📡 RAG 检索增强

2026年08月03日星期一

迷失在证据中？重现RAG中文档位置与上下文大小效应

Lost in the Evidence? Reproducing Document Position and Context Size Effects in RAG

本文对检索增强生成（RAG）系统中文档排序和上下文大小的影响进行了系统性可复现研究。研究发现，主题采样是导致先前结论不一致的主要方差来源。通过校准程序确定稳定评估所需主题数后，我们重现了位置敏感效应，并进一步在更真实的检索场景下分析了这些因素与检索质量、模型选择的交互作用。结果表明，从理想化设置得出的结论并不总能迁移到实际RAG管道中。

利用RAG融合扩展检索增强生成：来自工业部署的经验

Scaling Retrieval Augmented Generation with RAG Fusion: Lessons from an Industry Deployment

本研究在企业知识库的生产级RAG管道中评估了检索融合技术（如多查询检索与RRF）。发现在固定的检索深度、重排序预算和延迟约束下，融合虽能提高原始召回率，但经重排序与截断后增益基本被抵消。在本文设定中，融合变体未能超越单查询基线，且因查询重写与更大候选集引入了额外延迟，却未带来下游效果提升。结论指出，检索层面的改进未必能转化为生产系统的端到端收益。

Tiny-Critic RAG：利用参数高效的小语言模型赋能智能回退机制

Tiny-Critic RAG: Empowering Agentic Fallback with Parameter-Efficient Small Language Models

针对当前反思式RAG严重依赖大参数LLM作为评估器导致高计算冗余的问题，本文提出Tiny-Critic RAG。它通过LoRA部署一个参数高效的小语言模型作为确定性守门员，使用约束解码与非思考推理模式进行超低延迟的二元路由决策。在注入噪声的数据集上评估表明，其路由准确率可比肩GPT-4o-mini，同时延迟降低一个数量级，为智能体部署建立了高性价比范式。

链接知识与关怀：知识图谱增强的医疗随访问题生成

Linking Knowledge to Care: Knowledge Graph-Augmented Medical Follow-Up Question Generation

为缓解临床诊断中医生与患者交互的负担，并克服LLM领域知识有限的缺陷，本文提出KG-Followup方法。该方法利用知识图谱为LLM提供结构化医学专业知识，并结合主动上下文学习来生成相关且重要的随访问题，作为预诊断评估的关键模块。实验表明，KG-Followup在相关基准上的召回率比现有最优方法高出5%-8%。

隐藏于元数据中：针对多模态检索增强生成的隐蔽投毒攻击

Hidden in the Metadata: Stealth Poisoning Attacks on Multimodal Retrieval-Augmented Generation

多模态RAG系统因引入外部知识库而面临安全威胁。本文提出MM-MEPA攻击，仅操纵图文条目的元数据（不修改视觉内容），即可引导检索并诱导模型生成攻击者期望的响应。在多个基准测试中，攻击成功率高达91%，能持续干扰四种检索器与两种生成器的行为。评估发现现有防御策略对此类元数据投毒基本无效，暴露了多模态RAG的关键脆弱性。

GAM-RAG：面向演进式检索的增益自适应记忆机制

GAM-RAG: Gain-Adaptive Memory for Evolving Retrieval in Retrieval-Augmented Generation

针对静态RAG索引导致重复检索与高延迟的问题，本文受认知神经科学启发，提出无需训练的GAM-RAG框架。它构建轻量级层次索引，通过检索反馈动态更新句子记忆，使相似推理的证据更易激活。其核心是引入不确定性感知的卡尔曼增益规则，平衡记忆的稳定性与适应性。实验表明，该框架在5轮记忆下性能提升8.19%，同时推理成本降低61%。

HaS：通过同源感知的推测检索加速RAG

HaS: Accelerating RAG through Homology-Aware Speculative Retrieval

检索增强生成（RAG）通过检索外部文档扩展大语言模型（LLM）的知识边界，但随着知识库规模增长，检索耗时增加。现有加速策略或牺牲精度，或仅复用完全相同的查询结果。本文提出HaS，一个同源感知的推测检索框架：先在受限范围内进行低延迟推测检索获取候选文档，然后基于查询间的同源关系进行验证。若新查询被识别为已观测查询的同源重现，则采纳推测结果，跳过耗时的全库检索。实验表明，HaS显著降低检索延迟，仅带来1-2%的精度损失，并能加速现代智能体RAG流程中的多跳查询。

EHRAG：通过混合超图构建与检索弥合轻量级GraphRAG中的语义鸿沟

EHRAG: Bridging Semantic Gaps in Lightweight GraphRAG via Hybrid Hypergraph Construction and Retrieval

