[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"consumer-news-detail-939":3,"consumer-news-interaction-939":39,"consumer-news-related-939":42},{"detail":4,"item":35},{"card":5,"schemaVersion":22,"fields":23,"content":29},{"id":6,"kind":7,"targetType":8,"targetId":9,"subtype":7,"typeLabel":10,"title":11,"subtitle":12,"summary":13,"coverUrl":14,"badgeText":15,"href":16,"sourceName":12,"meta":17,"metrics":19,"tags":20,"resolved":21},"NEWS_ARTICLE:939","news","NEWS_ARTICLE",939,"资讯","面向AIGC的检索增强生成综述","博客园","原文：https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FZ3355OEqzJBQvqXONxgO0g RAG往期文章推荐 RAG效果差？7个指标让你的准确率大幅提升 RAG评测完整指南：指标、测试和最佳实践 收藏！RAG核心工具大全: 7大解析工具+向量模型+数据库+检索排序 GraphRAG开","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F3719074\u002F202609\u002F3719074-20260910153551210-1121871745.png","","\u002Fnews\u002F939",[18],"2026",{},[],true,"consumer-content-detail-v1",{"sourceName":12,"authorName":24,"summary":13,"description":13,"publishTime":25,"updateTime":26,"sourceUrl":27,"language":28},"AI-Frontiers","2026-09-10T15:37","2026-09-11T15:21:59","https:\u002F\u002Fwww.cnblogs.com\u002Faifrontiers\u002Fp\u002F22922597","中文",{"format":30,"policy":31,"normalized":21,"html":32,"text":33,"wordCount":34,"hasBody":21},"HTML","NEWS_CONTENT_V1","\u003Cp>原文：\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FZ3355OEqzJBQvqXONxgO0g\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FZ3355OEqzJBQvqXONxgO0g\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>RAG往期文章推荐\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FVV29xpdOMEkbz4iXmD_szg\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">RAG效果差？7个指标让你的准确率大幅提升\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fam89yasxAvuYUToEAWNyTA\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">RAG评测完整指南：指标、测试和最佳实践\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F5XAWHqjZspU9xtC_CckV3w\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">收藏！RAG核心工具大全: 7大解析工具+向量模型+数据库+检索排序\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Ff8AZoxRMoXefedbnPzNBIQ\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">GraphRAG开源生态全景：6大主流开源项目，微软\u002F蚂蚁\u002F港大项目同台PK\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FYax05qsVj1tXi77za8Wm2g\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">RAG系列：#5 RAG中的11种分块策略\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F9hZHi9F4Kscou8CaHhFNEg\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">企业级落地方案：Docker 部署 CodeGraph 多项目统一 MCP 网关，附源码\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F67AffPwDYEw4s4V7oSlrdQ\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">一文搞定Gerrit\u002FGitee\u002FGitHub