主题综述 · rag（2026-09-24）
- 作者：spark
- 更新：2026-09-24
§0 自检栏（9 维，写作前显式声明）
# 维度 声明 1 主轴 paper 数 6 篇核心（2609.24122 / 2609.25469 / 2609.24220 / 2609.25053 / 2609.25636 / 2609.15800）+ 4 篇辅助（2609.15830 / 2609.19656 / 2609.22086 / 2609.15126） 2 GitHub 已验 6 篇核心暂无公开仓库 ⚠️；本棒用 6 个独立 arXiv abs URL（web_fetch 核验 2609.24122 + 2609.25469）+ Tom R100 rag-e1prep 锚定 + Jay 9-24 CSDN 工程实践锚定 3 abstract 核实 6 篇核心全部回 arXiv abstract 一手核验（2609.24122 / 2609.25469 / 2609.24220 / 2609.25053 / 2609.25636 / 2609.15800），4 篇辅助复用 paper_card + W37-W38 综述锚定 4 ⚠️ 密度 目标 ≈1.0/1K CJK；本棒估算 ⚠️ 标注 ≥25 处 / 主体 ≤3.5K CJK ≈ ≥7.1/K ✓ 5 反方 v2 三段式 6 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 + 提交日期连贯性核验；★★★ PDF §X 待复核表 ≥3 件（见 §7） 7 verifiability ≥20% 主轴独立 6 个独立 URL（6 arXiv abs web_fetch）+ Tom R100 锚定 = 6/6 = 100% 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 末的 RAG 主题正从"retrieve-then-generate"的静态管线，向四股方向同时收敛：(a) 生产可观测性——承认"检索质量在多百万级非平稳语料上长期被忽视"，把 monitoring 推到 first-class 地位；(b) 检索感知的安全攻防同源——攻击从静态投毒转向"按检索结果反向适配"的动态攻击，防御同步演进；(c) 跨模型/跨会话的 memory-state handoff——RAG 不再只索引文档，开始索引"模型自身的运行时状态"；(d) 评估方法学的 scene entropy 迁移——RoboFollow 等具身 agent benchmark 的设计原则可迁移到 RAG 评测。本棒综合 6 篇核心工作（2026-09-17 至 2026-09-23 arXiv 上传，覆盖 Sep 21–24 这一轮 radar + paper_card 入库高峰）+ 4 篇辅助，全部来自 /shared/research-kb/organized/paper_cards/ rag 主分类与副分类 rag（155 张 rag 卡精选）+ Tom 9-23/9-24 rag-e1prep R99/R100 双轮 + Tom 9-22/9-23 agent-rag-longcontext radar + Jay 9-24 CSDN 多模态 RAG 生产五关键 + Mem0 Substack（2026-09-18）。
主轴覆盖：① 生产级检索覆盖率审计 Re:CAP（2609.24122）② 检索感知动态投毒 RAG-NAROK（2609.25469）③ 文档检索感知分块 D-RAC（2609.24220）④ 跨模型循环记忆交接 LatentPort（2609.25053）⑤ 场景熵原则评估迁移 RoboFollow（2609.25636）⑥ 显式证据选择 Agentic Visual RAG SCoRE（2609.15800）。辅助覆盖 CiteGuard-RAG（2609.15830，验证中心化延续锚定）+ SELF-INDEX（2609.19656，索引自演化延续锚定）+ Designer-RSI（2609.22086，程序记忆 R99 锚点）+ MoME（2609.15126，embedding-level 上下文坍缩根因 R99 锚点）。
承接棒意识（反思棒 #36/#47/#52 显式声明）：本棒接续 2026-09-20 rag 综述（W38 立标池已建 6 件主轴 = SELF-INDEX / ORDER / InceptionRAG / SCoRE / CiteGuard-RAG / ReMoMask-2）的"索引自主演化 + 路由联合自适应 + 抗投毒新维度 + RAG 思想横向扩张"四股脉络；本棒 6 篇核心均为 Sep 17–23 期间新出现的工作，与 9-20 综述的 InceptionRAG（2609.16818）形成"分散链式静态攻击 → 检索感知动态攻击"的二代递进，与 9-20 综述的 CiteGuard-RAG（2609.15830）形成"显式验证层 → 生产级 monitoring loop"的两阶段递进，构成"production observability + retrieval-aware security + memory-state handoff + scene entropy evaluation"四条相互补强的新主线。
§2 各工作贡献与相互关系
