在人工智能的浪潮中，大型语言模型（LLMs）以其卓越的多功能性和智能化水平，彻底改变了我们与信息互动的方式。然而，这些模型并非完美无缺，它们可能产生误导性的“幻觉”，依赖的信息可能过时，处理特定知识时效率不高，缺乏对专业领域的深入洞察，同时在推理能力上也有所欠缺。为了应对这些挑战，检索增强生成（Retrieval-Augmented Generation，RAG）技术应运而生，成为AI研究领域的一个激动人心的进展。
本篇综述将深入探讨RAG技术的核心范式、关键技术及未来发展趋势，为读者和实践者提供对这一前沿技术的全面和系统的认识。我们将阐述RAG如何通过从广泛的文档数据库中检索相关信息，并利用这些信息引导生成过程，从而显著提升内容的准确性和相关性。此外，本文还将探讨RAG技术的最新进展和面临的挑战，以及它如何帮助解决大型语言模型的短板问题。
论文原文：https://arxiv.org/abs/2312.10997 官方仓库：https://github.com/Tongji-KGLLM/RAG-Survey
在RAG模型的一个典型应用场景中，我们可以观察到其处理信息的高效能力。例如，当用户向聊天机器人ChatGPT提出有关OpenAI首席执行官Sam Altman在短时间内被解雇然后又被重新任命的事件时，由于ChatGPT的预训练数据没有包含这一最新动态，它无法提供答案。然而，RAG模型通过访问外部知识库，检索到与用户问题相关的最新新闻报道，有效地弥补了这一信息差距。这些报道被整合进原始问题中，形成一个详细的提示，使得ChatGPT能够结合这些最新信息，提供一个有根据且综合的回答。
RAG技术自2020年首次提出以来，便迅速成为研究领域的热点。其发展过程可以划分为几个显著的阶段，具体如图中所示。在最初的发展阶段，研究者们致力于探索如何将额外知识融入预训练模型中，以提升语言模型的综合能力。随着ChatGPT的推出，对大型模型进行深度上下文学习的兴趣显著增加，这为RAG技术的迅速发展注入了新的动力。
随着大型语言模型（LLMs）潜力的进一步挖掘，研究者们开始专注于提高模型的可控性，以适应不断变化的需求。RAG技术的研究逐渐转向增强模型的推理能力，并在微调过程中探索多种改进策略。特别是GPT-4的发布，标志着RAG技术进入了一个新的发展阶段。研究的重点转向了一种结合RAG和微调策略的新方法，并持续优化预训练方法，以实现更高效的知识整合和信息处理。
在 RAG 的技术发展过程中，我们从技术范式角度，将其总结成如下几个阶段：
朴素RAG（Naive RAG）
在前述案例中，我们见证了RAG的经典流程，通常称为朴素RAG。这一流程主要分为三个核心步骤：
1. 索引 — 将文档库分解为较短的片段（Chunks），并利用编码器创建向量索引。
2. 检索 — 根据问题与文档片段的相似度来检索相关的文档片段。
3. 生成 — 利用检索到的文档片段作为条件，生成对问题的回答。
进阶RAG（Advanced RAG）
朴素RAG在检索质量和生成响应的质量上面临一些挑战，并在增强过程中需要改进。为了解决这些问题，进阶RAG模型应运而生，它在索引、检索前和检索后阶段都进行了优化处理。通过更细致的数据清洗、文档结构设计和元数据添加，提高了文本的一致性、准确性和检索效率。在检索前阶段，可以通过问题重写、路由和扩展来减少问题与文档块之间的语义差异。在检索后阶段，可以通过重排序检索结果来避免“迷失在中间”的现象，或通过上下文筛选和压缩来缩短处理窗口。
模块化RAG（Modular RAG）
随着RAG技术的持续发展，出现了突破传统朴素RAG检索—生成框架的新技术。我们提出了模块化RAG的概念，它在结构上更为自由和灵活，集成了更多具体的功能模块，如查询搜索引擎、合并多个答案等。技术上，它融合了检索与微调、强化学习等方法。在流程设计上，对RAG的各个模块进行了精心设计和编排，形成了多样化的RAG模式。值得注意的是，模块化RAG并非凭空出现，而是在前两种范式的基础上继承和发展而来。进阶RAG是模块化RAG的一种特殊形式，而朴素RAG则是进阶RAG的一种特例。