MCP Server，实现开发全流程自动化\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>标题: Retrieval-Augmented Generation for AI-Generated Content: A Survey\u003C\u002Fp>\n\u003Cp>链接：\u003Ca href=\"https:\u002F\u002Flink.springer.com\u002Fcontent\u002Fpdf\u002F10.1007\u002Fs41019-025-00335-5.pdf\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">https:\u002F\u002Flink.springer.com\u002Fcontent\u002Fpdf\u002F10.1007\u002Fs41019-025-00335-5.pdf\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>github: \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhymie122\u002FRAG-Survey\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">https:\u002F\u002Fgithub.com\u002Fhymie122\u002FRAG-Survey\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>这篇论文系统性地综述了检索增强生成（RAG）在AIGC中的应用，涵盖了RAG的基础范式、增强方法、跨模态应用、评估基准、局限性及未来方向。\u003C\u002Fp>\n1. 背景与动机\n\u003Cp>在算力、数据（高质量海量数据）和算法（从百万级到万亿级参数）三驾马车的驱动下，AIGC已在文本、代码、图像、视频等模态上取得巨大成功。但仍面临\u003Cstrong>知识过时、长尾知识不足、训练推理成本高、数据泄露风险\u003C\u002Fstrong>等问题。\u003C\u002Fp>\n\u003Cp>RAG 的核心思想是把外部数据存储当作\u003Cstrong>非参数化记忆\u003C\u002Fstrong>：检索到的知识易于更新、能容纳大量长尾知识、可存放机密数据，同时还能减小模型规模、支持长上下文、加速推理。\u003C\u002Fp>\n\u003Cp>不同于已有的综述论文只聚焦 LLM 文本场景的 query-based RAG，论文覆盖\u003Cstrong>基础\u003Cstrong>\u003Cstrong>范式\u003C\u002Fstrong>\u003C\u002Fstrong>—增强技术—跨模态应用—评测基准—局限与展望\u003C\u002Fstrong>全链条。\u003C\u002Fp>\n2. 预备知识\n\u003Cp>\u003Cimg alt=\"2. 预备知识\" src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F3719074\u002F202609\u002F3719074-20260910153551210-1121871745.png?w=720&quality=65&strip=all\">\u003C\u002Fp>\n\u003Cp>\u003Cstrong>通用 RAG 架构\u003C\u002Fstrong>（两个核心模块）：检索器接收查询并从数据存储中搜索相关信息，原始查询与检索结果通过某种增强方式送入生成器，生成器最终产出内容。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>四类主流生成模型\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>Transformer\u003C\u002Fstrong>：自注意力 + 前馈网络，每步做词表分类输出；\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>LSTM\u003C\u002Fstrong>：带门控机制的循环网络，缓解长程依赖的梯度问题；\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>扩散模型（Diffusion\u002FLDM）\u003C\u002Fstrong>：先加噪再逆向去噪生成，适用于图像、音频、分子等；\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>GAN\u003C\u002Fstrong>：生成器与判别器对抗训练。\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>检索器分类\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>稀疏检索\u003C\u002Fstrong>：基于词项匹配统计（TF-IDF、BM25、查询似然），构建倒排索引；\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>稠密检索\u003C\u002Fstrong>：用 BERT 类模型将查询和键编码为稠密向量（即 DPR， Dense Passage Retrieval），用余弦\u002F内积等度量相似度，训练时用对比学习 + 负样本，推理时用 ANN 索引（HNSW、DiskANN、SPANN 等）加速；\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>其他检索\u003C\u002Fstrong>：编辑距离、代码 AST 距离、知识图谱 k 跳邻域搜索、命名实体识别（NER）等。