RAG was supposed to let agents read the world’s knowledge. In practice, agents get chunks of text, lose the thread, hallucinate cross-document connections, and ignore the figures entirely. The root cause isn’t retrieval quality or embedding distance — it’s the document itself. A PDF is a rendering artifact, not a knowledge structure. It was designed for human eyes scrolling through pages, not for machines reasoning about entities, relationships, and multimodal evidence across millions of sources. Agents-K1: Towards Agent-native Knowledge Orchestration (arXiv:2606.13669), from Alibaba Group’s DAMO Academy, attacks this problem at the foundation: an end-to-end pipeline that converts raw scientific papers into structured, multimodal, agent-consumable knowledge graphs at the scale of 2.46 million documents. The paper introduces three tightly coupled systems — a multimodal parser, a 4B parameter extraction model trained with GRPO, and a tri-source agent interface called GraphAnything — and releases a 1M-paper subset of the resulting Scholar-KG as a public resource.
RAG debía permitir a los agentes leer el conocimiento del mundo. En la práctica, los agentes obtienen fragmentos de texto, pierden el hilo, alucinan conexiones entre documentos e ignoran las figuras por completo. La causa raíz no es la calidad de recuperación o la distancia de embedding — es el documento mismo. Un PDF es un artefacto de renderizado, no una estructura de conocimiento. Fue diseñado para ojos humanos desplazándose por páginas, no para máquinas razonando sobre entidades, relaciones y evidencia multimodal a través de millones de fuentes. Agents-K1: Towards Agent-native Knowledge Orchestration (arXiv:2606.13669), de DAMO Academy de Alibaba Group, ataca este problema desde la base: un pipeline end-to-end que convierte papers científicos en bruto en grafos de conocimiento estructurados, multimodales y consumibles por agentes a la escala de 2.46 millones de documentos. El paper introduce tres sistemas estrechamente acoplados — un parser multimodal, un modelo de extracción de 4B parámetros entrenado con GRPO y una interfaz de agente tri-fuente llamada GraphAnything — y libera un subconjunto de 1M papers del Scholar-KG resultante como recurso público.
The Problem: Documents Are Agent-Hostile
El Problema: Los Documentos Son Hostiles para los Agentes
Consider what happens when an agent tries to answer a question like “What transformer architecture variants have been proposed for efficient long-context attention, and what were their reported FLOP reductions?” Using standard RAG, the agent retrieves text chunks that mention attention mechanisms. It might find a chunk describing FlashAttention from one paper and another describing Longformer from a different paper. But the agent has no structured way to know that these are competing approaches addressing the same problem, no access to the benchmark tables comparing them, no link to the actual architectural diagrams, and no citation trail connecting follow-up work. The agent is reading disconnected paragraphs from disconnected documents, trying to reconstruct a knowledge landscape that exists only implicitly in the academic literature.
Considere qué sucede cuando un agente intenta responder una pregunta como “¿Qué variantes de arquitectura transformer se han propuesto para atención eficiente de contexto largo, y cuáles fueron sus reducciones de FLOPs reportadas?” Usando RAG estándar, el agente recupera fragmentos de texto que mencionan mecanismos de atención. Podría encontrar un fragmento describiendo FlashAttention de un paper y otro describiendo Longformer de un paper diferente. Pero el agente no tiene una forma estructurada de saber que son enfoques competidores que abordan el mismo problema, no tiene acceso a las tablas de benchmark que los comparan, no hay enlace a los diagramas arquitectónicos reales, y no hay cadena de citas conectando el trabajo derivado. El agente lee párrafos desconectados de documentos desconectados, intentando reconstruir un paisaje de conocimiento que existe solo implícitamente en la literatura académica.
Existing knowledge graph approaches partially address this by extracting entity-relation triples from text. But they consistently miss three critical dimensions: multimodal evidence (the figure that proves a claim, the table with the numbers), typed inter-entity relations (not just “entity A is related to entity B” but “method A outperforms method B on metric C by margin D”), and cross-document structure (citation graphs, temporal evolution of ideas). Agents-K1 argues that all three are non-negotiable for agent-native knowledge.