基于图的检索增强生成（GraphRAG）通过将语料构建为图来增强LLM的多跳推理能力。现有轻量方法依赖命名实体识别（NER）和结构共现，但难以捕捉非连接实体间的潜在语义关联。为此，我们提出EHRAG框架，构建融合结构与语义关系的超图，并采用混合检索机制。具体而言，EHRAG通过句子级共现构建结构超边，通过聚类实体嵌入构建语义超边。实验表明，EHRAG在四个数据集上优于现有基线，同时保持线性索引复杂度。

智能体RAG中的级联幻觉：用于检测与缓解的CHARM框架

Cascading Hallucination in Agentic RAG: The CHARM Framework for Detection and Mitigation

多步骤智能体检索增强生成（RAG）管道易受“级联幻觉”影响，即早期错误在后续步骤中传播放大，而现有检测机制对此失效。本文形式化了该故障模式，提出了级联模式的四类分类法，并引入CHARM框架进行检测与缓解。CHARM包含阶段事实核查、跨阶段一致性追踪等四个组件，无需替换原有架构。在多个基准上的评估显示，其级联幻觉检测率达89.4%，错误传播减少82.1%，显著优于仅检测最终输出的方法，为生产级智能体AI部署提供了可靠性保障。

针对医学多模态检索增强生成的知识投毒攻击

Knowledge Poisoning Attacks on Medical Multi-Modal Retrieval-Augmented Generation

医学多模态检索增强生成（RAG）系统易受检索库中对抗性知识的影响。现有攻击研究多假设攻击者已知用户查询，实用性有限。本文提出M³Att攻击框架，仅需有限数据库分布知识。其核心是将隐蔽错误信息注入文本数据，并利用配对的视觉数据作为查询无关的触发器来操纵检索概率。针对大语言模型（LLM）可能自我纠正显式医学错误的问题，攻击利用医学诊断的固有模糊性设计隐蔽误导策略，以降低诊断准确性。在五个LLM和数据集上的实验表明，M³Att能持续生成临床合理但错误的输出。

UniAI-GraphRAG：融合本体引导提取、多维聚类与双通道检索以增强多跳推理

UniAI-GraphRAG: Synergizing Ontology-Guided Extraction, Multi-Dimensional Clustering, and Dual-Channel Fusion for Robust Multi-Hop Reasoning

针对现有图检索增强生成（GraphRAG）系统在跨领域适应性、社区完整性及检索性能上的不足，本文提出UniAI-GraphRAG框架。其核心创新包括：基于预定义模式的本体引导知识提取、提升社区完整性的多维聚类策略，以及平衡准确性与性能的双通道图检索融合。在MultiHopRAG基准测试中，该框架在综合F1分数上优于主流开源方案，尤其在推理与时间查询任务中表现突出。

RAAP：基于跨图像动作对齐的检索增强可供性预测

RAAP: Retrieval-Augmented Affordance Prediction with Cross-Image Action Alignment

为提升机器人在非结构化环境中对物体可供性（affordance）的鲁棒理解与泛化能力，本文提出RAAP框架。该方法统一了可供性检索与基于对齐的学习，通过解耦静态接触点定位与动态动作方向预测，利用稠密对应迁移接触点，并借助检索增强的对齐模型整合多参考信息以预测动作。在少量数据上训练的RAAP，在未见过的物体和类别上表现一致，并在仿真与真实世界中实现了零样本机器人操作。

UltRAG：一种通用、简单、可扩展的知识图谱RAG方案

UltRAG: a Universal Simple Scalable Recipe for Knowledge Graph RAG

为解决大语言模型在知识图谱问答任务中的“幻觉”问题，并克服传统检索增强生成方法难以处理图谱多跳推理的挑战，本文提出UltRAG通用框架。它摒弃经典RAG思路，通过为LLM配备现成的神经查询执行模块，使其无需重新训练即可在知识图谱问答任务上达到先进水平。实验证明，UltRAG性能优于当前先进的KG-RAG方案，并能以相当或更低的成本对接超大规模知识图谱。

量化RAG系统中的先验主导性

Quantifying Prior Dominance in RAG Systems

当前RAG（检索增强生成）评估方法存在“认知盲区”，难以区分模型是真正利用了上下文信息还是仅依赖参数记忆。为此，我们提出了归一化上下文利用率（NCU）指标，通过对比零样本、理想检索和对抗条件下的token对数概率，严格量化上下文信息增益。评估发现，在严格的事实提取任务中，传统模型缩放定律收益急剧递减，高效的小语言模型（SLM）匹配甚至超越了大容量架构。此外，“先验主导”现象与模型规模和专有对齐相关。评估的商业API在近半数对抗冲突中覆盖了明确的外部证据，并在其参数先验被反驳时频繁出现系统性信心崩溃。