\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n3. RAG 基础范式（全文核心分类）\n\u003Cp>\u003Cimg alt=\"3. RAG 基础范式（全文核心分类）\" src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F3719074\u002F202609\u002F3719074-20260910153602381-1509931852.png?w=720&quality=65&strip=all\">\u003C\u002Fp>\n\u003Cp>\u003Cstrong>按检索信息如何作用于生成器分为 4 大类\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>(1) Query-based RAG（查询增强）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>原理\u003C\u002Fstrong>：检索内容与原始查询拼接后直接作为生成器输入（提示词增强）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>代表工作\u003C\u002Fstrong>：REALM（双 BERT 架构）、Lewis et al.（DPR + BART）、REPLUG（把 LLM 当黑盒）、In-Context RALM；图像领域 RetrieveGAN、IC-GAN；3D 领域 RetDream 等\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>特点\u003C\u002Fstrong>：模块化、即插即用、部署快，提示词设计是关键\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>(2) Latent Representation-based RAG（隐表征增强）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>原理\u003C\u002Fstrong>：检索结果编码为隐向量，在模型中间层（注意力、交叉注意力）融合\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>代表工作\u003C\u002Fstrong>：\u003Cstrong>FiD\u003C\u002Fstrong>（每个检索段落独立编码、融合后由单一解码器生成）和 \u003Cstrong>RETRO\u003C\u002Fstrong>（分块交叉注意力 CCA 融合检索内容）；还有 Unlimiformer（Transformer 块内集成 kNN 突破上下文长度）等。图像领域用交叉注意力融合，3D 动作生成 ReMoDiffuse\u002FAMD，音频 Re-AudioLDM，视频字幕 R-ConvED\u002FCARE 等。\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>特点\u003C\u002Fstrong>：适配面广、融合深，但需要额外训练对齐隐空间。\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>（3）Logit-based RAG（对数概率增强）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>原理\u003C\u002Fstrong>：在解码阶段，把检索得到的分布与模型原生 logit 做加权融合\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>代表工作\u003C\u002Fstrong>：\u003Cstrong>kNN-LM\u003C\u002Fstrong> 及其变体、TRIME、NPM（用非参数数据分布替代 softmax，长尾场景效果显著）；代码领域 RECODE、kNN-TRANX，图像描述 MA\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>特点\u003C\u002Fstrong>：适合序列生成，生成器与检索在概率层面解耦\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>（4）Speculative RAG（推测式增强）\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>原理\u003C\u002Fstrong>：用检索直接\u003Cstrong>替代部分生成步骤\u003C\u002Fstrong>，节省资源、加速响应。\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>代表工作\u003C\u002Fstrong>：REST（用检索替代投机解码中的小模型生成草稿）、GPTCache（语义缓存）、COG（把生成分解为\"复制粘贴\"操作）。