Los enfoques de grafos de conocimiento existentes abordan parcialmente esto extrayendo triples entidad-relación del texto. Pero consistentemente pierden tres dimensiones críticas: evidencia multimodal (la figura que prueba una afirmación, la tabla con los números), relaciones inter-entidad tipadas (no solo “la entidad A está relacionada con la entidad B” sino “el método A supera al método B en la métrica C por un margen D”) y estructura inter-documento (grafos de citas, evolución temporal de ideas). Agents-K1 argumenta que las tres son innegociables para el conocimiento nativo de agentes.
The Multimodal Parser: Five Modules, One Schema
El Parser Multimodal: Cinco Módulos, Un Esquema
Agents-K1’s first contribution is a multimodal document parser that decomposes scientific papers into a unified five-module schema. Rather than treating a paper as a sequence of text tokens, the parser recognizes that scientific documents are heterogeneous objects composed of distinct information types, each requiring specialized extraction logic. The five modules handle: (1) textual content — paragraphs, abstracts, and prose that contain claims and arguments; (2) figures and images — diagrams, visualizations, and plots that convey architectural designs and experimental results; (3) tables — structured numerical comparisons and ablation studies; (4) equations — mathematical formulations that define model architectures and loss functions; and (5) citations and references — the link structure connecting papers into a research graph. Each element is extracted with its surrounding context and positional metadata, so downstream systems know not just what was said but where and what evidence supports it.
La primera contribución de Agents-K1 es un parser de documentos multimodal que descompone papers científicos en un esquema unificado de cinco módulos. En lugar de tratar un paper como una secuencia de tokens de texto, el parser reconoce que los documentos científicos son objetos heterogéneos compuestos por tipos de información distintos, cada uno requiriendo lógica de extracción especializada. Los cinco módulos manejan: (1) contenido textual — párrafos, abstracts y prosa que contienen afirmaciones y argumentos; (2) figuras e imágenes — diagramas, visualizaciones y gráficos que convey diseños arquitectónicos y resultados experimentales; (3) tablas — comparaciones numéricas estructuradas y estudios de ablación; (4) ecuaciones — formulaciones matemáticas que definen arquitecturas de modelo y funciones de pérdida; y (5) citas y referencias — la estructura de enlaces que conecta papers en un grafo de investigación. Cada elemento se extrae con su contexto circundante y metadatos posicionales, para que los sistemas downstream sepan no solo qué se dijo sino dónde y qué evidencia lo respalda.
The key insight is multimodal grounding: entities in the knowledge graph are not abstract text descriptions but are anchored to specific figures, tables, or equations from the source paper. When an agent queries the graph and retrieves an entity representing “FlashAttention-2,” it doesn’t just get a text summary — it gets the actual speedup table, the memory reduction diagram, and the architectural figure from the original paper. This transforms retrieval from “finding relevant text” to “finding relevant evidence.”
La clave es el grounding multimodal: las entidades en el grafo de conocimiento no son descripciones textuales abstractas sino que están ancladas a figuras, tablas o ecuaciones específicas del paper fuente. Cuando un agente consulta el grafo y recupera una entidad que representa “FlashAttention-2,” no solo obtiene un resumen textual — obtiene la tabla de speedup real, el diagrama de reducción de memoria y la figura arquitectónica del paper original. Esto transforma la recuperación de “encontrar texto relevante” a “encontrar evidencia relevante.”
The 4B Extraction Model: Training Scientific IE with GRPO
El Modelo de Extracción de 4B: Entrenando IE Científica con GRPO
Information extraction from scientific papers is hard. Generic models — even capable ones like GPT-4 or Claude — produce noisy, inconsistent triples when asked to extract structured knowledge from dense technical text. Entities are over-merged, relations are mislabeled, and multimodal evidence is routinely ignored because the model wasn’t trained to attend to it. Agents-K1 sidesteps this by training a dedicated 4-billion parameter extraction model specifically for the task of converting parsed scientific documents into clean knowledge graph triples.
La extracción de información de papers científicos es difícil. Los modelos genéricos — incluso capaces como GPT-4 o Claude — producen triples ruidosos e inconsistentes cuando se les pide extraer conocimiento estructurado de texto técnico denso. Las entidades se fusionan excesivamente, las relaciones se etiquetan mal, y la evidencia multimodal se ignora rutinariamente porque el modelo no fue entrenado para atender a ella. Agents-K1 elude esto entrenando un modelo de extracción dedicado de 4 mil millones de parámetros específicamente para la tarea de convertir documentos científicos parseados en triples de grafos de conocimiento limpios.
