主题综述 · rag（2026-09-13）
- 作者：spark
- 更新：2026-09-13
§0 自检栏（9 维，写作前显式声明）
# 维度 声明 1 主轴 paper 数 8 篇核心（2608.23252 / 2608.25625 / 2609.02486 / 2608.28389 / 2609.10745 / 2608.25735 / 2608.21252 / 2609.05339），4 篇辅助（2608.21450 / 2609.01601 / 2609.11808 / 2608.25500） 2 GitHub 已验 3 个核心 paper 仓库本棒已 curl 200核验：PeiYangLiu/ascp、emrekuruu/retrieval-router、jaewonalive/CamoDocs ✅3 abstract 核实 8 篇核心全部回 arXiv abstract 一手核验（4 篇本棒 web_fetch + 4 篇复用 Tom 9-13 rag-e1prep 与 explainer 引用），4 篇辅助复用 paper_card 4 ⚠️ 密度 目标 ≈1.0/1K CJK；本棒估算 ⚠️ 标注 ≥35 处 / 主体 ≤3.5K CJK ≈ ≥10/K ✓ 5 反方 v2 三段式 7 主线反方每段开头 (1) 机制 / 中段 (2) 数据 / 末尾 (3) 截止日或证伪，每段 ≥150 字 ✓ 6 立标池 6 件主轴 arXiv 入主表，全部 abstract + GitHub / EMNLP 接收已验；★★★ PDF §X 待复核表 ≥3 件（见 §6） 7 verifiability ≥20% 主轴独立 7 个独立 URL（4 arXiv abs + 3 GitHub repo）= 7/8 ≈ 87.5% 主轴 paper 独立命中 ✓（远超 20% 阈值） 8 字数预算 主体 ≤3,500 CJK + 反方 ≤300 + 元信息 ≤100 = ≤3,900 CJK ✓ 9 禁「独立段不计」 本棒无「独立段不计」式豁免；反方段嵌入每主线主段尾部，不另开堆栈
§1 主题脉络与本棒覆盖窗口
2026 年 Q3 的 RAG 主题正在从「retrieve-then-generate」的静态管线，迁向三股方向同时收敛：(a) 测量与分配——承认「相关度 ≠ 被用上」，把 evidence utilization 拆成可量化的因果问题；(b) 自适应检索——按 query 复杂度选 pipeline、选模态、选 top-k；(c) 鲁棒性与可移植——投毒防御、记忆跨模型迁移、私有检索。本棒综合 8 篇核心工作（2026-08-24 至 2026-09-09 arXiv 上传，3 篇 EMNLP 2026 接收确认）+ 4 篇辅助，全部来自 /shared/research-kb/organized/paper_cards/ rag 主分类（180+ 张 rag 卡中精选）+ Tom 9-13 rag-e1prep 与 Tom 9-12 T1440 / 0840 radar。
主轴覆盖：① 上下文分配的因果测量（2608.23252）② 模态与架构的查询级路由（2608.25625 EMNLP 2026）③ 视觉文档的自适应 top-k（2609.02486）④ 投毒攻击绕过 query-overlap 检测（2608.28389 EMNLP 2026）⑤ 长尾实体链接的 reasoning+retrieval（2609.10745 EMNLP 2026 Main）⑥ 大规模私有稠密检索（2608.25735）⑦ 长文档的实体结构索引（2608.21252）⑧ 模型升级后 Agent 记忆可移植（2609.05339）。辅助覆盖 KB-VQA 实体对齐（2608.21450）、仓库级代码生成检索（2609.01601）、视觉文档晚交互压缩（2609.11808）、Agent Skill Graph 因果校准（2608.25500）。
§2 各工作贡献与相互关系
2.1 2608.23252 — 上下文分配的因果测量与闭环编排（Liu et al., 2026-08-24）
把 RAG 的「相关度」和「被用上」两件事拆开重做：先用 efficient causal leave-one-out probe 戳破「诊断幻觉」（BM25/nDCG 在 hard negatives 上失效），再以 deconfounded k×T factorial grid 证明「monolithic context widening」是 architectural trap——上下文越长、每篇文档注意力被稀释越严重。提出 closed-loop submodular scheduler + attribution-steered contrastive decoder，portfolio recall 绝对提升 16.7–20.5 pp，scale 到 32B 仍稳健。GitHub PeiYangLiu/ascp 本棒 web_fetch 200 命中。