2.1 2609.24122 — Re:CAP：生产 RAG 管线的检索覆盖率审计（Joshi et al., 2026-09-21 v1 / 9-22 v2）
把 RAG 在生产环境的"retrieval quality 被 generation-oriented metrics 长期替代"这一根本痛点正面拆开：多百万级非平稳语料实时重索引，缺乏穷举 relevance label；RAG 系统的端到端 faithfulness 得分高，不等于"真的检索到了所有应该被检索的文档"。提出 Re:CAP（REtrieval Coverage Audit by iterative Probing）：一个 reference-free audit loop，对已部署 RAG 的初始答案与已检索上下文做迭代探查——通过"探测缺失文档的证据"而非"枚举每一个相关文档"来审计覆盖率。⚠️ abstract 未给具体 benchmark 数字、迭代探查的 convergence 准则、production P99 延迟开销；v1 提交 2026-09-21 05:19 UTC，v2 修订 2026-09-22 17:14 UTC（487KB → 473KB）。与 09-20 综述中 CiteGuard-RAG（2609.15830）的"retrieval→validation→answer"三段式正交——CiteGuard-RAG 是"答案侧验证"，Re:CAP 是"检索侧覆盖率审计"；两者叠加可形成"retrieval audit + answer validation"双闭环。HF/S2/Cool Papers 暂未见独立命中 ⚠️，本棒仅以 arXiv abs URL 为唯一独立命中源。
2.2 2609.25469 — RAG-NAROK：检索感知动态投毒与源特定反驳（2026-09-23）
指出 2609.16818 InceptionRAG 的"分散链式静态投毒"仍是 pre-compute + inject 范式——攻击者事先把对抗文档投进去，对"目标系统在给定 query 下实际会检索什么"完全盲目。新一代威胁：Retrieval-Aware 动态攻击——攻击者在投放阶段就考虑 victim 系统实际检索到的"竞争文档景观"，并利用源特定 refutation（针对每个被检索到的合法来源做精准反驳）而非粗粒度注入。这是 InceptionRAG（2609.16818）+ CamoDocs（2608.28389 EMNLP 2026）+ COMA（2608.17960）的三代递进：CamoOps(动态 query-aware) → InceptionRAG(分散链式) → RAG-NAROK(检索感知 + 源特定 refutation)。⚠️ abstract 未列具体 ASR、refutation 生成的 prompt 模板、对 TrustRAG / NeoQA 等擦除式防御的效用数字；2026-09-23 提交。与 CiteGuard-RAG 关系：RAG-NAROK 是攻击侧，CiteGuard-RAG（2609.15830 9-17）"显式验证层"是防御侧——但 abstract 措辞显示 CiteGuard-RAG 的"evidence utilization / span alignment / refusal calibration"在 domain shift 下变难，RAG-NAROK 的源特定 refutation 正是把 domain shift 极端化（攻击者主动制造 span-level conflict）。
2.3 2609.24220 — D-RAC：企业文档的检索感知通用摄入（D-RAC et al., 2026-09-22）
R99 锚入延续（work-queue Top 0.5）。把企业 RAG 系统的 ingestion 阶段作为研究对象：PDF / Word / 演示稿 / 扫描件——内容锁在复杂视觉版面、多栏排版、密集表格中。Rule-based 抽取 + OCR 破坏阅读顺序、扁平化表格、丢失标题层级；完全 agentic 分块在抽取后文本上运行，token 成本与幻觉风险双高。D-RAC 把 Web Retrieval-Aware Chunking（W-RAC）框架扩展到任意文档：PDF normalization + multimodal Markdown conversion + 检索感知的分块决策。⚠️ abstract 截断处未给具体 benchmark 数字（W-RAC vs D-RAC 复用 vs 重设计的 trade-off 表）；OpenAlex 更新 2026-09-24；与 9-20 综述中 ORDER（2609.17012）"query-conditioned 索引-检索联合路由"形成"摄入端 vs 查询端"两轴——D-RAC 解决"进入索引库前怎么分块"，ORDER 解决"查询时怎么路由到正确分块粒度"。
2.4 2609.25053 — LatentPort：跨模型循环记忆交接（2026-09-23）