The training methodology is notable. Instead of standard supervised fine-tuning on human-annotated triples (expensive and limited in scale), Agents-K1 uses GRPO (Group Relative Policy Optimization) — a reinforcement learning technique — with rule-based reward functions. The model generates candidate triples, and a rule-based scorer evaluates them against the parsed document: Are entities grounded in the source? Are relation types valid? Is the evidence correctly attributed? This approach scales to millions of papers without requiring manual annotation, while still enforcing structural quality constraints that pure self-supervised approaches would miss. The 4B model size was chosen as a deliberate trade-off: large enough to capture the complexity of scientific language, small enough to run efficiently over millions of documents during the Scholar-KG construction phase.
La metodología de entrenamiento es notable. En lugar de fine-tuning supervisado estándar sobre triples anotados por humanos (costoso y limitado en escala), Agents-K1 usa GRPO (Group Relative Policy Optimization) — una técnica de aprendizaje por refuerzo — con funciones de recompensa basadas en reglas. El modelo genera triples candidatos, y un evaluador basado en regras los puntúa contra el documento parseado: ¿Las entidades están ancladas en la fuente? ¿Los tipos de relación son válidos? ¿La evidencia está correctamente atribuida? Este enfoque escala a millones de papers sin requerir anotación manual, mientras aún impone restricciones de calidad estructural que los enfoques puramente auto-supervisados perderían. El tamaño de 4B se eligió como un compromiso deliberado: lo suficientemente grande para capturar la complejidad del lenguaje científico, lo suficientemente pequeño para ejecutarse eficientemente sobre millones de documentos durante la fase de construcción de Scholar-KG.
Scholar-KG: 2.46 Million Papers as Structured Knowledge
Scholar-KG: 2.46 Millones de Papers como Conocimiento Estructurado
The pipeline was deployed at scale to produce Scholar-KG, a scientific knowledge graph built from 2.46 million papers. Each paper contributes entities (methods, datasets, metrics, benchmarks, architectures), typed relations between those entities (outperforms, extends, builds upon, evaluated on), multimodal evidence links (connecting claims to specific figures and tables), and citation edges to other papers in the graph. A 1-million paper subset is being released publicly, making this one of the largest structured scientific knowledge resources available with full multimodal grounding.
El pipeline se desplegó a escala para producir Scholar-KG, un grafo de conocimiento científico construido a partir de 2.46 millones de papers. Cada paper contribuye entidades (métodos, datasets, métricas, benchmarks, arquitecturas), relaciones tipadas entre esas entidades (supera, extiende, construye sobre, evaluado en), enlaces de evidencia multimodal (conectando afirmaciones a figuras y tablas específicas) y aristas de citas a otros papers en el grafo. Un subconjunto de 1 millón de papers se está liberando públicamente, convirtiéndolo en uno de los recursos de conocimiento científico estructurado más grandes disponibles con grounding multimodal completo.
The scale matters because it changes what’s possible for downstream agents. A knowledge graph with 50,000 papers might capture a single subfield well. A graph with 2.46M papers spanning multiple disciplines enables cross-domain reasoning — an agent can trace how a technique developed in computer vision was adapted for natural language processing, follow the citation trail, and retrieve the exact figures comparing the original and adapted approaches. Scholar-KG is not just a retrieval index; it’s a traversable knowledge landscape that agents can navigate using structured operations rather than fuzzy similarity search.
La escala importa porque cambia lo que es posible para los agentes downstream. Un grafo de conocimiento con 50,000 papers podría capturar bien un solo subcampo. Un grafo con 2.46M papers que abarca múltiples disciplinas permite razonamiento entre dominios — un agente puede rastrear cómo una técnica desarrollada en visión por computadora se adaptó para procesamiento de lenguaje natural, seguir la cadena de citas y recuperar las figuras exactas comparando los enfoques original y adaptado. Scholar-KG no es solo un índice de recuperación; es un paisaje de conocimiento navegable que los agentes pueden explorar usando operaciones estructuradas en lugar de búsqueda de similitud difusa.
