当前位置：首页 > news >正文

从检索到生成：RAG 如何重构大模型的知识边界？

news 来源：原创 2025/7/14 20:45:25

一、技术演进图谱说明

二、RAG 技术概述

（一）核心思想说明

（二）RAG 发展路径与研究范式

三、Naive RAG：最基础的检索增强生成范式

（一）Naive RAG 的标准流程

1. 索引（Indexing）

2. 检索（Retrieval）

3. 生成（Generation）

（二）Naive RAG 的问题与挑战

1. 检索阶段的问题

2. 生成阶段的问题

3. 增强整合的难点

（三）思考

四、Advanced RAG：应对基础范式局限的智能增强

（一）概念与特征

（二）Advanced RAG 定位

（三）典型优势与改进方向

五、Modular RAG：从“方法”向“平台”级演进

（一）核心理念与特点

（二）Modular RAG 结构布局

（三）实际优势与应用价值

（四）🔍 三阶段 RAG 模型对比表

六、🥊 RAG vs Fine-tuning：两种提升 LLM 能力的对比分析

（一）📚 方法概述

（二）🔍 举例说明

1. 适合 RAG 的场景

2. 适合微调的场景

（三）⚖️ 组合使用：互为补充的策略

（四）✅ 总结建议

七、总结与趋势展望

干货分享，感谢您的阅读！

随着大语言模型（LLM）在自然语言处理任务中表现出惊人的能力，基于 LLM 构建的智能问答系统、对话机器人、搜索引擎等应用迅速兴起。然而，在实际场景中，用户提出的问题往往涉及最新知识、专业文档或个性化上下文，这些信息可能并未出现在模型的预训练语料中，从而导致模型生成结果出现“幻觉”或过时内容，严重影响可用性与可信度。

面对这一关键痛点，Retrieval-Augmented Generation（RAG） 被提出，试图将信息检索与语言生成相结合：先基于用户查询检索相关文档，再将其与原始问题一同输入语言模型生成答案。RAG 不仅显著降低了幻觉率，还具备知识可更新、输出可追溯等优势，成为行业探索 LLM 实用化路径的重要方向。

随着技术演进，RAG 从最初的 Naive RAG（朴素式检索增强）逐步演变出更复杂的架构，如 Advanced RAG（增强模块协同）与 Modular RAG（平台化组件解耦）。每一阶段的演进，都是对模型幻觉、检索能力、上下文融合质量等问题的深度回应，也体现了从原型验证向工业级落地架构的转变。

本文将系统梳理 RAG 的三大演进阶段，剖析其核心思想、技术架构与实践挑战，并通过图示与对比，帮助读者全面理解 RAG 技术的发展脉络与未来趋势。

一、技术演进图谱说明

如下 RAG 技术树（Technology Tree）图，其概括了 RAG 的发展路径：

初期阶段：以 Transformer 结构为基础，主要是在预训练模型（PTM）中尝试引入外部知识，但手段较为简单。
中期阶段：ChatGPT 出现后，RAG 技术开始强调如何在推理过程中为 LLM 提供更有效的外部信息支持，开始大规模应用。
近期趋势：研究逐渐扩展至在语言模型的"微调阶段（fine-tuning）和预训练阶段（pre-training）"引入检索机制，追求更高程度的知识融合和生成效果提升。

这张技术树不仅展示了 RAG 的发展历程，还从三个关键阶段（预训练、微调、推理）展现了技术的演进轨迹。

二、RAG 技术概述

（一）核心思想说明

RAG（Retrieval-Augmented Generation）技术的核心思想是：通过引入外部知识库的信息，帮助大语言模型（LLM）回答其训练数据中未涉及的问题，尤其是在处理实时性强或专业性高的查询时，弥补其知识盲区。

我们可以用一个具体例子来说明 RAG 的作用：假设用户向 ChatGPT 询问某条最近的新闻，由于 ChatGPT 本身的知识仅限于其训练数据，它无法获知最新进展。这时，RAG 机制就介入，通过检索当前的相关新闻文章，将相关内容作为上下文和用户的问题一起输入给大模型，从而使其生成出更全面、更准确的回答。