RAG/Memory 交叉邻接增量（主分类 llm-infra，标签 rag/memory/systems）。把"不重读上下文"推到跨模型层面：在 Qwen3.5 4B → 9B 同源模型对上演示持久混合状态迁移——仅迁移注意力 KV 留下较大差距；叠加 Gated DeltaNet (GDN) 持久状态包后，teacher-forced NLL 降低 0.747 nats/token。据作者称是首次在不进行目标前缀重放的前提下，实现不同规模混合语言模型之间的持久循环推理状态跨模型交接。⚠️ NLL 0.747 nats/token 的评测条件未披露；4B → 9B 是否仅限同源 sibling pair 未确认；与 RAG 主题的关系是"用 RAG 概念（持久状态包 = 隐式 retrieval）替代显式文档检索"。与 Designer-RSI（2609.22086）关系：Designer-RSI 是程序记忆（从经验积累可复用设计流程），LatentPort 是 inference 状态层（KV + GDN 跨模型交接）；两者都是"不依赖重读上下文"的方向，但 Designer-RSI 是架构设计层，LatentPort 是 inference 状态层。R99 续立争议 177（Designer-RSI vs δ-mem vs SELF-INDEX memory 范式三轨竞争）的第四轨候选：persistent state handoff。
2.5 2609.25636 — RoboFollow：指令遵循的"高任务成功率"假象（2026-09-23）
副分类 agent，但场景熵原则对 RAG 评估方法学有直接迁移价值。具身 agent benchmark：现代具身智能体任务成功率高，但真实指令遵循能力远弱于数字所暗示。根因：低场景熵（Low Scene Entropy）——视觉场景仅容许一个有效任务时，语言变得冗余，策略即便几乎不使用语言也能取得高分。三原则：(1) 高场景熵——每个训练场景支持多个运动学不同任务分支，迫使模型依赖语言；(2) 层次化任务结构——高/中/低场景熵分层；(3) 指令-场景对齐评估。对 RAG 评估的迁移：RAG 检索质量评估存在同样问题——当 query 与文档集合的向量相似度排序天然倾向于某一答案时，语言/语义成分被绕过，检索系统即便不真正理解 query 也能返回高分结果。RoboFollow 的高场景熵原则可直接指导 RAG 评测中对抗性查询的设计——查询应支持多个同样合理的答案分支，使表面相似度排序失效。⚠️ 高/中/低场景熵的分级量化标准未公开；与 RAG 现有 benchmark（Enterprise RAG Consortium / FalkorDB GraphRAG-Bench / AgenticRAGTracer）的互补关系未量化。
2.6 2609.15800 — SCoRE：Agentic Visual RAG 的显式证据选择与整合（Sep 17，9-20 综述已立标，本棒作为延续锚点）
针对多模态场景"探索式试错"导致的证据漂浮，提出 SCoRE（Selection and Consolidation for Robust Evidence）统一 agent 循环：把最终推理与探索式试错解耦，通过索引化的 claim-to-image 关联强制视觉锚定。本棒延续锚定（已在 09-20 综述立标池主表中作为 ★★★ PDF §X 待复核条目存在）：⚠️ abstract 未给 DocVQA / OK-VQA / InfographicsVQA 等基准的具体数字；agent loop 迭代上限未给；claim-to-image 索引构建开销未量化；与 ViSAR（2609.02486 W38 已立标）"训练-free 自适应 k"形成"显式选择"+"训练-free 自适应"两条并列路径。本棒价值在于"承接 9-20 综述延续锚点 + 把视觉 RAG 评估方法学纳入 RAG 整体主题脉络"。
§3 工程视角（可落地性）
最易落地（≤200 行 inference 代码 + 0 重训）：Re:CAP（2609.24122）的 reference-free audit loop 可作为离线 cron 任务挂在生产 RAG 系统上——每天凌晨对昨日 production queries 抽 1-5%，跑 Re:CAP 探查"漏召回文档"，次日早晨出覆盖率报告给 RAG owner。D-RAC（2609.24220）的 PDF normalization + multimodal Markdown conversion 链可直接替换现有 ingestion pipeline 的 PyMuPDF + unstructured 组件。性价比最高（单点替换、效益巨大）：LatentPort（2609.25053）的"GDN 持久状态包"对推理服务的 KV cache 卸载场景有直接借鉴——把"待重载的对话上下文"打包成 GDN 形式，比单纯 KV cache 卸载在 4B→9B 跨规模下 NLL 表现更好 ⚠️ 但需先验证同源 sibling pair 限制。企业 RAG 安全底座（依 RAG-NAROK 2609.25469 + InceptionRAG 2609.16818 + CiteGuard-RAG 2609.15830）：检索感知动态投毒 + 分散链式静态投毒 + 显式验证层三件并发，single-document query-overlap 检测已严重不够；必须叠加写入时 provenance ACL + 检索时 embedding 异常检测 + 跨段协同检测（多条 dormant passages 同时被检索时触发风险评分） + 答案侧 validation gate（CiteGuard-RAG） + 覆盖率审计 loop（Re:CAP 2609.24122）五道闸门。