\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>特点\u003C\u002Fstrong>：主要适用于序列类数据\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n4. RAG 增强方法\n\u003Cp>\u003Cimg alt=\"4. RAG 增强方法\" src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F3719074\u002F202609\u002F3719074-20260910153614051-586551843.png?w=720&quality=65&strip=all\">\u003C\u002Fp>\n\u003Cp>论文把工程优化分成五大方向：输入增强、检索器增强、生成器增强、结果增强、全流水线增强\u003C\u002Fp>\n\u003Cp>\u003Cstrong>（1）输入增强\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>查询变换\u003C\u002Fstrong>：HyDE、Query2doc 生成伪文档、复杂查询拆解子查询\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>数据增强\u003C\u002Fstrong>：清洗、扩充知识库素材\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>（2）检索器增强\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>递归检索（ReACT、RATP 用 MCTS）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>分块优化（small-to-big、RAPTOR 多层树）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>检索器微调（REPLUG、SYNCHROMESH）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>混合检索（稀疏+稠密，Rencos、CRAG）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>重排序（Re2G、monoT5）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>检索内容变换（FILCO 去噪、FiD-Light 压缩）\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>（3）生成增强\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>提示工程（LLMLingua 压缩、Stepback\u002FCoT 提示）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>解码调优（温度、词表约束）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>生成器微调（RETRO、LoRA 适配如 Animate-A-Story）\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>（4）结果增强\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n \u003Cli>输出改写\u002F重排（SARGAM、Ring、CBR-KBQA）\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>（5）管线增强\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>自适应检索\u003C\u002Fstrong>：判断要不要检索，不需要的时候跳过检索，减少开销；分为规则驱动（FLARE、SKR、Self-RAG）、模型驱动（Self‑RAG）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>迭代 RAG\u003C\u002Fstrong>：多轮 检索‑生成 循环，反复补全缺失知识，提升复杂任务性能\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n5. 跨模态应用综述\n\u003Cp>\u003Cimg alt=\"5. 跨模态应用综述\" src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F3719074\u002F202609\u002F3719074-20260910153622329-427046903.png?w=720&quality=65&strip=all\">\u003C\u002Fp>\n\u003Cp>论文用一张大表按 \u003Cstrong>模态 × 任务 × 所用范式 × 增强环节\u003C\u002Fstrong> 系统梳理了约 200 项工作：\u003C\u002Fp>\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>文本\u003C\u002Fstrong>：问答（REALM、FiD、RETRO、TOG、Atlas）、事实核验（CONCRETE）、常识推理（KG-BART）、人机对话（BlenderBot3、ConceptFlow）、机器翻译（kNN-MT、TRIME）、事件抽取、摘要（Unlimiformer、RPRR）等 7 类任务\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>代码\u003C\u002Fstrong>：代码生成（APICoder、DocPrompting）、代码摘要（Rencos、EditSum）、代码补全（ReACC、RepoCoder）、自动程序修复（InferFix、RAP-Gen）、Text-to-SQL（XRICL、SYNCHROMESH）等——代码领域特色是用 