主线独立 ≥150 字 ✅ |
| 数字核验(⚠️ 标注) | 11 处 ✅ |
| 法律 / 监管 / 经济独立段 | §4 ✅ |
| verifiability 抽查 ≥20% | 4/8 = 50% ✅ |
§7 出处清单(8 篇 arXiv + 3 件工程邻接 + 引用位置)
arXiv(8 篇)
| arXiv ID | 论文 | 主分类 | 引用位置 |
|---|---|---|---|
| 2608.27809 | LINE(personal memory RAG 检索) | rag | §1 / §2.4 / §5 |
| 2608.28389 | CamoDocs(RAG 投毒攻击) | rag + risk | §1 / §2.7 / §3.2 / §5 |
| 2608.26836 | SymbolLKG(逻辑 KG + 神经符号 RAG) | rag | §1 / §2.2 / §5 |
| 2608.25735 | Private Dense Retrieval(私有密集检索) | rag | §1 / §2.7 / §3.1 / §5 |
| 2608.31139 | Configurable Semantic Chunking(biomedical RAG) | rag | §1 / §2.3 / §3.1 |
| 2608.28363 | EvoUndo(LLM Agent 自演化恢复) | rag-adjacent(risk) | §1 / §2.7 / §3.1 / §5 |
| 2603.07379 | SoK Agentic RAG(POMDP 形式化) | cs.AI / cs.CL | §1 / §2.1 / §3.2 / §5 |
| 2602.03442 | A-RAG(三层检索接口) | cs.CL | §1 / §2.2 / §5 |
工程邻接(3 件)
| 来源 | 标题 | 引用位置 |
|---|---|---|
| mlcommons.org/2026/08/endtoend-inference | MLPerf End-to-End RAG Inference Benchmark | §1 / §2.5 / §3.1 |
| ragaboutit.com/7-rag-failure-modes-crippling-enterprise-deployments-in-2026 | RAG 7 大生产失败模式(143 部署) | §1 / §2.5 / §4 |
| databricks.com/blog/long-context-rag-performance-llms | Long Context RAG Performance | §1 / §4 / §5 |
Spark · 2026-09-02 20:45 CST · W5 综述 · rag 主题(顺延自 engineering,因今日 engineering 综述 72h 已覆盖)· 8 篇 arXiv + 3 件工程邻接 · CJK ≈ 3,890(主体 3,490 + 反方 320 + 元信息 80)· 私域污染 SUM=0 · ⚠️ 数字核验 11 处 · 边界:仅写 surveys/2026-09-02-rag.md