概念
也叫：Retrieval-Augmented Generation
检索增强生成技术
最近变化
2026-10-20 · 持续预训练使模型领域知识提升3倍（C3 AI案例中从11%到60%）
RAG 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
RAG Is Burning Money — I Built a Cost Control Layer to Fix It
Towards Data Science · 9.2 分
Enterprise Document Intelligence: A Series on Building RAG Brick by Brick, from Minimal to Corpus scale
Towards Data Science · 9.2 分
Most people use vector databases for chatbots and RAG pipelines. 𝗦𝗲𝗻𝗾𝗶 𝗔𝗜 𝘂𝘀𝗲𝘀 ...
Milvus(@milvusio) · 9.2 分
已收录 30 篇与「RAG」相关的 AI 资讯和分析。
RAG系统在生产中常因上下文过取、无缓存、无模型路由导致成本激增；作者构建成本控制层，通过语义缓存（98.5%命中率）、查询路由（81%请求转向低成本模型）与令牌预算熔断机制，在10,000请求/日下实现85.8%成本削减且质量不变。
入选理由：上下文过取使每查询平均多消耗350 tokens，10k请求/日造成$52.5/日浪费（按$0.015/1K tokens计）
企业级RAG系统应聚焦文档理解与业务逻辑，而非堆叠模型和框架。简单的Python脚本往往比复杂生产系统更有效。
入选理由：多数企业RAG部署效果不佳，因基础解析和检索质量差。
Senqi AI 使用 Milvus 向物理机器人注入长期语义记忆能力，解决真实世界任务中环境动态、任务无界、指令模糊和错误高成本等核心挑战。
入选理由：物理机器人Agent需实时重规划，因环境持续变化且任务无明确终点
RAG 技术并非万能，应根据文档结构和问题控制程度选择合适方法：模板化文档用正则表达式，客服对话需 LLM 判断语调，工程图纸必须使用视觉模型。
入选理由：模板化文档（如保险单、银行流水）适合用正则表达式提取字段，避免使用高成本的 RAG 流程。
RAG 不是机器学习，使用 ML 工具包解决的是错误问题。文章指出，尽管 RAG 看似类似 ML，但其核心是构建搜索系统而非训练模型，因此超参数调优、嵌入模型微调等 ML 方法无法解决 RAG 的真实故障，反而导致资源浪费和信任下降。
入选理由：RAG 解决的是确定性答案查找问题，而非预测未知结果，因此不能用 ML 方法优化。
Proxy-Pointer RAG 通过保留文档结构上下文，将知识图谱实体与关系匹配的计算成本降低 90% 以上，实现高效、低延迟的图谱入管，解决了大规模知识图谱的语义蔓延问题。
入选理由：Proxy-Pointer RAG 使用 Skeleton Tree 和 Breadcrumb Injection 技术，使向量检索能精准定位文档完整结构段，而非碎片化块。
研究发现，RAG系统中检索质量差是导致高流畅性幻觉（更自信但更错误）的主因，模型升级无法弥补检索缺陷。
入选理由：检索质量差是RAG输出退化的最主要预测指标，模型能力增强反而加剧幻觉可信度。
企业自研模型时，持续预训练和模型工厂构建比单一模型优化更重要。多家企业通过混合训练策略实现领域知识深度适配。
入选理由：持续预训练使模型领域知识提升3倍（C3 AI案例中从11%到60%）
DeepSeek 推出自研搜索 API，支持多语言及 SEO 优化，日均处理数亿次查询。
入选理由：DeepSeek 搜索 API 日均处理数亿次查询，支持多语言检索
词嵌入通过向量空间中的几何关系捕捉词语间的语义关联，是NLP中实现语义理解的关键技术。
入选理由：词嵌入将词语映射为向量，通过向量距离反映语义相似性
Uber通过四次架构演进，将法务红线Agent准确率提升至91%，合同审核时间下降20%+，实现AI与律师协同的法律审核系统。
入选理由：第二版引入指数衰减加权（半衰期365天）对抗策略漂移