（二）RAG 发展路径与研究范式

RAG 研究的发展经历了三个主要阶段：

Naive RAG（初代 RAG）：最基础的实现方式，通常只在模型推理阶段加入检索模块，直接将检索到的文档拼接到输入中。这种方式实现简单、成本较低，但在效果和稳定性方面存在明显短板。
Advanced RAG（增强型 RAG）：为克服初代 RAG 的局限性，研究者开始在多个方面进行改进，比如更智能的检索策略、更高质量的文本选择机制，甚至对生成阶段进行适配优化，提升整体效果。
Modular RAG（模块化 RAG）：发展到这一阶段，RAG 被设计为更加可组合、可配置的系统，各个模块（如检索器、过滤器、重排序器、生成器）之间协同工作，允许更灵活地适配不同任务需求，并提升系统的可解释性和扩展性。

尽管 RAG 技术相较于单纯的 LLM 能力有显著提升，也更加高效，但每种范式在实际应用中也面临不同的挑战。因此，后续的发展不断在追求更强性能的同时，也在探索更优架构与使用方式。

三、Naive RAG：最基础的检索增强生成范式

Naive RAG 是最早期、最直接的一种 RAG 实现方式，它随着 ChatGPT 等大语言模型的大规模应用而迅速流行起来。该范式的核心流程可以用“检索—阅读（Retrieve-Read）”框架来概括，整个过程分为三个主要阶段：索引、检索、生成，其代表性流程如图 2所示：

（一）Naive RAG 的标准流程

图中展示了 RAG 在问答场景中的典型应用流程，主要包括以下三个步骤：

1. 索引（Indexing）

首先对原始资料（如 PDF、HTML、Word、Markdown 等）进行解析和清洗。
将内容统一转为纯文本后，根据语言模型的上下文长度限制进行切分（chunking），形成若干段落块。
每个段落块被转化为向量（embedding），并存储到向量数据库中，为后续的语义检索做准备。

2. 检索（Retrieval）

用户输入查询问题后，系统使用与索引阶段相同的向量编码器，将问题转换为向量表示。
通过计算问题向量与数据库中段落块向量之间的语义相似度，选出前 K 个最相关的文本块。
这些检索结果将作为扩展上下文，用于辅助回答问题。

3. 生成（Generation）

将用户问题与检索到的段落内容拼接成一个完整提示词（prompt），输入大语言模型进行回答生成。
生成阶段的表现会因具体任务设定而异，有些情况下模型会综合使用自身知识与检索信息，有时则会限制只使用提供的文本。
若是多轮对话，还可将历史对话上下文一并加入，以保持交互的连贯性。

（二）Naive RAG 的问题与挑战

尽管 Naive RAG 实现简单、成本较低，并能在一定程度上提升大模型的回答准确性，但在实际应用中也暴露出不少问题：

1. 检索阶段的问题

召回不足：可能遗漏关键信息，导致生成阶段缺乏有效依据。
误召回：检索到不相关或干扰性段落，影响回答质量。
向量表示过于粗糙：不能充分捕捉上下文语义，影响精度。

2. 生成阶段的问题

幻觉现象（Hallucination）：模型可能生成与检索内容不符的信息，产生虚假回答。
回答偏离主题：当上下文不够相关时，输出容易跑题或失焦。
内容不当或偏见：可能带有不合适的表达，降低可信度。

3. 增强整合的难点

冗余：不同来源段落含义重复，生成内容出现重复表达。
风格不一致：不同片段之间写作风格、语气差异大，生成结果不够连贯。
信息整合困难：模型难以有效判断哪些段落更重要，或如何将多个片段有效融合。
简单拼接缺乏加工：生成模型有时过度依赖检索内容，结果变成对原文的“复制粘贴”，缺少进一步加工和总结。

此外，在复杂任务中，一次基于原始问题的检索可能无法覆盖所有关键信息，需要多轮迭代才能获取足够上下文。这也暴露出 Naive RAG 在应对复杂场景时的局限性。

（三）思考

Naive RAG 是构建 RAG 系统的基础形态，其“索引-检索-生成”三步流程为后续的高级和模块化 RAG 提供了原型框架。然而，随着对生成质量、稳定性和适配性的要求提升，它的诸多不足也促使研究者进一步探索更智能的改进方案。