AST\u002F编辑距离检索、检索相似样例填提示词\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>知识\u003C\u002Fstrong>：知识库问答（ReTraCk、TIARA、CBR-KBQA）、知识增强开放域问答（UniK-QA、KG-FiD）、表格问答（EfficientQA、StructGPT）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>图像\u003C\u002Fstrong>：生成（RetrieveGAN、Re-Imagen、KNN-Diffusion、RDM）与描述（RA-Transformer、SmallCap、REVEAL）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>视频\u003C\u002Fstrong>：视频描述（R-ConvED、CARE、EgoInstructor）、视频问答对话（MA-DRNN、R2A）、故事生成（Animate-A-Story）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>音频\u003C\u002Fstrong>：Re-AudioLDM、Make-An-Audio、RECAP\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>3D\u003C\u002Fstrong>：ReMoDiffuse、AMD、RetDream（文生动作\u002F三维）\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>科学\u003C\u002Fstrong>：药物发现（RetMol、PromptDiff）、生物医学（PoET、Chat-Orthopedist、BIOREADER）、数学（LeanDojo 定理证明）\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>\n6. 评测基准\n\u003Ctable>\n \u003Cthead>\n  \u003Ctr>\n   \u003Cth>\u003C\u002Fth>\n   \u003Cth>\u003C\u002Fth>\n  \u003C\u002Ftr>\n \u003C\u002Fthead>\n \u003Ctbody>\n  \u003Ctr>\n   \u003Ctd>基准\u003C\u002Ftd>\n   \u003Ctd>评估维度\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n   \u003Ctd>Chen et al.\u003C\u002Ftd>\n   \u003Ctd>噪声鲁棒性、负例拒绝、信息整合、反事实鲁棒性\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n   \u003Ctd>RAGAS, ARES, TruLens\u003C\u002Ftd>\n   \u003Ctd>忠实度、答案相关性、上下文相关性\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n   \u003Ctd>CRUD-RAG\u003C\u002Ftd>\n   \u003Ctd>创建、读取、更新、删除\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n   \u003Ctd>MIRAGE\u003C\u002Ftd>\n   \u003Ctd>医学问答\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n   \u003Ctd>KILT\u003C\u002Ftd>\n   \u003Ctd>知识密集型任务\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n   \u003Ctd>CRAG, Multihop-RAG, Legalbench-RAG, OmniEval\u003C\u002Ftd>\n   \u003Ctd>多领域、多任务评估\u003C\u002Ftd>\n  \u003C\u002Ftr>\n \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>论文梳理了 5 个主流 RAG 基准：\u003Cstrong>RGB、CRUD-RAG\u003C\u002Fstrong>（中文综合基准）、\u003Cstrong>ARES\u003C\u002Fstrong>（自动化评估框架）、\u003Cstrong>RAGAS\u003C\u002Fstrong>（自动化评测）、\u003Cstrong>KILT\u003C\u002Fstrong>（知识密集型任务基准）。同时也指出基准建设仍不充分，尤其在非文本模态。\u003C\u002Fp>\n7. 局限性与未来方向\n\u003Cul>\n \u003Cli>\u003Cp>\u003Cstrong>长上下文 vs. RAG\u003C\u002Fstrong>：长上下文 LLM 的兴起对 RAG 构成挑战，二者如何结合（如用 RAG 选择真正需要的内容再送入长上下文）值得研究\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>鲁棒性\u003C\u002Fstrong>：检索噪声、错误信息、对抗性内容会误导生成，导致幻觉\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>效率与延迟\u003C\u002Fstrong>：检索、重排、迭代检索带来延迟、存储开销，不利于低延迟实时服务\u003C\u002Fp>\u003C\u002Fli>\n \u003Cli>\u003Cp>\u003Cstrong>检索器‑生成器鸿沟：\u003C\u002Fstrong>两者优化目标、隐空间不一致；联合训练和模块化之间存在取舍\u003C\u002Fp>\u003C\u002Fli>\n\u003C\u002Ful>","原文：https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FZ3355OEqzJBQvqXONxgO0g RAG往期文章推荐 RAG效果差？