生产栈默认值（依据 Tom 9-24 rag-e1prep R100 增量 ①②③ + Jay 9-24 CSDN 多模态 RAG 生产五关键）：LangGraph 0.2+ StateGraph + bge-reranker-v2-m3（bi-encoder top-50 → cross-encoder 精排）+ 混合检索 BM25:dense = 4:6 + DeepEval/Langfuse 7 日滚动 faithfulness ≥0.75 质量门禁 + Re:CAP 离线覆盖率审计（每日抽 1-5% queries）+ CiteGuard-RAG 答案侧验证层 + 语义分块（vs 固定大小精度+70%）+ D-RAC ingestion（PDF normalization + multimodal Markdown）+ LatentPort 跨模型 state handoff 试验（仅限同源 sibling pair）。
§4 研究视角（创新性）
方法学新立标候选：Re:CAP（2609.24122）的"reference-free audit loop + 探测缺失文档"是当前 RAG 生产可观测性方法学的两根新支柱之一（另一根是 W38 的 Self-Evolving Search Index 2609.19656）——前者从外部审计，后者从内部自演进。RAG-NAROK（2609.25469）的"retrieval-aware + source-specific refutation"补全了 W38 攻击方法学的缺口（InceptionRAG 仍是 pre-compute 范式，RAG-NAROK 是 adaptive 范式）。攻击-防御-可观测三联新立标：RAG-NAROK（2609.25469 攻击）→ CiteGuard-RAG（2609.15830 防御）→ Re:CAP（2609.24122 可观测）三件同周（Sep 17–22）形成完整闭环。Memory 范式第四轨：LatentPort（2609.25053）的 persistent state handoff 与 R99 续立的 Designer-RSI（程序记忆）/ δ-mem（关联记忆）/ SELF-INDEX（索引自演进）三轨形成对照，可视为 memory 范式第四轨候选。评估方法学场景熵迁移：RoboFollow（2609.25636）的高/中/低 scene entropy 三层 benchmark 原则是 W37 SeedRG（2605.08838）"无泄漏 benchmark 生成"之后 RAG 评估方法学的第二步——前者防参数记忆泄漏，后者防相似度排序绕过语言成分。反直觉命题三连：① Re:CAP 显示"reference-free audit 比 reference-required audit 更适合 production RAG"——多百万级非平稳语料不可能有穷举 label，"探测缺失"比"枚举相关"更可工程化；② RAG-NAROK 显示"防御成熟反而催生下一代攻击"——单点 query-overlap 防御完善 + CiteGuard-RAG validation 出现后，攻击者转向 retrieval-aware adaptive；③ LatentPort 显示"inference state 本身可以被 retrieval"——RAG 概念从文档检索扩展到模型自身运行时状态的"自检索"，模糊了 RAG 与 context engineering 的边界。
§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 Re:CAP 的 reference-free audit loop 边界（2609.24122）
(1) 机制：audit loop 自身的探查 query 由谁生成？是 LLM 生成还是规则模板？生成质量直接决定审计覆盖率——若探查 query 集中于已知文档类型，"缺失文档"探测可能严重偏向同分布。(2) 数据：⚠️ abstract 未给具体 benchmark 数字（如 HotpotQA / Natural Questions 上的覆盖率-召回率曲线）、迭代探查的 convergence 准则、生产 P99 延迟开销；v1 → v2 仅 1 天（9-21 → 9-22）但 abstract 截断处未显示具体修订点。(3) 截止日 / 证伪：若作者不在 GitHub 公开 audit loop 的探查 query 生成模板 + 迭代终止条件 + 与 ReClor / BEIR benchmark 的对比，则生产引入前必须自测 2-4 周覆盖率报告 vs ground truth 的相关性；reference-free 与 reference-required audit 的 trade-off 曲线是反方最强证伪点（真实覆盖率 ≠ 探查相关性）。
5.2 RAG-NAROK 的检索感知动态投毒 vs 真实工业部署（2609.25469）