接下来的 Advanced RAG 和 Modular RAG，正是在解决 Naive RAG 局限性的基础上演化而来的。

四、Advanced RAG：应对基础范式局限的智能增强

Advanced RAG 是在 Naive RAG 的基础上发展而来的一种更智能、结构更优化的检索增强生成方式。其提出的初衷，就是为了解决 Naive RAG 在检索精度、生成质量以及信息整合等方面存在的多项不足。

相比于简单的“Retrieve-Read”框架，Advanced RAG 更注重提升系统对查询意图的理解、多轮检索策略的设计，以及上下文融合的能力，目标是构建更稳健、更准确、更具实用性的 RAG 流程。

（一）概念与特征

Advanced RAG 引入了多个关键增强机制，使得模型能够更主动地适配复杂任务场景。相较于传统的“Retrieve-Read”流程，它在以下方面实现了进化：

查询重写（Query Reformulation）：用户初始问题可能存在歧义或信息不足，Advanced RAG 会利用语言模型对原始查询进行优化重写，提升检索精度。
多轮检索（Multi-stage Retrieval）：不再满足于单次 Top-K 相似度匹配，系统支持级联检索、重排序、跨步补全等方式，多角度提取相关信息。
上下文融合（Context Fusion）：在生成阶段引入信息整合模块，对多个检索片段进行聚合、去重、权重评估等处理，保障生成内容结构清晰、内容不冗余。
动态控制生成行为（Response Control）：根据不同任务目标，模型可设定只依赖检索信息、结合模型内知识，或引入对话上下文进行多轮响应。

（二）Advanced RAG 定位

从图中可以看出，Advanced RAG 相较 Naive RAG 拓展出了更多模块交互路径，体现其处理流程的复杂度与灵活性：

多个模块（如 Query Reformulator、Retriever、Context Selector）之间建立了非线性连接与反馈路径；
图中清晰标示了从单轮检索向多阶段协同增强结构的演化趋势；
Advanced RAG 模块密度增多，代表功能能力增强，推动整体问答效果从“依赖检索结果”向“融合多源上下文与语言模型知识”过渡。

该阶段的核心目标是：通过结构增强与控制能力，提升信息检索与生成过程的精度、稳定性与适应性。

（三）典型优势与改进方向

类别	Naive RAG	Advanced RAG 的改进
检索精度	单轮粗粒度匹配	引入查询重写 + 多轮检索机制
上下文结构	简单拼接	融合聚合、去重、重要性排序
响应内容	易产生幻觉与冗余	强化事实对齐与生成控制能力
多轮对话支持	弱	可整合历史上下文，支持多轮

通过上述优化，Advanced RAG 在搜索增强问答系统中显著提升了可用性与实用性，逐渐成为企业级落地的首选方案。

五、Modular RAG：从“方法”向“平台”级演进

随着 RAG 技术在真实应用场景中的逐渐落地，系统对可扩展性、可维护性、任务适配能力等提出了更高要求。这一背景下，Modular RAG（模块化 RAG） 作为 RAG 研究范式的最新阶段应运而生。它不仅延续了 Advanced RAG 的多轮增强思路，还进一步将各个组件进行解耦与模块化，实现更高的灵活性、可控性与可组合性。

（一）核心理念与特点

Modular RAG 的主要思想是将传统 RAG 系统中紧耦合的流程，重构为若干独立、可插拔的模块（Module），每个模块专注完成特定任务，如查询生成、检索排序、文档聚合、响应风格控制等。模块之间通过统一的接口协议协同工作，从而形成高度可配置与适配的生成系统。

其显著特点包括：

结构解耦：各环节（如 Query Reformulation、Retriever、Ranker、Fusion、Response Generator）均可独立部署、训练、优化，适配不同需求。
任务定制化能力强：开发者可以按需组合模块，打造适用于摘要生成、问答、对话等不同任务的专属 RAG 流程。
可观测与可调试性好：每个模块输入输出清晰、便于可视化追踪，有利于调优与问题定位。
支持多模型协同：不同模块可调用不同类型的语言模型、检索器或评估器，实现多模型融合、增强系统鲁棒性。