7个指标让你的准确率大幅提升 RAG评测完整指南：指标、测试和最佳实践 收藏！RAG核心工具大全: 7大解析工具+向量模型+数据库+检索排序 GraphRAG开源生态全景：6大主流开源项目，微软\u002F蚂蚁\u002F港大项目同台PK RAG系列：#5 RAG中的11种分块策略 企业级落地方案：Docker 部署 CodeGraph 多项目统一 MCP 网关，附源码 一文搞定Gerrit\u002FGitee\u002FGitHub MCP Server，实现开发全流程自动化 标题: Retrieval-Augmented Generation for AI-Generated Content: A Survey 链接：https:\u002F\u002Flink.springer.com\u002Fcontent\u002Fpdf\u002F10.1007\u002Fs41019-025-00335-5.pdf github: https:\u002F\u002Fgithub.com\u002Fhymie122\u002FRAG-Survey 这篇论文系统性地综述了检索增强生成（RAG）在AIGC中的应用，涵盖了RAG的基础范式、增强方法、跨模态应用、评估基准、局限性及未来方向。 1. 背景与动机 在算力、数据（高质量海量数据）和算法（从百万级到万亿级参数）三驾马车的驱动下，AIGC已在文本、代码、图像、视频等模态上取得巨大成功。但仍面临知识过时、长尾知识不足、训练推理成本高、数据泄露风险等问题。 RAG 的核心思想是把外部数据存储当作非参数化记忆：检索到的知识易于更新、能容纳大量长尾知识、可存放机密数据，同时还能减小模型规模、支持长上下文、加速推理。 不同于已有的综述论文只聚焦 LLM 文本场景的 query-based RAG，论文覆盖基础范式—增强技术—跨模态应用—评测基准—局限与展望全链条。 2. 预备知识 通用 RAG 架构（两个核心模块）：检索器接收查询并从数据存储中搜索相关信息，原始查询与检索结果通过某种增强方式送入生成器，生成器最终产出内容。 四类主流生成模型： Transformer：自注意力 + 前馈网络，每步做词表分类输出； LSTM：带门控机制的循环网络，缓解长程依赖的梯度问题； 扩散模型（Diffusion\u002FLDM）：先加噪再逆向去噪生成，适用于图像、音频、分子等； GAN：生成器与判别器对抗训练。 检索器分类： 稀疏检索：基于词项匹配统计（TF-IDF、BM25、查询似然），构建倒排索引； 稠密检索：用 BERT 类模型将查询和键编码为稠密向量（即 DPR， Dense Passage Retrieval），用余弦\u002F内积等度量相似度，训练时用对比学习 + 负样本，推理时用 ANN 索引（HNSW、DiskANN、SPANN 等）加速； 其他检索：编辑距离、代码 AST 距离、知识图谱 k 跳邻域搜索、命名实体识别（NER）等。 3. RAG 基础范式（全文核心分类） 按检索信息如何作用于生成器分为 4 大类： (1) Query-based RAG（查询增强） 原理：检索内容与原始查询拼接后直接作为生成器输入（提示词增强） 代表工作：REALM（双 BERT 架构）、Lewis et al.（DPR + BART）、REPLUG（把 LLM 当黑盒）、In-Context RALM；图像领域 RetrieveGAN、IC-GAN；3D 领域 RetDream 等 特点：模块化、即插即用、部署快，提示词设计是关键 (2) Latent Representation-based RAG（隐表征增强） 原理：检索结果编码为隐向量，在模型中间层（注意力、交叉注意力）融合 代表工作：FiD（每个检索段落独立编码、融合后由单一解码器生成）和 RETRO（分块交叉注意力 CCA 融合检索内容）；还有 Unlimiformer（Transformer 块内集成 kNN 突破上下文长度）等。图像领域用交叉注意力融合，3D 动作生成 ReMoDiffuse\u002FAMD，音频 Re-AudioLDM，视频字幕 R-ConvED\u002FCARE 等。 特点：适配面广、融合深，但需要额外训练对齐隐空间。 （3）Logit-based RAG（对数概率增强） 原理：在解码阶段，把检索得到的分布与模型原生 logit 做加权融合 代表工作：kNN-LM 及其变体、TRIME、NPM（用非参数数据分布替代 softmax，长尾场景效果显著）；代码领域 RECODE、kNN-TRANX，图像描述 MA 特点：适合序列生成，生成器与检索在概率层面解耦 （4）Speculative RAG（推测式增强） 原理：用检索直接替代部分生成步骤，节省资源、加速响应。 代表工作：REST（用检索替代投机解码中的小模型生成草稿）、GPTCache（语义缓存）、COG（把生成分解为\"复制粘贴\"操作）。 特点：主要适用于序列类数据 4. RAG 增强方法 论文把工程优化分成五大方向：输入增强、检索器增强、生成器增强、结果增强、全流水线增强 （1）输入增强 查询变换：HyDE、Query2doc 生成伪文档、复杂查询拆解子查询 数据增强：清洗、扩充知识库素材 （2）检索器增强 递归检索（ReACT、RATP 用 MCTS） 分块优化（small-to-big、RAPTOR 多层树） 检索器微调（REPLUG、SYNCHROMESH） 混合检索（稀疏+稠密，Rencos、CRAG） 重排序（Re2G、monoT5） 检索内容变换（FILCO 去噪、FiD-Light 压缩） （3）生成增强 提示工程（LLMLingua 压缩、Stepback\u002FCoT 提示） 解码调优（温度、词表约束） 生成器微调（RETRO、LoRA 适配如 Animate-A-Story） （4）结果增强 输出改写\u002F重排（SARGAM、Ring、CBR-KBQA） （5）管线增强 自适应检索：判断要不要检索，不需要的时候跳过检索，减少开销；分为规则驱动（FLARE、SKR、Self-RAG）、模型驱动（Self‑RAG） 迭代 RAG：多轮 检索‑生成 循环，反复补全缺失知识，提升复杂任务性能 5. 