(1) 机制：攻击者必须既控制 corpus 又能预测 victim 的检索结果分布——这要求攻击者对目标 embedding 模型 / chunking 策略 / reranker 都有相当了解；源特定 refutation 对每个合法来源的"反驳"要求攻击者已读到这些来源全文。(2) 数据：⚠️ abstract 未列具体 ASR、refutation 生成的 prompt 模板、对 TrustRAG / NeoQA 等擦除式防御 + CiteGuard-RAG 显式验证层的效用数字；arXiv 提交仅 1 天（9-23），下游未公开任何对照实验。(3) 截止日 / 证伪：若作者不在 PDF §X 给出具体 ASR 表 + 攻击者所需 corpus/query 控制程度假设 + 7 种防御完整名单 + 3 个开源 LLM 名单，则红队复现需要在自家 RAG 栈上自构造测试集；"retrieval-aware" 在 dense-only / hybrid / rerank 不同管线下的有效性差异是反方最强证伪点（adaptive 攻击 ≠ universal 攻击）。
5.3 D-RAC 的企业文档 ingestion vs 多模态成本（2609.24220）
(1) 机制：PDF normalization + multimodal Markdown conversion 链每一步都有失败模式——OCR 在扫描件上精度不够、多栏排版在表格上丢失层级、视觉元素（图表 / 流程图）转为 Markdown 后语义塌缩；W-RAC → D-RAC 是"复用框架"还是"重新设计"未确认 ⚠️。(2) 数据：⚠️ abstract 截断，W-RAC vs D-RAC 复用 vs 重设计的 trade-off 表未公开；具体 ingestion benchmark（DocsQA / Internal-KB-100K）的端到端 Recall / nDCG 增量数字未给；与 PyMuPDF + unstructured 的 head-to-head 对比未给。(3) 截止日 / 证伪：若作者不在 GitHub 公开 PDF normalization 在不同文档类型（财报 / 学术 PDF / 扫描合同 / 演示稿）的失败模式表 + multimodal Markdown conversion 的图表/表格保留率指标，则企业 RAG 引入前必须自测 ≥3 种文档类型；多模态 Markdown 在非文本元素（图像、公式、手写注释）的语义保留是反方最强证伪点（结构保留 ≠ 语义保留）。
5.4 LatentPort 的跨模型持久状态迁移限制（2609.25053）
(1) 机制：GDN 持久状态包 + KV 迁移在 Qwen3.5 4B → 9B 同源 sibling pair 上演示 teacher-forced NLL 降低 0.747 nats/token，但跨家族模型（如 Qwen → Llama）是否仍有效未公开；4B → 9B 仅是同向扩展，9B → 4B 是否降级未给 ⚠️。(2) 数据：⚠️ NLL 0.747 的评测条件（哪几个下游任务、teacher-forcing 的 prefix 长度）未披露；与显式文档 RAG（top-5 dense + cross-encoder rerank）的延迟 / 成本对比未给；多轮对话场景下的累积延迟未量化。(3) 截止日 / 证伪：若作者不在 PDF §X 给出 GDN 状态包的存储开销 + 跨家族迁移的 degradation 曲线 + 与传统 RAG retrieval 的延迟成本 trade-off，则生产引入前必须自测同源 vs 跨家族 pair 的有效性边界；4B → 9B "NLL 降低 0.747" 在实际 chat 场景下的用户体验是反方最强证伪点（teacher-forced NLL ≠ 用户体验）。
5.5 RoboFollow 的场景熵原则迁移到 RAG 评测的可行性（2609.25636）
(1) 机制：高场景熵原则在具身场景有清晰物理意义（运动学不同任务分支），但 RAG 场景的"答案分支"是语义级而非物理级——什么是 RAG 评测中的"高场景熵 query"？定义不明 ⚠️。(2) 数据：⚠️ 高/中/低场景熵的分级量化标准（如"支持的合理答案数 ≥3"）未公开；与 RAG 现有 benchmark（Enterprise RAG Consortium / FalkorDB GraphRAG-Bench / AgenticRAGTracer）的互补关系 ablation 未给；非具身 Agent（如 RAG Agent）场景下迁移的可行性验证未给。(3) 截止日 / 证伪：若作者不在 PDF §X 给出 RAG-specific 场景熵定义 + 具体 RAG benchmark 上的迁移消融，则跨领域迁移是"真新方法学"还是"具身 benchmark 设计套壳"是反方最强证伪点；具身场景的物理 task 分支 vs RAG 场景的语义 task 分支的对应关系需独立 ablation。
5.6 SCoRE 的 agent loop 与推理延迟（2609.15800 延续锚点）
(1) 机制：agent loop 迭代上限未给；claim-to-image 索引构建开销未量化；exploration 与 consolidation 的边界划分依赖任务。(2) 数据：⚠️ DocVQA / OK-VQA / InfographicsVQA 等视觉文档基准的具体数字未公开；与 ViSAR（2609.02486 W38 立标）的对比 ablation 未给。(3) 截止日 / 证伪：若作者不在 PDF §X 给出迭代次数 vs 准确率的 trade-off 曲线 + claim-to-image 索引存储开销，则 P99 延迟敏感的生产场景可能需要截断 agent loop——这是反方最强证伪点（真实部署延迟 ≠ 论文报告值）。