这种模块化架构，类似于搭建“乐高式”生成系统，让开发者能够灵活构建和调度最适合当前场景的 RAG 流程。

（二）Modular RAG 结构布局

Modular RAG 作为演化终点，展现了最复杂、最灵活的结构布局：

图中体现了各模块之间的高度并行、交错连接，打破了原有串行线性流程；
除了基础的 Indexer、Retriever、Generator 外，还引入了 Query Optimizer、Selector、Fusion、Evaluator 等多个中间环节；
整体呈现出一个可扩展的 DAG（有向无环图）结构，表明模块之间既有主流程连接，也支持分支协同与并行优化；
模块之间的边界清晰，可实现动态路由与任务切换，体现了系统的可组合性与智能调度能力。

图示反映出 Modular RAG 不再是单一流程上的“增强”，而是具备全局架构设计与调度能力的“生成框架”。

（三）实际优势与应用价值

维度	Advanced RAG	Modular RAG 的提升
系统结构	增强但仍是串行结构	完全模块化解耦，支持 DAG 式组合
任务泛化能力	适配部分场景	适用于任意复杂问答 / 对话 / 摘要
训练与调试	部分模块可单独训练	支持模块级迭代、快速调优
多模态支持	初步探索	模块级扩展支持图文多模态任务
商业部署	中等复杂度	高灵活性 + 易部署 + 易维护

Modular RAG 的提出，标志着 RAG 从“方法”向“平台”级演进。它不仅提升了信息检索增强生成系统的性能，更为构建通用智能助理、企业级问答引擎、多模态 AI 系统打下了坚实的架构基础。

（四）🔍 三阶段 RAG 模型对比表

对比维度	Naive RAG	Advanced RAG	Modular RAG
架构形式	简单线性流程（检索 → 生成）	增强型流水线（多轮检索 + rerank + 融合）	模块解耦结构，DAG 式自由组合
关键模块	Indexer、Retriever、Generator	加入 Query Reformulation、Reranker、Fusion 等增强组件	每个子任务独立模块化，如 Selector、Evaluator、Prompt Optimizer 等
查询处理能力	原始 Query 单轮检索	多轮 Query 优化与重写	支持多路径、多策略并行检索与融合
检索增强方式	Top-k 相似度排序	语义优化、重排序、动态融合	自定义检索策略与模块组合，灵活调度多模检索器
生成效果控制	靠 LLM 内部机制	提供更多上下文辅助生成	可引入控制模块限制风格、格式、可信度
优势	简洁、高效、易部署	性能显著提升、适配复杂任务	灵活可控、高扩展性、便于调试和演进
局限性	易检索错漏、幻觉严重	多组件协同复杂，调优成本上升	架构设计复杂、初始投入高
适用场景	简单问答、静态文档检索	多轮问答、企业搜索引擎	需要强适配性和可维护性的复杂应用（如多语言、多模态问答系统）
图示特征（图3）	三步直线流程	多组件串联增强流程	模块化分支结构，模块间连接灵活

六、🥊 RAG vs Fine-tuning：两种提升 LLM 能力的对比分析

在增强大型语言模型（LLMs）知识覆盖与任务适应性的实践中，Retrieval-Augmented Generation（RAG） 和 Fine-tuning（微调） 是两种主流手段。它们虽然目标相似，但方法截然不同，各有优势和适配场景。

（一）📚 方法概述

对比维度	RAG（检索增强生成）	Fine-tuning（微调）
核心思路	在生成前动态检索外部知识，实时构造上下文输入	在训练阶段通过监督学习调整模型内部参数
数据来源	外部知识库、数据库、网页、文档等	精选标注数据集（需涵盖目标任务知识）
模型调整方式	模型结构不变，知识更新靠检索数据更新	模型结构内部权重调整
知识更新	快速、灵活：更新数据即可	缓慢：需重新训练和部署
适配任务类型	长尾知识、时效性强、变化频繁的任务	高精度、重复性强的特定任务
成本与效率	成本低，迭代快	成本高，需GPU资源，训练周期长
可解释性	高：可追踪检索内容	低：参数黑箱，难以定位生成依据
偏差风险	取决于检索数据质量	容易继承训练数据的偏差或标注误差