RAG系统由三个关键组成部分构成："检索"、"增强"和"生成"，这三个词的首字母恰好对应RAG的缩写。构建一个高效的RAG系统，关键在于增强环节，它涉及到三个核心问题：应该检索什么内容？何时进行检索？以及如何利用检索到的内容？
检索增强的阶段：检索增强可以在预训练、微调和推理三个阶段实施，这影响着外部知识整合的深度，以及所需的计算资源。
检索增强的数据源：增强环节可以利用多种类型的数据，包括非结构化的文本数据，例如文本段落、短语或单词。同时，也可以使用结构化数据，如索引化的文档、三元组或子图。此外，还可以不依赖外部数据源，而是利用大型语言模型（LLMs）的内在能力，从模型生成的内容中进行检索。
检索增强的过程：最初，检索是一个单一的步骤。随着RAG技术的发展，出现了迭代检索、递归检索，以及由LLMs根据需要自行决定检索时机的自适应检索方法。这些方法使得检索过程更加灵活和高效。
除了RAG技术，大型语言模型（LLMs）的优化手段还包括提示工程（Prompt Engineering）和微调（Fine-tuning，简称FT）。这些方法各有其独特的优势和适用场景，它们在依赖外部知识以及模型调整需求上各有侧重。
RAG技术可以类比为给模型提供一本参考书，它通过定制化的信息检索来满足特定查询的需求。而微调则类似于学生通过不断学习来吸收和内化知识，更适合于模仿特定的结构、风格或格式。微调可以通过增强模型的基础知识、调整输出结果和教授模型执行复杂指令来提升性能和效率。不过，微调在整合新知识或快速适应新用例方面的能力相对较弱。
RAG和微调并非相互排斥，它们可以相互补充。将两者结合使用，可以发挥各自的优势，从而实现最佳的性能表现。通过这种方式，模型能够在保持知识更新的同时，也能够模仿和适应特定的输出要求。
RAG的评估方法涵盖了多种维度，主要聚焦于三个核心的质量评分：上下文相关性、答案的忠实度以及答案相关性。除此之外，评估还考察模型的四个关键能力：噪声鲁棒性、拒答能力、信息整合和反事实鲁棒性。这些评估标准综合了传统的量化指标和针对RAG特性的专门评估方法，尽管目前这些评估标准尚未完全统一。
在评估框架的构建上，我们可以看到RGB、RECALL等基准测试的存在，以及RAGAS、ARES、TruLens等自动化评估工具的应用，它们为全面评估RAG模型的性能提供了支持。这些工具和方法帮助我们从不同的角度衡量RAG模型的表现，包括评估的对象、所涉及的维度和具体的评估指标。通过这些综合的评估手段，我们能够更深入地理解RAG模型的性能，并探索其潜在的应用领域。
RAG技术的发展仍在持续进行中，未来研究的方向可以从以下三个方面进行展望：
1. AG的垂直优化
长下文长度：面对检索内容超出模型上下文窗口限制的问题，如何改进RAG以适应不受限制的上下文窗口？
鲁棒性：如何处理检索到的错误内容，以及如何增强模型对错误信息的过滤和验证能力？
与微调的协同：探索RAG与微调（FT）的结合方式，是采取串行、交替还是端到端的策略？
规模效应：研究RAG模型是否遵循规模法则（Scaling Law），以及在何种情况下可能出现逆规模法则现象。
LLM的角色扩展：探讨如何更深入地挖掘LLMs在RAG中的潜力，包括检索、生成和评估等不同角色。
程实践优化：研究如何降低大规模语料检索的延迟，并确保检索内容的安全性。
2. RAG的多模态拓展
探索将RAG技术应用于图像、音频、视频或代码等多模态数据的可能性，以增强单一模态任务的性能，并通过RAG理念实现多模态数据的融合。
3. RAG的生态系统构建
RAG技术的应用已经超越了问答系统，其影响力正在向推荐系统、信息抽取、报告生成等更广泛的领域扩展。
RAG技术栈正在迅速增长，市场上出现了更多针对性的RAG工具，如定制化工具以满足特定场景需求，简易化工具降低使用门槛，以及专业化工具面向生产环境。例如：用途定制化，满足更加聚焦场景的需求；使用简易化，进一步降低上手门槛的；功能专业化，逐渐面向生产环境。
这些研究方向不仅能够推动RAG技术的进一步发展，还可能为人工智能领域带来新的突破和应用场景。