跨模态应用综述 论文用一张大表按 模态 × 任务 × 所用范式 × 增强环节 系统梳理了约 200 项工作： 文本：问答（REALM、FiD、RETRO、TOG、Atlas）、事实核验（CONCRETE）、常识推理（KG-BART）、人机对话（BlenderBot3、ConceptFlow）、机器翻译（kNN-MT、TRIME）、事件抽取、摘要（Unlimiformer、RPRR）等 7 类任务 代码：代码生成（APICoder、DocPrompting）、代码摘要（Rencos、EditSum）、代码补全（ReACC、RepoCoder）、自动程序修复（InferFix、RAP-Gen）、Text-to-SQL（XRICL、SYNCHROMESH）等——代码领域特色是用 AST\u002F编辑距离检索、检索相似样例填提示词 知识：知识库问答（ReTraCk、TIARA、CBR-KBQA）、知识增强开放域问答（UniK-QA、KG-FiD）、表格问答（EfficientQA、StructGPT） 图像：生成（RetrieveGAN、Re-Imagen、KNN-Diffusion、RDM）与描述（RA-Transformer、SmallCap、REVEAL） 视频：视频描述（R-ConvED、CARE、EgoInstructor）、视频问答对话（MA-DRNN、R2A）、故事生成（Animate-A-Story） 音频：Re-AudioLDM、Make-An-Audio、RECAP 3D：ReMoDiffuse、AMD、RetDream（文生动作\u002F三维） 科学：药物发现（RetMol、PromptDiff）、生物医学（PoET、Chat-Orthopedist、BIOREADER）、数学（LeanDojo 定理证明） 6. 评测基准 基准 评估维度 Chen et al. 噪声鲁棒性、负例拒绝、信息整合、反事实鲁棒性 RAGAS, ARES, TruLens 忠实度、答案相关性、上下文相关性 CRUD-RAG 创建、读取、更新、删除 MIRAGE 医学问答 KILT 知识密集型任务 CRAG, Multihop-RAG, Legalbench-RAG, OmniEval 多领域、多任务评估 论文梳理了 5 个主流 RAG 基准：RGB、CRUD-RAG（中文综合基准）、ARES（自动化评估框架）、RAGAS（自动化评测）、KILT（知识密集型任务基准）。同时也指出基准建设仍不充分，尤其在非文本模态。 7. 局限性与未来方向 长上下文 vs. RAG：长上下文 LLM 的兴起对 RAG 构成挑战，二者如何结合（如用 RAG 选择真正需要的内容再送入长上下文）值得研究 鲁棒性：检索噪声、错误信息、对抗性内容会误导生成，导致幻觉 效率与延迟：检索、重排、迭代检索带来延迟、存储开销，不利于低延迟实时服务 检索器‑生成器鸿沟：两者优化目标、隐空间不一致；联合训练和模块化之间存在取舍",3637,{"id":6,"kind":7,"title":11,"summary":13,"image":14,"href":16,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":38},"#2563eb","16 \u002F 10",[7,8],{"targetType":8,"targetId":9,"likedByMe":40,"likeCount":41,"commentCount":41,"contentLikeCount":41,"contentCommentCount":41,"sourceLikeCount":41,"sourceCommentCount":41},false,0,[43,52,58,64,73,80,86,93],{"id":44,"kind":7,"title":45,"summary":46,"image":47,"href":48,"meta":49,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":50},"NEWS_ARTICLE:927","HelloCrab - 短视频开源爬虫，仅供学习参考","HelloCrab 基于 Avalonia、Playwright、AI与 FFmpeg 的跨平台桌面采集器，支持9大平台，以及 Android、iOS、Browser 远程控制端。 Made By ChatGPT & Vincent with ❤ 平台 是否接入 哔哩哔哩 ✅ 抖音 ✅ 快手","https:\u002F\u002Fwww.cnblogs.com\u002Fhupo376787\u002Fp\u002FScreenshot\u002FWindows.jpg","\u002Fnews\u002F927","2026 · 软件开发",[51],"软件开发",{"id":53,"kind":7,"title":54,"summary":55,"image":15,"href":56,"meta":49,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":57},"NEWS_ARTICLE:929",".NET 异常处理的\"暗门\"：代码里写满 catch，你依然能抓住它——从一个 AI Agent 运行时的源码说起","一个健壮的系统，必然到处都是有意的 catch；异常被消化不等于问题不存在。 