检索增强生成（Retrieval Augmented Generation, RAG）已从一个相对简单的"检索-生成"范式，演变为一个包含众多专业技术的复杂生态系统。2025年的发展趋势表明，RAG 的重点在于通过更高级的智能、适应性和上下文感知能力，来增强其流水线中的每一个组成部分。
一、RAG 的演进历程
最初的 RAG 系统采用固定的流水线作业：切块 → 向量化 → TopK检索 → 生成。然而实际应用中暴露了诸多问题，促使研究者将更复杂的推理能力嵌入 RAG 的各个阶段。
2025年的演进可以概括为：
- Naive RAG：基础检索-生成两阶段
- Advanced RAG：引入查询重写、重排序、上下文压缩
- Self-RAG：系统评估自身中间步骤，动态调整策略
- Agentic RAG：LLM 作为主动参与组件，自主规划检索策略
二、现代 RAG 的核心挑战
1. 幻觉减少（Hallucination Reduction）
确保 LLM 忠实地利用检索到的上下文进行生成仍是核心目标。CiteFix 和 DRAG 等技术专门针对这一问题，通过强制引用检索文档来约束生成行为。
2. 知识陈旧性
RAG 提供了无需完全重训练 LLM 即可注入最新知识的机制，但知识库的时效性管理成为了新的挑战。
3. "Lost in the Middle" 问题
LLM 倾向于关注文档的开头和结尾而忽略中间内容。先进的分块、重排序和上下文压缩技术致力于解决这一问题。
三、先进的分块与嵌入策略
语义分块：基于嵌入向量的语义相似性对句子进行分组，创建上下文感知的分块，取代传统的固定大小分块方法。
文档结构感知分块：利用 Markdown 标题、章节、代码结构等确定分块边界，保留逻辑单元的完整性。
Agentic 分块：让 LLM 自身根据语义含义和内容结构来决定最佳分块方式，最具实验性但也最有前景。
四、鲁棒性 RAG：面向现实世界的设计
2025年 RAG 研究的一个重要趋势是"面向鲁棒性的设计"。研究者正推动 RAG 从在干净数据集上追求准确率，转向在噪声数据、对抗性攻击、信息冲突等复杂条件下保持可靠性。
代表性工作包括处理冲突信息的 Madam-RAG 和应对知识库投毒的 EcoSafeRAG。这种"防御性设计"对于企业采纳和高风险应用至关重要。
五、总结与展望
2025年的 RAG 正从简单的"检索-生成"管道演变为具备元学习能力的智能系统。未来的发展方向包括更强的自我适应能力、多模态检索集成以及更低的部署门槛。
评论