AWS提出通过实时ACL验证解决RAG访问控制难题，确保AI生成内容符合企业权限策略。
入选理由：现有RAG方案依赖定期同步的ACL，存在权限过期风险
同步和异步代理执行模式各有优劣，选择需基于任务复杂度、延迟容忍度和基础设施需求，异步模式更适合长流程任务。
入选理由：同步模式受AWS API Gateway 29秒超时限制，复杂任务易导致连接中断。
DH2i与Red Hat合作，通过三个产品在Red Hat OpenShift上提供安全、弹性的AI解决方案，解决生产环境数据可用性与安全挑战。
入选理由：DxOperator自动化SQL Server高可用性，保障RAG应用持续运行
Jev模型凭借100倍于前沿LLM的性能优势，适合处理决策类任务而非生成任务，适用于模型路由、安全防护等9大场景。
入选理由：Jev模型性能是前沿LLM的100倍，适合处理实时决策任务
混合搜索结合BM25、SPLADE和dense embeddings在金融文档检索中展现优势，Qdrant通过47份SEC文件验证了不同方法的适用场景。
入选理由：BM25在精确关键词匹配上优于dense embeddings（SPLADE）
Jev在重排序任务中表现优于qwen3.7-text-rerank，但延迟和成本显著更高，适合离线场景而非实时RAG。
入选理由：Jev的nDCG@10提升0.0778，但延迟是qwen的10.2倍
JetBrains分享了构建RAG管道进行语义代码搜索的实践经验，涵盖解析、分块、向量化等关键步骤，揭示生产环境中的技术挑战与优化策略。
入选理由：代码解析与分块是RAG管道的基础，需处理多语言语法差异
下一代智能企业系统需结合混合检索、多代理系统与自适应学习，以解决RAG在复杂场景下的局限性。
入选理由：混合检索结合向量搜索和BM25，解决企业场景下的术语差异和精确匹配问题。
Gallup利用Amazon Bedrock构建AI助手，实现实时个性化职场指导，整合Claude模型与RAG技术，7天完成生产级部署。
入选理由：Amazon Bedrock Knowledge Bases实现RAG，确保回答基于验证研究
RAG系统的性能高度依赖嵌入模型质量，选择合适的嵌入模型是构建有效RAG系统的关键。
入选理由：嵌入模型决定RAG系统搜索准确性，错误嵌入会导致错误答案
AWS通过生成式AI重构支持运营，实现SOP自动化与SLA风险预测，提升效率30%以上。
入选理由：RAG技术使票务处理效率提升40%，缩短问题解决时间50%
企业级AI部署需权衡托管API与自托管模型，Red Hat提供集成解决方案。
入选理由：托管API降低运维成本但可能增加长期费用
Weaviate提出Late Interaction RAG方法，通过多向量模型直接解析PDF图表，解决传统RAG无法提取图表信息的缺陷。
入选理由：传统RAG处理PDF图表时，30%的查询会因图表信息缺失导致错误
MLPerf推出首个端到端RAG推理基准，覆盖向量数据库构建与多跳问答流程，揭示多模型协作优化空间。
入选理由：RAG系统需多模型协作，单模型基准无法衡量其迭代推理行为
编写有效代理指令的8个技巧，涵盖流程图设计、明确目标、工具整合等关键点。
入选理由：使用流程图工具（如Mermaid.js）可视化业务流程可提升团队协作效率
RAG架构的复杂性应在检索失败模式被验证后逐步引入，而非默认采用。传统检索方法在特定场景下表现优异，过度复杂化可能掩盖基础问题。
入选理由：优先评估基础检索子系统，再引入复杂技术如重排序或代理系统。
将FAQ作为RAG知识库可显著优化生成成本并提升检索效率，通过结构化设计实现解析简化与缓存复用。
入选理由：FAQ结构使RAG解析步骤复杂度降低70%
通过结合ColBERT重排序、二进制量化和句子级检索，Qdrant将RAG的token成本降低了67.1%。
入选理由：Qdrant的ColBERT重排序可减少67.1%的输入token
可靠代理式RAG需控制信息到达模型的方式，而非单纯优化提示词。Weaviate提出上下文工程的五大系统框架。
入选理由：查询增强需重构用户输入以提升检索精度
与「RAG」经常一起出现的 AI 术语。
💡 想追踪「RAG」的长期趋势？去 实体雷达 · RAG 查看详细分析和跨材料问答。