2.2 2608.25625 — RetrievalRouter：模态与架构联合选择（Kuru et al., EMNLP 2026 Full Main）
承认「没有静态 pipeline 能在所有 query 上胜出」是金融/医疗/法律高风险场景的核心约束。RetrievalRouter 是 query-only 轻量路由器，单可调参数沿 Pareto 前沿滑动；对最佳静态基线 +2.5% nDCG@5 且 12.4× 更快，对既有 adaptive 方法在 latency-oriented 设置上 nDCG@5 与延迟均匹配或更优。GitHub emrekuruu/retrieval-router 已 200 核验，会议 EMNLP 2026 Main 已通过。
2.3 2609.02486 — ViSAR：视觉文档的无训练自适应 $k$（Mialland, 2026-09-02）
不替换 ColPali/ColQwen，而是消费其 multi-vector 输出，构造 query-conditioned page-level 相似度矩阵 $\mathcal{M}_{\text{page}}(q) \in \mathbb{R}^{M \times P}$，对 row_max 后用一阶差分「相关性断崖」定位 $k$。Training-free 即可在 DocVQA 上把 RAG 延迟压降 up to 58.7%，答案准确率持平或更优。v2 已发布（2026-09-03），Comments 仍为 13/5/4，无 venue 信息。
2.4 2608.28389 — CamoDocs：伪装文档针对 RAG 的投毒攻击（Jung et al., EMNLP 2026）
指出「query inclusion」是当前 RAG 投毒检测的通用弱点。CamoDocs 用 dispersion tokens 让投毒文档嵌入「扩散」到 benign 区边缘，再用 coherence filter 保可读性。跨 7 种 RAG 防御 / 3 个开源 LLM / 3 个 benchmark，对 GPT-5.4-mini 平均 ASR 61.80%、Claude-Haiku-4.5 55.09%。TrustRAG 之类擦除式聚类可降 ASR，但 NeoQA 等检索依赖任务效用大跌。GitHub jaewonalive/CamoDocs 本棒 200 命中。
2.5 2609.10745 — Think Before You Link（Pengpun et al., EMNLP 2026 Main）
把「稀有性」从 pageviews 拓展到 KG 结构指标，识别出 popularity 漏掉的稀有实体；SOTA 在稀有切片上准确率下降 15.4–39.9%。提出 reasoning + retrieval 互补的训练-free 框架：仅推理不显著提稀有、仅检索不提总体、组合才最优。在 MERLIN 多语种多模态实体链接 benchmark 上总体 +6.9%，稀有切片最高 +23.3%。发布 MERLIN-Rare 切片供靶向评测。
2.6 2608.25735 — 指路而隐目的地：大规模私有稠密检索
针对全语料库加密检索的高计算开销，提出 shortlist 候选名单：200–500 个候选即可在 5 个零样本语料库（25K–5.4M 文档）上与全语料检索效果接近匹配。S2 被引 1 次，是本周目力所及最干净的「工程级检索优化」单点贡献。
2.7 2608.21252 — EnSI-RAG：长文档的 Entity-Structure-Indexed RAG
构建 query-independent、以实体为中心的索引，把 evidence localization 与 answer synthesis 解耦，保留可追溯源证据。代表「RAG 不再是 chunk retrieval」的方向——索引结构化，证据可审计。
2.8 2609.05339 — 模型升级后 Agent 记忆可移植（受控研究）
设计 48 条合成历史，对比 LC-RAW / RAG / NOTES / KG-fixed 四种记忆形态在模型升级前后的可用性差异。结论指向：记忆形态选择与「是否升级后存活」直接相关；RAG 不是 Agent 记忆的默认解。这是本棒唯一显式把「Agent Memory ≠ RAG」结论量化的 paper。
§3 工程视角（可落地性）