GraphAnything: The Tri-Source Agent Interface
GraphAnything: La Interfaz de Agente Tri-Fuente
Having a knowledge graph is necessary but not sufficient. Agents need an interface to query it — one that combines graph retrieval with web search and cross-document navigation. GraphAnything is a CLI designed exactly for this purpose. It exposes three retrieval sources that an agent can invoke programmatically: (1) Web search — for queries requiring real-time or non-scientific information not covered in Scholar-KG; (2) Multimodal graph retrieval — for structured queries against the knowledge graph, returning entities, relations, and their associated figures, tables, and equations; and (3) Cross-document traversal — for following citation chains, exploring entity neighborhoods, and discovering related work through the graph’s link structure.
Tener un grafo de conocimiento es necesario pero no suficiente. Los agentes necesitan una interfaz para consultarlo — una que combine recuperación en grafo con búsqueda web y navegación entre documentos. GraphAnything es un CLI diseñado exactamente para este propósito. Expone tres fuentes de recuperación que un agente puede invocar programáticamente: (1) Búsqueda web — para consultas que requieren información en tiempo real o no científica no cubierta en Scholar-KG; (2) Recuperación multimodal en grafo — para consultas estructuradas contra el grafo de conocimiento, retornando entidades, relaciones y sus figuras, tablas y ecuaciones asociadas; y (3) Travesía entre documentos — para seguir cadenas de citas, explorar vecindarios de entidades y descubrir trabajo relacionado a través de la estructura de enlaces del grafo.
The design philosophy is significant. GraphAnything doesn’t try to be a standalone application — it’s an agent tool. It follows the same pattern as MCP (Model Context Protocol) servers: a well-defined interface that an LLM agent can call through tool use, getting back structured results it can reason over. The tri-source architecture means agents aren’t forced into a single retrieval modality. When answering “What’s the current state-of-the-art for few-shot learning on MMLU?” the agent can hit the knowledge graph for structured comparisons of methods, use web search for the latest preprints not yet in Scholar-KG, and traverse the citation graph to understand the lineage of approaches. Each source compensates for the others’ blind spots.
La filosofía de diseño es significativa. GraphAnything no intenta ser una aplicación independiente — es una herramienta de agente. Sigue el mismo patrón que los servidores MCP (Model Context Protocol): una interfaz bien definida que un agente LLM puede invocar a través de tool use, obteniendo resultados estructurados sobre los que puede razonar. La arquitectura tri-fuente significa que los agentes no están forzados a una sola modalidad de recuperación. Al responder “¿Cuál es el estado del arte actual para few-shot learning en MMLU?” el agente puede consultar el grafo de conocimiento para comparaciones estructuradas de métodos, usar búsqueda web para los preprints más recientes no aún en Scholar-KG, y recorrer el grafo de citas para entender el linaje de enfoques. Cada fuente compensa los puntos ciegos de las otras.
Evaluation: What the Numbers Show
Evaluación: Lo que Muestran los Números
The paper evaluates Agents-K1 across multiple dimensions. On the extraction quality front, the GRPO-trained 4B model demonstrates consistent improvements over both generic LLM-based extraction and supervised-only baselines, producing triples that are better grounded in source documents and more consistent in relation typing. The rule-based reward function in GRPO proves effective at enforcing structural constraints without the annotation cost of fully supervised approaches. On the downstream task side, agents using Scholar-KG through GraphAnything show improved performance on scientific question answering compared to agents using standard RAG pipelines, particularly on queries requiring multi-hop reasoning, cross-paper comparisons, and evidence from figures or tables. The multimodal grounding — connecting text claims to specific visual evidence — contributes meaningfully to answer accuracy on questions that reference experimental results or architectural designs.
El paper evalúa Agents-K1 a través de múltiples dimensiones. En el frente de calidad de extracción, el modelo de 4B entrenado con GRPO demuestra mejoras consistentes sobre tanto la extracción basada en LLMs genéricos como los baselines solo supervisados, produciendo triples mejor anclados en los documentos fuente y más consistentes en el tipado de relaciones. La función de recompensa basada en reglas en GRPO prueba ser efectiva imponiendo restricciones estructurales sin el costo de anotación de enfoques completamente supervisados. En el lado de tareas downstream, los agentes que usan Scholar-KG a través de GraphAnything muestran rendimiento mejorado en question answering científico comparado con agentes usando pipelines RAG estándar, particularmente en consultas que requieren razonamiento multi-salto, comparaciones entre papers y evidencia de figuras o tablas. El grounding multimodal — conectar afirmaciones textuales a evidencia visual específica — contribuye significativamente a la precisión de respuestas en preguntas que referencian resultados experimentales o diseños arquitectónicos.
