0.前言

RAG是AIGC可靠性和準確性的一項關鍵技術。不過，RAG 也存在一些局限，如上下文處理、成本控制及面對超大數據集時的挑戰。

因此，過去一年里，業界出現了許多新方法，試圖彌補 RAG 的不足。

下面深入了解 2025 年RAG領域的一些最新動態。

1.RAG工作原理及其局限性

RAG是一種結合LLM與外部知識源的技術。具體做法是，把文檔或數據庫等外部知識源進行分塊、向量化處理，生成所謂的向量嵌入（vector embeddings），并存儲在向量數據庫或其他存儲系統中。當用戶輸入提示詞時，系統可以實時檢索這些數據，從而為 LLM 提供更準確、更新或更具上下文的信息。

雖然強大，但不少局限，如：

• 檢索效果大程度取決于數據本身質量和更新頻率
• 面對復雜查詢或超大數據集時，傳統的 RAG（有時也被稱為“原始 RAG”）容易出現信息混淆或檢索出的內容缺乏足夠的細膩度

2.校正型 RAG（Corrective RAG）

近年來非常受歡迎的一種新方法。

2.1 核心思想

在檢索過程中引入評估步驟，加入所謂的“自我反思”或“自我評分”機制。評估器會檢查檢索結果的準確性，如果達不到設定標準，系統就會重新檢索（有時還會擴展到網頁搜索）。這一機制通常由一個輕量級檢索評估器來實現，用來衡量檢索結果的相關性。

2.2 解決啥問題？

校正型 RAG 主要是為了應對檢索不準確的問題。例如，當數據集中存在語義相近的信息時，容易混淆，而加入評估步驟可以大大提高檢索結果的可靠性。

2.3 局限性

不過，校正型 RAG 也存在一些弊端。首先，引入評估環節不可避免地增加了延遲，因為需要額外的計算資源，可能會影響整體性能（尤其是在面向客戶的實時應用中）。其次，它會增加 AI 流水線的復雜性，降低團隊的開發效率，一旦出現問題，排查和修復也更困難。

此外，校正型 RAG 無法解決數據本身的問題——如果數據不準確、過時或分塊不合理，仍然會影響最終效果。

2.4 適用場景

如需在準確性和實時數據集成之間取得平衡，這是不錯選擇。

3.自我反思型 RAG（Self-RAG）

類似校正型RAG ，也引入“自我反思”機制，但走得更遠。除了評估檢索結果本身之外，自我反思型 RAG 還會在是否需要檢索以及如何檢索方面進行更深層次的反思，并能通過反復訓練不斷優化。

它采用三個模型協同工作：檢索器、評審器和生成器。通過這種“三位一體”的架構，自我反思型 RAG 可以生成所謂的“反思 token”。這些 token 讓語言模型在推理階段可以根據不同任務要求調整行為。

一句話，通過反饋循環不斷強化自己的檢索決策，最終提高整體性能。

3.1 解決啥問題？

和校正型 RAG 一樣，自我反思型 RAG 能有效提高檢索準確率。而且由于具備自我學習能力，隨著時間推移，表現還能不斷提升。

3.2 局限性

它的問題和校正型 RAG 類似，但也有自己的獨特挑戰。比如，自我反思機制有時會導致模型“想太多”，結果輸出的信息與實際數據并不吻合。

此外，訓練過程中用于反思的 token 可能會影響最終生成內容的質量或流暢度。因此，使用時需要根據實際需求權衡利弊。

3.3 適用場景

如果你需要模型具備較強的適應性，尤其是處理開放領域問題或復雜推理任務，自我反思型 RAG 是一個非常合適的選擇。

4.RAG 融合（RAG-fusion）

思路與校正型 RAG、自我反思型 RAG 不同。前兩者專注于“自我反思”，而 RAG-fusion 則是將多個檢索到的資源（如文檔、維基條目等）融合成一個批次，通過互惠排名融合（RRF）算法處理，擴展模型能夠檢索到的信息范圍和細節。

4.1 解決啥問題？

RAG-fusion 主要提升了模型處理復雜背景和細節問題的能力。它能讓模型給出更加連貫、詳細的回答，尤其是在面對困難或多層次提示時表現更好。

4.2 局限性

不過，RAG-fusion 會顯著增加 LLM 架構和流水線的復雜度（以及成本）。額外的步驟還可能引發性能下降等問題。

4.3 適用場景

如果你在客服等需要細致、連貫輸出的場景中工作，RAG-fusion 是非常值得考慮的方法。

5.快速圖譜 RAG（Fast GraphRAG）

Fast GraphRAG 是 GraphRAG 的開源實現。GraphRAG 并不是簡單地檢索數據塊，而是將數據抽取后構建成知識圖譜，使得 LLM 能夠像閱讀地圖一樣理解和檢索數據，提升了檢索的深度和細致程度。

Fast GraphRAG 在此基礎上引入了 PageRank（谷歌創始人 Larry Page 和 Sergey Brin 開發的算法），幫助系統更快速地找出知識圖譜中最相關的信息。

5.1 解決啥問題？

Fast GraphRAG 特別擅長處理數據理解和細膩度問題。利用知識圖譜，讓 AI 系統對數據有更豐富的“理解”。此外，它比傳統 RAG 更適合處理大規模動態數據集，能夠更好應對數據更新或變化。

而且，Fast GraphRAG 相比傳統 GraphRAG 成本更低、速度更快（據說能便宜 6 倍左右）。

5.2 局限性

不過，Fast GraphRAG 相比直接基于向量數據庫的 RAG 技術還是慢一些，而且系統復雜度更高，對于很多簡單場景來說，可能得不償失。

5.3 適用場景

如果你面對的是超大數據集，或者對檢索準確性要求極高，Fast GraphRAG 是一個非常值得考慮的選擇。

6.RAG的未來

上面提到的方法并不全面，目前還有很多新技術正在不斷涌現。

比如，有些團隊正在探索多模態 RAG，不僅檢索文本，還能處理圖像、表格、甚至音頻數據。

還有一種更徹底的替代方案叫緩存增強生成（Cache-augmented Generation），通過預加載數據到模型上下文窗口，省去了實時檢索步驟，提升模型響應速度。雖然這種方式未必能提高準確性和輸出質量，但對于提高效率很有幫助。

7.總結

可見，RAG 領域正在迅速發展。雖然生成式 AI 和大型語言模型常常成為媒體關注的焦點，但真正決定 AI 產品效果的，往往是檢索技術背后的創新和實驗。

當然，每種方法都有其優缺點，必須在復雜性、速度和成本之間權衡取舍。

最重要的是，根據你的具體應用場景明確需求，認真評估不同方案，做出理性、有效的選擇。

本文轉載自????JavaEdge????，作者：JavaEdge