大模型技术日新月异，但一个绕不开的难题始终存在——信息幻觉。说白了，大模型本质上就是个“超级概率预测机”，每个生成的token都依赖前面的内容，同样的提示词可能给出截然不同的答案。这种“不幂等”的特性，加上知识过时、推理过程不透明，一直让从业者头疼。直到RAG（检索增强生成）技术的出现，才算是找到了一个有效的解法。
2023年12月，多位学者联合发表了一篇关于RAG的系统综述，系统梳理了RAG的三大范式演进（基础RAG、高级RAG、模块化RAG），以及检索、生成与增强三个核心组件的关键技术。文章还提出了RAG的评估框架、未来研究方向，以及它与大模型微调、提示词工程之间的互补关系，甚至展望了多模态扩展的潜力。
下面是对这篇综述核心内容的梳理和解读。
一、RAG的三大技术范式
1、基础RAG（Naive RAG）
- 流程：索引（Indexing）→ 检索（Retrieval）→ 生成（Generation）。
- 案例：开放域问答中，将用户问题向量化后检索相似文档，再生成答案。比如问“量子计算的优势是什么？”，系统会检索维基百科的相关段落并组织回答。
- 问题：检索精度低（容易召回无关内容）、生成阶段仍可能出现幻觉、上下文整合不充分。
2、高级RAG（Advanced RAG）
- 预检索优化：采用滑动窗口索引、细粒度分段（按语义拆分段落）、元数据标签（如文档来源、时间戳）来提升检索质量。
- 后检索优化：通过重排序（Re-ranking）和上下文压缩（Context Compression），筛选出最相关的片段。
- 案例：医疗领域问答中，利用元数据筛选最新临床指南，确保生成答案的时效性。
3、模块化RAG（Modular RAG）
- 特点：模块化设计，支持动态组合。
- 搜索模块：支持多源检索（数据库、知识图谱、API）。
- 记忆模块：缓存历史检索结果，加速响应。
- 路由模块：根据任务类型选择不同检索策略。
- 案例：客服系统中，路由模块自动判断用户意图——技术问题检索产品文档，投诉则检索处理流程，大大提升服务效率。
二、RAG的核心技术组件
1、检索优化
- 数据源选择：结构化数据（数据库表）与非结构化数据（文本、PDF）混合使用。
- 索引策略：层次化索引（Hierarchical Indexing），结合粗粒度与细粒度分段。
- 查询优化：利用LLMs重写用户查询（如扩展同义词），提高检索相关性。
2、生成增强
- 上下文整合：通过“思维链”（Chain-of-Thought）将检索内容与LLMs内部知识结合。
- 生成控制：限制LLMs仅依赖检索内容（减少幻觉），或允许混合推理（提高创造性）。
- 案例：金融报告中，模型只检索最新财报数据生成分析，避免依赖过时知识。
3、增强策略
- 迭代检索：根据初步生成结果二次检索补充信息。
- 自适应检索：动态调整检索范围（如扩大时间窗口或切换数据源）。
- 案例：学术论文写作助手在生成初稿后，自动检索相关研究，填补逻辑漏洞。
三、评估方法与挑战
1、评估指标
- 质量指标：上下文相关性（Context Relevance）、答案忠实性（Answer Faithfulness）、答案相关性（Answer Relevance）。
- 能力指标：噪声鲁棒性（Noise Robustness）、反事实鲁棒性（Counterfactual Robustness）。
- 评估工具：RAGAS（专用于RAG的评估框架）、ARES（自动化评分系统）。
2、主要挑战
- 长上下文处理：检索内容过长导致生成速度下降，需要在检索精度与效率之间找平衡。
- 多模态扩展：图像、音频等非文本数据的检索与生成尚未成熟。
- 生态工具链：现有工具（如LangChain）对复杂工作流支持不足。
四、未来研究方向
- 垂直优化：提升RAG在专业领域（如法律、医疗）的准确性和适应性。
- 混合方法：结合RAG与微调（Fine-tuning），例如训练专用检索器。
- 多模态RAG：支持跨模态检索（如根据文本描述检索图像）。