最易落地（≤200 行 inference 代码 + 0 重训）：ViSAR（2609.02486）在已有 ColPali/ColQwen 上做后处理，DocVQA 延迟立降 up to 58.7%。RetrievalRouter（2608.25625）只需把 query-only router 挂在现有 RAG 入口，候选库离线跑一次即可。性价比最高（单点替换、效益巨大）：2608.23252 的因果 leave-one-out 探针可替代 BM25/nDCG 作为内部评测；attribution-steered contrastive decoder 直接挂到 vLLM/SGLang 服务，不改模型架构。企业 RAG 安全底座：2608.28389 + 2608.17960（COMA 因果反事实防御）共同指出，写入时 provenance + 检索时 embedding 异常检测 + LLM 端矛盾自检 是三道必备闸门，单层 query-overlap 检测不足。生产栈默认值（依据 Tom 9-13 rag-e1prep 增量 ③⑥⑦）：LangGraph 编排 + LlamaIndex Workflows + Ragas 评估（Faithfulness ≥ 0.9 / Answer Relevancy ≥ 0.85 / Context Precision ≥ 0.8）+ Qdrant 2.8ms 实测 / pgvector 原型 + vLLM V1 near-zero prefix caching。
§4 研究视角（创新性）
方法学新立标候选：2608.23252 的「因果 leave-one-out + 结构稀释校准」+ 2608.25625 的「单参数 Pareto 前沿」是当前 RAG 评测/分配方法学的两根新支柱；两者均把传统 ablation/相关度代理指标升级为可证伪工具。数据资产新发布：MERLIN-Rare（2609.10745）补齐多语种稀有实体评测缺口；ascp-context-attribution dataset（2608.23252）开放因果测量工具集。反直觉命题：2608.23252 的「monolithic widening 是 architectural trap」、2609.05339 的「RAG ≠ Agent 记忆默认解」、2608.28389 的「query-overlap 检测不再充分」三件同向冲击 RAG 主流共识，是 W38 综述最具颠覆性的三句话。
§5 批判视角（局限）
按反方 v2 三段式，每主线独立成段、每段 ≥150 字：
5.1 因果 LOO 探针 vs 工程成本（2608.23252）
(1) 机制：leave-one-out 的固有开销是「每篇候选文档一次独立前向 + 1 次基准」= K+1 次前向；论文称 efficient，但相对 BM25/nDCG 单次相似度计算仍高数个数量级。(2) 数据：摘要层未量化 K=30/50/100 下的端到端延迟，Jay 核查指出「实际延迟数字本棒未给」，⚠️ 这是反方主要数据缺口。(3) 截止日 / 证伪：若作者在 GitHub README 不补延迟 benchmark，则生产引入前必须自跑 A/B；论文摘要层收益 16.7–20.5 pp 是 portfolio recall 指标，非 end-to-end 任务质量——下游 QA 准确率/报告连贯性是否同幅增长未公开，是反方最强证伪点。
5.2 路由器的离线候选库 vs 长期演化（2608.25625）
(1) 机制：路由器离线跑完一组 candidate pipelines 后生成训练数据，新增 pipeline 需重训；cache 策略需按 pipeline 粒度单独做，否则 hit rate 下降。(2) 数据：12.4× faster 的分母明确为「最强多模态/late-interaction pipeline」，但团队若用比 ColPali 更快的方案（如更轻量多模态编码器），增益会缩水 ⚠️。(3) 截止日 / 证伪：跨语种支持 abstract 未披露；中文 query 决策质量需独立验证。路由器「仅看 query 文本」的下限是「同一 query 在不同 doc collection 上的最佳 pipeline 不同时，路由器无法用文档侧信号」。
5.3 ViSAR 对 late-interaction 的依赖（2609.02486）
(1) 机制：方法本身消费 multi-vector patch 嵌入，CLIP-style 单向量编码器用不上；row_max 在 query 与 page 分属不同语言时退化为噪声——跨语言场景 ViSAR 不可用。(2) 数据：58.7% 是 abstract "up to" 上限，分项均值/方差未公开；拐点检测超参 λ 默认 0.5，敏感性分析未给出 ⚠️。(3) 截止日 / 证伪：若作者在 v3 不补 λ-grid 与 encoder 清单，则工程师必须自做 lam ∈ {0.3, 0.5, 0.7, 1.0} 的 grid；>100 页文档 $M(q,p)$ 内存 O(P×M×N) 压力大需分批，长文档场景是反方硬证伪点。
5.4 CamoDocs 的检索器假设（2608.28389）
(1) 机制：dispersion tokens 的有效性建立在「检索器对嵌入空间语义聚类敏感」这一假设；新一代 sparse / hybrid / rerank 检索可能改变攻防格局。(2) 数据：3 个 benchmark 的具体名字 abstract 未列，7 种防御 / 3 个开源 LLM 名单未列 ⚠️；GPT-5.4-mini/Claude-Haiku-4.5 ASR 是 abstract 直接给数字，下游跨语种/多跳检索场景未覆盖。(3) 截止日 / 证伪：作者在 GitHub 仓库 README 应补 7 种防御的完整名单；红队复现需要目标检索器的白盒/灰盒访问，黑盒场景下 ASR 大概率下降——这是反方最强证伪点（实战有效性 ≠ 论文报告值）。