Why This Matters for Practitioners
Por Qué Esto Importa para Practicantes
Agents-K1 crystallizes a shift that’s been building in the RAG community: the unit of knowledge is not the document, it’s the entity and its relationships. For anyone building agent systems that need to reason over large corpora — whether scientific literature, legal documents, technical documentation, or enterprise knowledge bases — the paper’s architecture offers a concrete blueprint. The three lessons are: first, parse documents into their constituent types (text, figures, tables, equations, citations) rather than treating them as homogeneous text. The information you need is often in the table, not the paragraph describing the table. Second, train or fine-tune extraction models for your specific domain rather than relying on generic LLMs. The GRPO approach with rule-based rewards offers a scalable alternative to manual annotation. Third, give agents multiple retrieval primitives — graph queries, web search, document traversal — rather than a single vector similarity search. Real questions require real navigation.
Agents-K1 cristaliza un cambio que se ha venido construyendo en la comunidad RAG: la unidad de conocimiento no es el documento, es la entidad y sus relaciones. Para cualquiera construyendo sistemas de agentes que necesitan razonar sobre corpus grandes — ya sea literatura científica, documentos legales, documentación técnica o bases de conocimiento empresariales — la arquitectura del paper ofrece un blueprint concreto. Las tres lecciones son: primero, parsear documentos en sus tipos constitutivos (texto, figuras, tablas, ecuaciones, citas) en lugar de tratarlos como texto homogéneo. La información que necesitas a menudo está en la tabla, no en el párrafo que describe la tabla. Segundo, entrenar o fine-tunear modelos de extracción para tu dominio específico en lugar de depender de LLMs genéricos. El enfoque GRPO con recompensas basadas en reglas ofrece una alternativa escalable a la anotación manual. Tercero, dar a los agentes múltiples primitivas de recuperación — consultas en grafo, búsqueda web, travesía de documentos — en lugar de una sola búsqueda de similitud vectorial. Las preguntas reales requieren navegación real.
The Scholar-KG release is also significant for the ecosystem. A publicly available million-paper knowledge graph with multimodal grounding provides a testbed for researchers and developers experimenting with graph-based agent architectures, retrieval strategies, and knowledge-intensive NLP tasks. It lowers the barrier from “build your own knowledge graph from scratch” to “plug into an existing one and focus on your agent logic.”
El release de Scholar-KG también es significativo para el ecosistema. Un grafo de conocimiento de un millón de papers disponible públicamente con grounding multimodal proporciona un testbed para investigadores y desarrolladores experimentando con arquitecturas de agentes basadas en grafos, estrategias de recuperación y tareas NLP intensivas en conocimiento. Reduce la barrera de “construir tu propio grafo de conocimiento desde cero” a “conectarte a uno existente y enfocarte en la lógica de tu agente.”
Limitations and Open Questions
Limitaciones y Preguntas Abiertas
The paper has clear boundaries. The current Scholar-KG is focused on scientific papers — the extraction schema and trained model are domain-specific. Extending this pipeline to legal documents, financial reports, or technical documentation would require retraining or at minimum significant adaptation of the parser and extraction model. The 4B model, while efficient at inference, represents a fixed extraction capability — it cannot be easily updated as new scientific terminology or research areas emerge without retraining. The GRPO training with rule-based rewards, while scalable, introduces its own challenges: the quality of extraction is bounded by the expressiveness of the rule-based reward functions, which may miss nuances that human annotators would catch. Additionally, the paper focuses on knowledge construction and retrieval quality but doesn’t deeply address the agent reasoning layer — how agents should plan multi-step queries, when to switch between retrieval sources, and how to synthesize heterogeneous evidence types into coherent answers remains an open problem that GraphAnything surfaces but doesn’t fully solve.