ChartWalker：跨图表检索增强生成任务的基准测试

ChartWalker: Benchmarking the Cross-Chart RAG Task

针对科学、商业等领域复杂的跨图表分析任务，现有基准存在查询与证据词汇重叠、推理链逻辑不一致等问题。为此，本文提出ChartWalker框架，其采用面向图表的层次化知识图谱构建方法，并设计了结构感知的采样算法来合成语义连贯的多跳推理路径。基于此框架，我们发布了涵盖多领域和查询类型的ChartWalker-Bench基准。广泛评估揭示了主流RAG（检索增强生成）范式存在显著性能差距，凸显了该基准的挑战性与实用性。我们还提供了ChartWalker-Agent作为基线系统。

一“检”全收：面向会话级RAG的共现感知知识库重组方法

One Retrieval to Cover Them All: Co-occurrence-Aware Knowledge Base Reorganization for Session-Level RAG

现有RAG（检索增强生成）系统通常针对单次查询进行检索优化，但企业用户常以包含多个相关问题的会话形式提问，其信息需求可能跨越知识库中语义较远的部分。研究发现，基于标准知识库的单次检索仅能覆盖会话级信息需求的41%。为此，本文提出一种离线知识库重组方法，利用共现感知聚类技术，并在查询时通过簇邻域扩展检索候选集。在WixQA数据集上的实验表明，该方法将单次查询的会话覆盖率提升至58%，并将达到70%覆盖率所需的检索调用次数减少34%，同时将知识库压缩至原大小的20%。研究主张，企业级RAG评估应以会话级覆盖率而非单次查询召回率为核心指标。

DynaKRAG：多跳检索增强生成中可学习证据控制的统一框架

DynaKRAG: A Unified Framework for Learnable Evidence Control in Multi-Hop Retrieval-Augmented Generation

针对多跳检索增强生成（RAG）中证据获取顺序的优化问题，现有方法多采用固定流程，缺乏对证据操作的自适应选择。本文提出DynaKRAG框架，将多跳证据获取建模为基于状态的原子操作控制，通过有效性层构建可执行动作集，并由学习控制器动态选择下一步操作。实验表明，基于Qwen2.5-7B-Instruct的DynaKRAG在HotpotQA、2Wiki和MuSiQue基准上均优于最强基线，验证了在动态证据状态下协调检索、诊断与定向获取的有效性。

RAGAL：一个为政府机构技术支持的节俭、完全本地的检索增强助手

RAGAL: A Frugal, Fully Local Retrieval-Augmented Assistant for Technical Support at a Government Agency

为满足公共机构数据零出境的严格约束，本研究构建了RAGAL——一个完全本地部署的检索增强生成（RAG）助手，用于罗马尼亚某机构的内部技术支持。在单台8GB内存笔记本电脑上，针对约2.5万条罗马语料，关键投入在于检索工程与微调：混合检索与意图路由将内部评估分数从62%提升至81%，微调嵌入模型使召回率@10从0.663提升至0.850。研究还揭示了单领域微调可能损害其他领域检索性能的风险，并提出了本地查询生成（GenQ）等修复方案，为类似数据本地化需求提供了可复现方案。

HVM-GraphRAG：面向复杂文档的全景多模态图检索增强生成

HVM-GraphRAG: Holistic-View Multimodal Graph Retrieval-Augmented Generation on Complex Document

复杂文档问答需整合跨区域、跨模态的分散证据。现有多模态GraphRAG方法存在跨模态索引不可靠和图遍历成本高的问题。为此，本文提出HVM-GraphRAG框架。它采用全景视图指导图构建，在概念级图节点与多模态语块间建立可靠索引。检索时，直接在紧凑的概念图上搜索并通过索引访问证据，避免了在密集实体图上进行昂贵遍历。获取证据后，进一步按模态重组语块以促进异构证据融合。在三个数据集上的实验表明，该方法在多数设定下取得了最佳答案性能，并显著提升了在线检索效率。

VLD-RAG：面向长篇幅、视觉丰富多页文档的智能体视觉语言检索增强生成

VLD-RAG: Agentic Vision-Language Retrieval-Augmented Generation for Long, Visually-Rich Multi-Page Documents

针对报告、幻灯片等多页视觉丰富文档的问答任务，其证据常分散于不同页面。本文提出VLD-RAG，一个智能体驱动的多模态RAG框架。它构建了保留页面信息的多模态索引，并采用混合检索策略。通过协调检索、回答与验证智能体，该框架能扩大证据覆盖、检测遗漏引用。实验表明，VLD-RAG在长文档基准测试中，其证据页面检索精度和端到端问答性能均优于现有视觉检索基线，证明了智能体验证与多模态混合检索对跨页证据整合至关重要。