NightFeats @ MMU-RAGent NeurIPS 2025: 面向文本到文本任务的上下文优化多智能体RAG系统

arXiv cs.CL 论文
multi-agent rag retrieval-augmented-generation context-optimization nerips text-to-text

摘要

NightFeats是一个多智能体RAG系统，在NeurIPS 2025的MMU-RAGent竞赛中获得最佳动态评估奖。它采用三阶段流水线（检索、策划、组合），在人工评估中优于专有基线模型。

arXiv:2606.11199v1 公告类型：新 摘要：我们提出NightFeats，这是一个结构化的多智能体检索增强生成（RAG）系统，提交至NeurIPS 2025的MMU-RAGent竞赛，并在文本到文本赛道中获得最佳动态评估奖。与追求基准最大化不同，本工作提出了一个原理性流水线，将知识合成分解为三个协调阶段：检索、策划和组合，每个阶段由明确的中间表示和交接契约控制。受智能体上下文工程（ACE）启发，该系统引入了时间语义重排序、有界矛盾调和以及保留引用的组合作为核心架构原语。竞赛结果表明，NightFeats在LLM-as-a-Judge和Human Likert评估中超过了包括Claude-SonnetV2和Nova-Pro在内的专有基线，证实了架构透明性和可验证证据基础比单纯优化自动相似度指标的系统更符合人类偏好。
查看原文
查看缓存全文

缓存时间: 2026/06/11 13:34 

# NightFeats @ MMU-RAGent NeurIPS 2025：面向文本到文本赛道的上下文优化多智能体 RAG 系统  
来源：https://arxiv.org/abs/2606.11199  
查看 PDF (https://arxiv.org/pdf/2606.11199)  

> 摘要：我们提出 NightFeats——一个结构化的多智能体检索增强生成（RAG）系统，已提交至 NeurIPS 2025 的 MMU-RAGent 竞赛，并在文本到文本赛道中荣获最佳动态评估奖。本文并非追求基准最大化，而是提出一个原则性流水线，将知识综合分解为三个协调阶段：检索、筛选与整合。每个阶段由明确的中间表示和交接协议来管控。受智能体上下文工程（ACE）启发，系统引入了时序语义重排序、有界矛盾调和以及保留引用的整合作为核心架构原语。竞赛结果显示，NightFeats 在基于大模型评审和人类李克特评估中超越了包括 Claude-SonnetV2 和 Nova-Pro 在内的专有基线，证实了架构透明性和可验证的证据基础更符合人类偏好，而非那些仅针对自动相似度指标进行优化的系统。

## 提交历史

来自：Quentin Fever M [view email (https://arxiv.org/show-email/24901e67/2606.11199)] **\[v1]** Tue, 21 Apr 2026 19:18:07 UTC (645 KB)

相似文章

面向LongEval-RAG的候选约束检索增强生成：系统设计与实证分析

arXiv cs.CL

本文介绍了为CLEF 2026 LongEval-RAG任务设计的候选约束检索增强生成（RAG）系统，该系统结合了确定性溯源追踪与段落检索、查询扩展、伪相关反馈、互惠排名融合、证据重排序以及引文感知聚合。对十种流水线变体的消融研究表明，采用基于规则的分块流水线并辅以句子级神经选择的方案取得了最佳性能。