两篇论文让 LLM 同时改进检索索引和答案归因
_reachsumit · x · 2026-07-22
两篇检索研究：一篇优化索引程序，一篇生成可溯源答案片段
这条帖子同时提到两篇偏检索/RAG 的论文，核心都是让检索系统更聪明、更可控。
AutoIndex: Learning Representation Programs for Retrieval
- 论文把文档表示当成一种可以被优化的“程序”。
- 方法是让 LLM agents 去诊断检索失败原因，并合成更好的索引程序。
- 研究场景里使用的是固定的 BM25 检索器，重点在于如何改进表示与索引策略。
RAGnRoll: Learning to Iteratively Retrieve and Generate Attributable Answer Snippets
- 通过多轮分解和子查询规划训练模型。
- 目标不是单纯生成答案，而是生成有依据、可归因（attributed）的答案片段。
两篇工作的共同点是：都在尝试让检索/生成链路更适配复杂问题，并尽量提高答案的可追溯性与可信度。
「编程与Agent」频道最新
- OpenCut 推出无水印剪辑替代品，内置 MCP 和 AI agents — nikola_mr64990 · 2026-07-22
- TokenSwitch 通过模型切换压低 Codex 的 token 成本 — DeryaTR_ · 2026-07-22
- 语音智能体正把 LangChain 可观测性推向文本之外 — Hacubu · 2026-07-22
- DeepChat 开源本地优先桌面端，整合多模型 agent 工作流 — Roger_M_Taylor · 2026-07-22
- 惰性导入让 Python Agent 启动快 46%，还揪出隐藏循环依赖 — Federal-Teaching2800 · 2026-07-22
- Grok Build 更新：支持语音输入直接生成 Agent 指令 — tetsuoai · 2026-07-22