（二）🔍 举例说明

1. 适合 RAG 的场景

问答系统需实时访问最新新闻资讯；
企业内部知识库接入，如员工手册、合规文档；
多模态/多源数据集成，如图文、网页、PDF 混合输入。

2. 适合微调的场景

客服机器人固定应答风格；
法律合同自动分析器；
医疗诊断报告生成器。

（三）⚖️ 组合使用：互为补充的策略

RAG 和微调并非非此即彼。许多系统采用 先微调后 RAG 或 RAG+LoRA 微调融合方案，实现效果和效率的双赢。例如：

对 LLM 做轻量微调（如 LoRA）强化任务能力；
再通过 RAG 动态接入更新文档或异构数据源；
输出结果既有上下文精度，又具备最新知识支持。

（四）✅ 总结建议

应用场景	优先策略
快速接入、频繁更新、实时回答	✅ 使用 RAG
特定格式要求、精准分类、风格控制	✅ 使用 Fine-tuning
有一定模板但内容依赖实时数据	✅ 结合两者使用

七、总结与趋势展望

回顾 RAG 技术的发展路径，我们可以看到其从早期的 Naive RAG 到 Advanced RAG，再到 Modular RAG，经历了从轻量集成到智能增强、再到模块平台化的逐步演进。

Naive RAG 适合中小型项目快速试验，优势是实现简单，缺点是检索与生成能力有限；
Advanced RAG 更适合对生成质量和用户交互要求较高的场景，通过增强结构提高生成效果；
Modular RAG 则为大规模、长期维护的系统提供了解耦架构，具备更强的适配性与工业可用性。

未来，随着多模态信息融合、Agent 规划与知识图谱集成等方向的发展，RAG 有望成为通用智能系统中不可或缺的组件。

八、📚 参考文献与延伸阅读（References & Further Reading）

Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.
Advances in Neural Information Processing Systems (NeurIPS), vol. 33, pp. 9459–9474.
📎 原始论文链接
Borgeaud, S. et al. (2022). Improving Language Models by Retrieving from Trillions of Tokens.
International Conference on Machine Learning (ICML), PMLR.
📎 论文地址
Arora, D. et al. (2023). GAR-Meets-RAG: A Paradigm for Zero-Shot Information Retrieval.
arXiv preprint arXiv:2310.20158.
📎 arXiv 链接
Gao, Y. et al. (2023). Retrieval-Augmented Generation for Large Language Models: A Survey.
Shanghai Research Institute for Intelligent Autonomous Systems & Fudan University.
📎 论文概览
Ouyang, L. et al. (2022). Training Language Models to Follow Instructions with Human Feedback (InstructGPT).
NeurIPS, vol. 35, pp. 27730–27744.
📎 arXiv 链接
Ma, X. et al. (2023). Query Rewriting for Retrieval-Augmented Large Language Models.
arXiv preprint arXiv:2305.14283.
📎 arXiv 链接
Ilin, I. (2023). Advanced RAG Techniques: An Illustrated Overview.
📎 在线文章
Izacard, G. & Grave, E. (2021). Leveraging Passage Retrieval with Generative Models for Open Domain Question Answering.
arXiv preprint arXiv:2007.01282.
📎 论文链接
Shi, P. et al. (2023). RAGAS: Evaluation of RAG Systems Using Factuality and Groundedness.
📎 GitHub & arXiv
Ram, O. et al. (2023). Modular RAG: Flexible and Interpretable Retrieval-Augmented Generation Systems.
📎 arXiv

一、技术演进图谱说明

二、RAG 技术概述

（一）核心思想说明

（二）RAG 发展路径与研究范式

三、Naive RAG：最基础的检索增强生成范式

（一）Naive RAG 的标准流程

1. 索引（Indexing）

2. 检索（Retrieval）

3. 生成（Generation）

（二）Naive RAG 的问题与挑战

1. 检索阶段的问题

2. 生成阶段的问题

3. 增强整合的难点

（三）思考

四、Advanced RAG：应对基础范式局限的智能增强

（一）概念与特征

（二）Advanced RAG 定位

（三）典型优势与改进方向

五、Modular RAG：从“方法”向“平台”级演进

（一）核心理念与特点

（二）Modular RAG 结构布局

（三）实际优势与应用价值

（四）🔍 三阶段 RAG 模型对比表

六、🥊 RAG vs Fine-tuning：两种提升 LLM 能力的对比分析

（一）📚 方法概述

（二）🔍 举例说明

1. 适合 RAG 的场景

2. 适合微调的场景

（三）⚖️ 组合使用：互为补充的策略

（四）✅ 总结建议

七、总结与趋势展望

八、📚 参考文献与延伸阅读（References & Further Reading）

相关文章：