FootprintRAG: Visual Analytics for Evidence Context Refinement in RAG-based Scientific Literature Exploration

📄 arXiv: 2609.19601v1 📥 PDF

作者: Xingyu Liu, Yu Dong, Qizhen Yu, Shiyu Cheng, Zhe Wang, Guan Li, Guihua Shan, Dong Tian, Christy Jie Liang, Quang Vinh Nguyen

分类: cs.GR, cs.HC, cs.IR

发布日期: 2026-09-17

🔗 代码/项目: GITHUB

💡 一句话要点

提出FootprintRAG以解决科学文献探索中的证据上下文不透明问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 文献探索 证据上下文 可视分析 检索增强生成 用户交互 科学研究 信息检索

📋 核心要点

  1. 现有RAG方法在文献探索中存在证据上下文不透明的问题，用户难以理解生成过程。
  2. FootprintRAG通过将证据上下文视为可检视的对象，允许用户在生成前进行证据的修订和优化。
  3. 实验结果表明，FootprintRAG帮助用户更好地比较检索方向、修订候选证据，并追溯生成的摘要与支持证据的关系。

📝 摘要（中文）

Retrieval-Augmented Generation (RAG)在科学文献的生成中越来越受到重视。然而，在开放式文献探索中，生成所用的证据上下文往往通过隐式检索、重排序、评估和过滤步骤产生。用户可能会收到检索摘要，却不清楚系统如何构建证据上下文、保留或丢弃了哪些证据单元，或是否排除了潜在有用的证据。为此，本文提出FootprintRAG，一个基于LLM代理的可视分析系统，用于RAG基础上的科学文献探索中的证据上下文优化。该系统将RAG证据上下文视为一个明确、可检查和可修订的分析对象，支持用户在生成前进行深入分析。

🔬 方法详解

问题定义：本文旨在解决现有RAG方法在科学文献探索中证据上下文不透明的问题，用户无法了解生成过程中的证据选择与过滤。

核心思路：FootprintRAG的核心思想是将证据上下文视为一个可检视和可修订的对象，允许用户在生成之前进行深入分析和优化。

技术框架：FootprintRAG的整体架构包括文献解析、查询扩展、证据检索与评估、证据状态修订以及生成过程的可视化。系统通过协调视图连接检索轨迹、证据状态修订和基于来源的摘要生成。

关键创新：FootprintRAG的创新点在于其将证据上下文显性化，使用户能够主动参与证据的选择与修订，显著提高了文献探索的透明度和可控性。

关键设计：系统设计中包括多轮检索与评估机制、并行查询变体生成、以及基于证据状态的摘要生成策略，确保用户能够获得全面的证据视图。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，FootprintRAG显著提升了用户在文献探索中的效率，用户能够更好地比较检索方向和修订候选证据。与代表性RAG系统的工作流程比较，FootprintRAG在证据追溯和生成透明度方面表现出明显优势。

🎯 应用场景

FootprintRAG的潜在应用场景包括科学研究、文献综述、以及教育领域的文献探索。通过提升用户对文献检索过程的理解和控制，该系统能够帮助研究人员更有效地获取和利用科学证据，促进知识的传播与创新。

📄 摘要（原文）

Retrieval-Augmented Generation (RAG) is increasingly used to ground large language model (LLM) outputs in scientific literature. However, in open-ended literature exploration, the evidence context used for generation is often produced through hidden retrieval, reranking, assessment, and filtering steps. Users may receive retrieval summaries without knowing how the system constructed the evidence context, which evidence units were retained or discarded, or whether potentially useful evidence was excluded before synthesis. We present FootprintRAG, an LLM-agent-powered visual analytics system for evidence context refinement in RAG-based scientific literature exploration. The core idea is to treat the RAG evidence context as an explicit, inspectable, and revisable analytical object before generation. FootprintRAG parses scientific literature into text and figure evidence units, expands an initial query into parallel query variants, retrieves and assesses evidence across iterative rounds, and surfaces ERS-ranked supplementary candidates from the corpus-level evidence space. Through coordinated views, the system connects retrieval trajectories, evidence-state revision, and provenance-aware summary generation into a user-steerable workflow. We evaluate FootprintRAG through two case studies, a user study, and a workflow-level comparison with representative RAG systems. The results show that FootprintRAG helps users compare retrieval directions, revise candidate evidence, recover potentially overlooked evidence, and trace generated summaries back to supporting evidence units. FootprintRAG is available at https://github.com/meteorshowering/FootprintRAGVA.git.