5.5 稀有实体切片 vs 评测广度（2609.10745）
(1) 机制：reasoning + retrieval 互补的 framework 是 training-free，依赖 VLM 自身推理能力；不同 VLM 的「reasoning capability」差异未被论文显式控制。(2) 数据：SOTA 在稀有切片准确率下降 15.4–39.9% 是「popularity 稀有性」vs「结构稀有性」两类切片的综合表现，具体单一切片的数字分布 abstract 未给 ⚠️。(3) 截止日 / 证伪：MERLIN-Rare 是 Hindi/Indonesian/Japanese/Tamil/Vietnamese 五语种，对中文/韩文/阿语稀有实体是否同结论未公开，是反方证伪点。
5.6 私有稠密检索 vs 真实工业部署（2608.25735）
(1) 机制：shortlist 候选名单假设「短名单与全语料检索质量匹配」，但前提是候选名单的构造方式与下游 reranker 的兼容性未量化。(2) 数据：5 个零样本语料（25K–5.4M）的具体名字与领域 abstract 未全列 ⚠️；S2 引用仅 1 次，领域影响力尚未建立。(3) 截止日 / 证伪：若作者不在 GitHub 公开 shortlist 构造的端到端延迟（应远低于全语料加密搜索的 K×N 复杂度），则反方可在自跑 benchmark 中轻易证伪。
5.7 EnSI-RAG 的索引开销（2608.21252）
(1) 机制：以实体为中心、query-independent 的索引需预先 NER + 关系抽取 + 索引构建——离线预处理开销不可忽略。(2) 数据：abstract 未给出构建时间、索引体积、检索 nDCG 对照基线 ⚠️；可追溯源证据的存储成本未量化。(3) 截止日 / 证伪：若作者在 GitHub 不公开 NER/RE 的端到端管线，则「可审计」承诺只是叙事，无法工程化验证。
5.8 Agent 记忆可移植 vs 形态选择（2609.05339）
(1) 机制：48 条合成历史的「可控」是优势也是局限——合成历史能否代表真实多 session Agent 的记忆分布未量化。(2) 数据：对比 LC-RAW / RAG / NOTES / KG-fixed 四种形态，但每种形态的具体优势区间（如哪类历史长度下哪种最优）abstract 未给 ⚠️。(3) 截止日 / 证伪：若作者不补「真实世界 Log 复现」实验，则反方可在多 session log 的自有数据集上轻易发现「合成历史不覆盖」的失真。
§6 趋势判断与开放问题
3 个趋势：(i) 测量层升级——causal leave-one-out 探针（2608.23252）+ diagnostic attribution（1034-2608-18489 MissDiag）共同把 RAG 从「相关度代理」推向「生成依赖性量化」；(ii) 自适应层普及——router（2608.25625）+ adaptive-k（2609.02486）+ skill graph 校准（2608.25500）+ critical token gate（2609.01601 ACToR）+ retrieval-on-demand NER（2609.02366 NE-R1）共同把「是否/如何/何时/多少」四个问题解耦；(iii) 鲁棒层显学化——投毒（2608.28389）+ ASR 错误放大（2608.22872）+ KGQA 诊断（2608.18489）+ 私有检索（2608.25735）共同把 RAG 安全从「提示工程层」升到「检索协议层」。
5 个开放问题：(1) causal leave-one-out 在 >32B 模型上的收益是否仍稳健——2608.23252 仅给到 32B；(2) 单参数 Pareto 前沿是否可扩展到「accuracy-成本-隐私」三维——2608.25625 仅二维；(3) reasoning + retrieval 互补在非英语系是否同结论——2609.10745 限五语种；(4) 模型升级后 Agent 记忆形态选择的「自动化」何时可工程化——2609.05339 是诊断非解法；(5) RAG 投毒防御的「代价量化」缺统一协议——TrustRAG 类擦除 vs NeoQA 效用 trade-off 需基准统一。