观测与韧性，是一个硬币的两面——降级逻辑保证系统不崩，FirstChance 保证你能看见它为什么降级。","\u002Fnews\u002F929",[51],{"id":59,"kind":7,"title":60,"summary":61,"image":15,"href":62,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":63},"NEWS_ARTICLE:928","架构师化繁为简，执行者化简为繁","新手改三天，你改三行——反而是你显得更不重要。因为化繁为简做得越纯熟，产出看起来越小。这篇聊聊两种能力的辩证关系，以及为什么'看不见'的那部分工作，恰恰是最难的部分。","\u002Fnews\u002F928",[7,8],{"id":65,"kind":7,"title":66,"summary":67,"image":68,"href":69,"meta":70,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":71},"NEWS_ARTICLE:930","基于 vLLM+Nginx 构建负载均衡推理集群","企业内部私有环境部署大模型推理集群时，很容易遇到流量调度混乱、节点负载失衡、会话上下文丢失、接口缺少鉴权防护等一系列问题，单 vLLM 推理节点难以支撑并发请求。本文基于 Ubuntu 22.04 系统环境，搭建 Nginx + vLLM-Semantic-Router + vLLM-Router","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F1379525\u002F202609\u002F1379525-20260910165534385-2022408098.png","\u002Fnews\u002F930","2026 · 人工智能",[72],"人工智能",{"id":74,"kind":7,"title":75,"summary":76,"image":77,"href":78,"meta":70,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":79},"NEWS_ARTICLE:932","2026年AI编程工具大全，33个主流工具一次看懂","事情是这样的，前两天看到一张图，是某个社区官网的「支持的工具」清单，我数了数，整整31个AI编程工具。 两年前这份清单撑死5个，现在直接31个，而且我居然每一个都认识。。。 干脆整理成一篇，顺手把最近字节的TraeWork和豆包工作也补了进来，凑成33个。 今天给大家推荐一遍，每个工具说说它是干什么","https:\u002F\u002Fimage.kjdaohang.com\u002Fimg\u002F20260909210838518.png","\u002Fnews\u002F932",[72],{"id":81,"kind":7,"title":82,"summary":83,"image":15,"href":84,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":85},"NEWS_ARTICLE:931","SH 中文化样例数据使用手册","在数据库演示与 PoC 场景中，Oracle 自带的 SH 示例模式虽然经典，但英文维度数据往往让国内演示效果打折扣。笔者整理了一套方案：保留 SH 标准英文对象名，同时装载中文化维度数据，并按参数生成可复现的销售历史数据，方便个人测试与概念验证。 01 | 环境准备 使用前请确认满足以下条件： O","\u002Fnews\u002F931",[7,8],{"id":87,"kind":7,"title":88,"summary":89,"image":90,"href":91,"meta":49,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":92},"NEWS_ARTICLE:933","写给 C++ 工程师的 OpenClaw.NET 上手指南：用你熟悉的 C++ 思维，跑起一个生产级 AI Agent","它像一个「基于 boost.asio + REST 端点的常驻服务」——对外是 HTTP \u002F WebSocket \u002F 各 IM 的 webhook，对内跑着一个能调工具、读写记忆、跨渠道对话的 AI Agent——只不过协程不用你手写 promise_type，内存不用你管 new\u002Fdelete。","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F510\u002F202609\u002F510-20260905070811424-1837144874.jpg","\u002Fnews\u002F933",[51],{"id":94,"kind":7,"title":95,"summary":96,"image":97,"href":98,"meta":70,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":99},"NEWS_ARTICLE:935","[Agent Memory \u002F 强化学习] MemPO源码学习笔记 ---（1）--- 总体","[Agent Memory \u002F 强化学习] MemPO源码学习笔记 （1） 总体 目录[Agent Memory \u002F 强化学习] MemPO源码学习笔记 （1） 总体0x00 概要0x01 基础 & 背景1.1 用RL训练记忆系统的要点1.2 主要难点1.3 主要思路1.4 RL训练方案1.","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F1850883\u002F202609\u002F1850883-20260906190854637-986949885.jpg","\u002Fnews\u002F935",[72]]