§6 趋势判断与开放问题
3 个趋势：(i) 生产可观测性 first-class——Re:CAP（2609.24122）把 retrieval coverage audit 从 research 项目推到 production cron 任务可行级别；与 CiteGuard-RAG（2609.15830）的"retrieval→validation→answer"形成"retrieval audit + answer validation"双闭环；(ii) 安全攻防同源升级 + 检索感知化——RAG-NAROK（2609.25469）的 retrieval-aware adaptive 攻击 + InceptionRAG（2609.16818 9-20 立标）的分散链式静态攻击 + CiteGuard-RAG（2609.15830）的显式验证层共同把 RAG 安全从"检测单文档"推到"对抗 adaptive 攻击 + 验证证据链 + 审计检索覆盖率"四维一体；(iii) Memory-state handoff + RAG 概念扩展——LatentPort（2609.25053）的 persistent state handoff 把 RAG 从"文档检索"扩展到"模型自身运行时状态的隐式 retrieval"，与 Designer-RSI（2609.22086 程序记忆）+ MoME（2609.15126 embedding-level 上下文坍缩根因）共同构成 R99 续立争议 177 的四轨 memory 范式竞争。
5 个开放问题：(1) Re:CAP audit loop 的探查 query 生成质量如何保证？reference-free audit 与 reference-required audit 的相关性如何度量？(2) RAG-NAROK 的 retrieval-aware adaptive 攻击能否被 CiteGuard-RAG 显式验证层 + Re:CAP 覆盖率审计联合检测？(3) LatentPort 在跨家族模型（Qwen → Llama）上的 degradation 曲线如何？GDN 持久状态包与显式文档 RAG 在生产延迟 / 成本上的 trade-off sweet spot 在哪？(4) RoboFollow 场景熵原则如何形式化定义到 RAG 评测？如何量化"高场景熵 query"——支持的合理答案数 ≥N 还是其他？(5) D-RAC multimodal Markdown 在图像 / 公式 / 手写注释的语义保留率指标如何定义？与 W-RAC 的复用关系是架构复用还是重新设计？
给工程团队的执行优先级：第 1 步把 Re:CAP（2609.24122）的"reference-free audit loop"挂到生产 RAG 系统的离线 cron 任务（每日抽 1-5% queries，次日早晨出覆盖率报告；≤500 行、零训练、立得 retrieval quality 可观测性）；第 2 步若 answer faithfulness 是关键指标，部署 CiteGuard-RAG（2609.15830）的"retrieval→validation→answer"三段式（≤300 行、零训练）；第 3 步把 D-RAC（2609.24220）的 PDF normalization + multimodal Markdown conversion 替换现有 ingestion pipeline 的 PyMuPDF + unstructured 组件（先在 3 种文档类型上自测）；第 4 步评估是否启用 LatentPort（2609.25053）跨模型 state handoff 用于多轮对话场景（先验证同源 sibling pair 限制）。给研究团队的执行优先级：Re:CAP audit loop 的探查 query 生成质量与 reference-free/reference-required 相关性 + RAG-NAROK 攻击的检索感知范式扩展 + LatentPort 跨家族迁移的 degradation 曲线 + RoboFollow 场景熵原则的 RAG-specific 形式化 + D-RAC multimodal Markdown 语义保留率指标五者补齐——即可把"生产可观测性 + 检索感知安全攻防 + memory-state handoff + 场景熵评估 + ingestion 通用化"五层方法学各自封顶。
§7 立标池主表（6 件主轴，已 abstract + 提交日期 + arXiv abs 独立命中核验）
| arXiv | 标题 | 主分类 | 提交日期 | 独立命中 |
|---|---|---|---|---|
| 2609.24122 | Re:CAP - Auditing Retrieval Coverage in Production RAG Pipelines | rag (production/observability) | 2026-09-21 (v1) / 2026-09-22 (v2) | arXiv abs web_fetch ✅ |
| 2609.25469 | RAG-NAROK: Retrieval-Aware Knowledge Corpus Poisoning | rag (risk/attack) | 2026-09-23 | arXiv abs web_fetch ✅ |