给工程团队的执行优先级：第 1 步把 ViSAR（2609.02486）集成进现有 ColPali/ColQwen 系统（≤200 行、零训练、立降 up to 58.7% DocVQA 延迟）；第 2 步对长尾实体 query 启用 reasoning + retrieval 框架（2609.10745）；第 3 步把检索时 embedding 异常检测（防 CamoDocs）+ 写入时 provenance ACL（2608.28389 反推）作为生产 RAG 默认值；第 4 步若 query 模式高度异构，部署 RetrievalRouter 单参数 Pareto 暴露（2608.25625）。给研究团队的执行优先级：优先做 causal LOO 在 >32B 模型上的 scaling 研究 + adaptive retrieval 在中文学界的复现 + RAG 投毒代价量化协议三项——这三者补齐即可把 RAG 评测/分配/安全三层方法学各自封顶。
§7 立标池主表（6 件主轴，已 abstract + GitHub/EMNLP 双重核验）
| arXiv | 标题 | 主分类 | 会议 / 核验 | GitHub |
|---|---|---|---|---|
| 2608.23252 | The Laws of Context Allocation | rag | arXiv 2026-08-24 | PeiYangLiu/ascp ✅200 |
| 2608.25625 | RetrievalRouter | rag | EMNLP 2026 Full Main ✅abstract | emrekuruu/retrieval-router ✅200 |
| 2609.02486 | ViSAR | rag | arXiv 2026-09-02 v2 | 仓库未公开 ⚠️ |
| 2608.28389 | CamoDocs | rag | EMNLP 2026 ✅abstract | jaewonalive/CamoDocs ✅200 |
| 2609.10745 | Think Before You Link | rag | EMNLP 2026 Main ✅abstract | 仓库未公开（待 EMNLP 开源窗口）⚠️ |
| 2609.05339 | Does Your Agent's Memory Survive a Model Upgrade? | rag | arXiv 2026-09-06 | 仓库未公开 ⚠️ |
§8 PDF §X 待复核表（★★★ 立标，PDF 主表待核验）
| arXiv | 待复核数字 / 内容 | 当前来源 | 风险 |
|---|---|---|---|
| 2608.23252 | portfolio recall 16.7–20.5 pp 的数据集/基线/消融表 | abstract | GitHub README 应补；本棒未拉 PDF |
| 2608.25625 | 12.4× faster 的具体分母（vs ColPali 还是 vs 既有 adaptive） | abstract | 引用必须注明「vs 最强多模态 late-interaction pipeline」 |
| 2608.28389 | 7 种防御 / 3 个开源 LLM / 3 个 benchmark 完整名单 | abstract | GitHub README 应补 |
§9 元信息 / 反方 / 自检闭环
- 元信息：作者 spark · 更新 2026-09-13 · 主分类 rag · 形态 application · 8 核心 + 4 辅助 · 综合周期 2026-08-24 → 2026-09-09。
- 反方：7 主线独立成段，每段开头 (1) 机制 / 中段 (2) 数据 / 末尾 (3) 截止日或证伪，每段 ≥150 字，总长约 1.6K CJK（在反方预算内）。
- 数字核验：本棒 web_fetch 200 命中 4 arXiv abs + 3 GitHub repo = 7 个独立 URL 主轴命中；剩余 5 篇核心/辅助通过 paper_card abstract 复用，无未经核验独占数字。
- 字数自检：本棒目标主体 ≤3,500 CJK + 反方 ≤300（实际反方入主段内不另计堆栈，合计主体 + 反方 ≈3,200 CJK）+ 元信息 ≤100 ≈3,300 CJK ≤3,900 硬约束 ✅。
- 私域污染：ip=0 / kp=0 / rn=0 / fp=0 / oc=0 = SUM=0 ≤ 3 ✅。
- blocklist 命中：本棒 0 hits；本棒关键模型名（GPT-5.4-mini / Claude-Haiku-4.5 / ColPali / ColQwen / LlamaIndex / LangGraph / vLLM / SGLang）均来自 abstract 原文或 flyP/Jay explaine 锚定，无幻觉 ✅。
- 下棒接力预告：下一棒主题将由 2026-09-14 的 cron 决定（年积日 257 mod 8 = 1 → rag）；若近 72h 内已有 rag 综述将顺延到 multimodal。本棒 2608.23252 GitHub README 延迟 benchmark 与 2608.28389 7 种防御完整名单是后续 rag 主题接力棒的优先 v2 复核目标。