原文：https://mp.weixin.qq.com/s/Z3355OEqzJBQvqXONxgO0g

**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](https://mp.weixin.qq.com/s/VV29xpdOMEkbz4iXmD_szg)
[RAG评测完整指南：指标、测试和最佳实践](https://mp.weixin.qq.com/s/am89yasxAvuYUToEAWNyTA)
[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](https://mp.weixin.qq.com/s/5XAWHqjZspU9xtC_CckV3w)
[GraphRAG开源生态全景：6大主流开源项目，微软/蚂蚁/港大项目同台PK](https://mp.weixin.qq.com/s/f8AZoxRMoXefedbnPzNBIQ)
[RAG系列：#5 RAG中的11种分块策略](https://mp.weixin.qq.com/s/Yax05qsVj1tXi77za8Wm2g)
[企业级落地方案：Docker 部署 CodeGraph 多项目统一 MCP 网关，附源码](https://mp.weixin.qq.com/s/9hZHi9F4Kscou8CaHhFNEg)
[一文搞定Gerrit/Gitee/GitHub MCP Server，实现开发全流程自动化](https://mp.weixin.qq.com/s/67AffPwDYEw4s4V7oSlrdQ)

标题: Retrieval-Augmented Generation for AI-Generated Content: A Survey
链接：https://link.springer.com/content/pdf/10.1007/s41019-025-00335-5.pdf
github: https://github.com/hymie122/RAG-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

![image](https://developer.qcloudimg.com/http-save/yehe-11939351/2b0f8989adf23e0a1ad07a813da78aac.png)
**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/LDM）**：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/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）

![image](https://developer.qcloudimg.com/http-save/yehe-11939351/578d356aab881ded256b216d9d2032a1.png)
**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/AMD，音频 Re-AudioLDM，视频字幕 R-ConvED/CARE 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

![image](https://developer.qcloudimg.com/http-save/yehe-11939351/d18dcb6bd693c6c0d434f8acde81303d.png)
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/CoT 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/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

![image](https://developer.qcloudimg.com/http-save/yehe-11939351/585df4e31628b72a7e135926357ae86c.png)
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/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/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

原文：https://mp.weixin.qq.com/s/Z3355OEqzJBQvqXONxgO0g

面向AIGC的检索增强生成综述

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。

人工智能

算法

后端

本文系统综述了检索增强生成（RAG）在AIGC领域的全貌，涵盖四大基础范式（查询、隐表征、对数概率、推测式增强）、五大工程优化方向、跨文本/代码/图像等多模态应用，以及评测基准与未来挑战，为研究者提供完整技术图谱。

机器翻译

数据存储

知识图谱

数据泄露

代码补全

扩散模型

数据库

2026上云采购 | AI焕新·智启新局

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

面向AIGC的检索增强生成综述-腾讯云开发者社区-腾讯云

面向AIGC的检索增强生成综述

面向AIGC的检索增强生成综述

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