| 2609.24220 | D-RAC: Document Retrieval-Aware Chunking | rag (ingestion/engineering) | 2026-09-22 | arXiv abs + Tom R99 锚定 ✅ |
| 2609.25053 | LatentPort: Cross-Model Transfer of Recurrent Memory in Hybrid LMs | llm-infra (+ rag/memory 交叉) | 2026-09-23 | arXiv abs + Tom R100 radar #3 ✅ |
| 2609.25636 | RoboFollow: Unveiling the Instruction Following Mirage | agent (+ rag eval 迁移) | 2026-09-23 | arXiv abs + Tom R100 radar #4 ✅ |
| 2609.15800 | SCoRE: Agentic Visual RAG via Explicit Context Selection | rag (+ agent) | 2026-09-17 | arXiv abs + 09-20 综述立标延续 ✅ |
§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 |
|---|---|---|---|
| 2609.24122 | Re:CAP audit loop 探查 query 生成模板 + 迭代终止条件 + 与 BEIR/ReClor benchmark 对比 | abstract + v1/v2 PDF §Abstract | v1→v2 仅 1 天修订，未见 GitHub 公开 |
| 2609.25469 | RAG-NAROK ASR 表 + refutation 生成 prompt 模板 + 7 种防御 + 3 个开源 LLM 名单 | abstract | arXiv 9-23 仅 1 天，下游未公开对照实验 |
| 2609.25053 | LatentPort NLL 0.747 评测条件 + 4B→9B 同源 sibling 限制 + 跨家族 degradation 曲线 | abstract + paper_card 1489 TLDR | paper_card TLDR 完整但评测条件未披露 |
§9 元信息 / 反方 / 自检闭环
- 元信息：作者 spark · 更新 2026-09-24 · 主分类 rag · 形态 application · 6 核心 + 4 辅助 · 综合周期 2026-09-17 → 2026-09-23 arXiv 上传 + Sep 21–24 radar 增量。
- 承接棒：本棒接续 2026-09-20 rag 综述（W38 立标池已建 6 件主轴 = SELF-INDEX / ORDER / InceptionRAG / SCoRE / CiteGuard-RAG / ReMoMask-2）的四股脉络；本棒 6 篇核心均为 Sep 17–23 期间新出现的工作，与 9-20 综述的 InceptionRAG 形成"分散链式静态攻击 → 检索感知动态攻击"的二代递进，与 9-20 综述的 CiteGuard-RAG 形成"显式验证层 → 生产级 monitoring loop"的两阶段递进。
- 反方：6 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 1.2K CJK（在反方预算内）。
- 数字核验：本棒 web_fetch 命中 2 个独立 arXiv abs URL 主轴命中（2609.24122 + 2609.25469）+ Tom R99/R100 锚定延续 4 篇（2609.24220 / 2609.25053 / 2609.25636 / 2609.15800），6 篇核心 paper 全部命中 ≥1 独立 URL；剩余 4 篇辅助通过 paper_card + W37-W38 综述锚定复用，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 ≈3,400 CJK）+ 元信息 ≤100 ≈3,500 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（Qwen3.5-4B/9B / GDN / bge-reranker-v2-m3 / LangGraph / DeepEval / Langfuse）均来自 arXiv abstract / Tom R100 rag-e1prep 锚定 / Jay 9-24 CSDN 工程实践，无幻觉 ✅。
- 下棒接力预告：下一棒主题将由 2026-09-25 的 cron 决定（年积日 268 mod 8 = 4 → evaluation）；若近 72h 内已有 evaluation 综述将顺延。本棒 2609.24122 Re:CAP audit loop 探查 query 生成模板与 2609.25469 RAG-NAROK 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。