El paper tiene límites claros. El Scholar-KG actual está enfocado en papers científicos — el esquema de extracción y el modelo entrenado son específicos de dominio. Extender este pipeline a documentos legales, reportes financieros o documentación técnica requeriría reentrenamiento o como mínimo adaptación significativa del parser y el modelo de extracción. El modelo de 4B, aunque eficiente en inferencia, representa una capacidad de extracción fija — no puede actualizarse fácilmente a medida que emerge nueva terminología científica o áreas de investigación sin reentrenamiento. El entrenamiento GRPO con recompensas basadas en reglas, aunque escalable, introduce sus propios desafíos: la calidad de la extracción está limitada por la expresividad de las funciones de recompensa basadas en reglas, que pueden perder matices que anotadores humanos capturarían. Adicionalmente, el paper se enfoca en la construcción de conocimiento y calidad de recuperación pero no aborda profundamente la capa de razonamiento del agente — cómo los agentes deberían planificar consultas multi-paso, cuándo cambiar entre fuentes de recuperación y cómo sintetizar tipos de evidencia heterogéneos en respuestas coherentes permanece como un problema abierto que GraphAnything expone pero no resuelve completamente.
The Bigger Picture: From Document Retrieval to Knowledge Orchestration
El Panorama Mayor: De Recuperación de Documentos a Orquestación de Conocimiento
Agents-K1 represents a concrete step toward what the paper terms “agent-native knowledge orchestration” — not just making documents searchable, but making the knowledge inside them traversable, queryable, and composable. The distinction matters. RAG treats retrieval as the end of the pipeline: get relevant chunks, stuff them into a prompt, generate an answer. Knowledge orchestration treats retrieval as the beginning: get structured entities and relations, navigate them programmatically, compose evidence from multiple sources and modalities, and reason over a graph rather than a bag of text. As agent systems grow more sophisticated — planning multi-step research workflows, comparing approaches across dozens of papers, building literature reviews on demand — the limitations of chunk-based RAG become increasingly painful. Agents-K1 offers an alternative foundation that aligns with how agents actually need to work: not reading documents, but operating on knowledge.
Agents-K1 representa un paso concreto hacia lo que el paper denomina “orquestación de conocimiento nativa para agentes” — no solo hacer documentos buscables, sino hacer el conocimiento dentro de ellos navegable, consultable y componible. La distinción importa. RAG trata la recuperación como el fin del pipeline: obtener fragmentos relevantes, meterlos en un prompt, generar una respuesta. La orquestación de conocimiento trata la recuperación como el inicio: obtener entidades y relaciones estructuradas, navegarlas programáticamente, componer evidencia de múltiples fuentes y modalidades, y razonar sobre un grafo en lugar de una bolsa de texto. A medida que los sistemas de agentes crecen en sofisticación — planificando workflows de investigación multi-paso, comparando enfoques a través de docenas de papers, construyendo revisiones de literatura bajo demanda — las limitaciones de RAG basado en fragmentos se vuelven cada vez más dolorosas. Agents-K1 ofrece una base alternativa que se alinea con cómo los agentes realmente necesitan trabajar: no leyendo documentos, sino operando sobre conocimiento.
References
Referencias
- Agents-K1: Towards Agent-native Knowledge Orchestration — arXiv:2606.13669: arxiv.org/abs/2606.13669
- Agents-K1 GitHub Repository (GraphAnything CLI): github.com/AlibabaResearch/GraphAnything
- Scholar-KG Dataset: scholar-kg.github.io
- GRPO (Group Relative Policy Optimization): Shao, Z., et al. DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models. arxiv.org/abs/2402.03300
- GraphRAG: Unlocking LLM Discovery on Narrative Private Data — Microsoft Research: arxiv.org/abs/2404.16130
- MemGraphRAG: Long-Context LLMs Can Optimize Graph-Based RAG via Adaptive Memory Selection (KDD 2026): arxiv.org/abs/2502.12093
- Model Context Protocol (MCP): modelcontextprotocol.io
- Agents-K1: Towards Agent-native Knowledge Orchestration — arXiv:2606.13669: arxiv.org/abs/2606.13669
- Repositorio Agents-K1 en GitHub (GraphAnything CLI): github.com/AlibabaResearch/GraphAnything
- Dataset Scholar-KG: scholar-kg.github.io
- GRPO (Group Relative Policy Optimization): Shao, Z., et al. DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models. arxiv.org/abs/2402.03300
- GraphRAG: Unlocking LLM Discovery on Narrative Private Data — Microsoft Research: arxiv.org/abs/2404.16130
- MemGraphRAG: Long-Context LLMs Can Optimize Graph-Based RAG via Adaptive Memory Selection (KDD 2026): arxiv.org/abs/2502.12093
- Model Context Protocol (MCP): modelcontextprotocol.io
