检索增强生成技术已从简单的检索+生成演进为复杂的分布式操作系统。基于128篇高被引文献和343个数据集的系统性综述，揭示了RAG技术的全景图、评估框架和未来发展方向，为该领域的研究者提供了完整的技术路线图。
智能速览
RAG技术从2020年Meta的DPR+T5论文起快速发展
技术演进涵盖检索前、检索中、检索后、迭代控制、记忆增强等多个维度
多智能体系统和工具链编排成为最新发展方向
评估指标从传统EM扩展到LLM-as-Judge
研究涉及343个主流数据集，NQ和HotPotQA最常用
RAG正发展成为需要资源调度和安全治理的分布式系统
精华内容
通过对128篇核心文献的系统梳理，RAG技术的发展路径清晰可见，从最初的简单拼接到如今的多智能体协作，每一次技术突破都在推动着整个领域的前进。
技术演进路径
RAG技术的发展经历了四个主要阶段。检索前阶段实现了结构感知分块，token长度从100扩展到4000，并引入元数据增强技术。检索中阶段采用混合检索策略，结合BM25、稠密检索和知识图谱，实现更精准的信息获取。检索后阶段通过重排序、上下文压缩和噪声注入等技术优化生成质量。迭代控制阶段出现了FLARE、RIND、Self-RAG等创新方法，通过反射token机制提升系统性能。
核心技术创新
记忆增强技术通过用户级向量库、对话缓存和知识图谱，实现了长期信息保存和高效利用。多智能体系统代表了RAG的最新发展方向，工具链编排（如RALLE、MEDRAG）和ReAct-Chain等架构让系统能够自主规划和执行复杂任务。效率优化方面，xRAG的单token表示和PipeRAG的流水调度技术显著降低了计算开销。多模态RAG如MuRAG、Wiki-LLaVA实现了图像和文本的同空间检索。
评估体系完善
RAG评估指标已形成完整体系。检索层面采用Recall@k、MAP@k、Hit@K等指标衡量召回率。生成质量通过EM、F1、BLEU、ROUGE、BERTScore等多维度评估。事实一致性检测引入Support、Hallucination Rate、RAGTruth等专门指标。主观评估依赖人工正确性、相关性、用户满意度等反馈。最新的LLM-Judge框架利用GPT-4打分、G-EVAL、SelfCheckGPT等方法实现可扩展评估。
数据集分析
研究梳理了343个主流数据集的使用情况。Natural Questions（NQ）以32.3k样本量和27次引用成为开放域QA的首选。HotPotQA以113k样本量在多跳QA任务中占主导地位，获得26次引用。Wikipedia的6M文章为通用语料提供了丰富资源，被引用19次。MS MARCO的1M段落和QA数据在检索任务中表现突出，引用8次。StrategyQA虽然只有2.8k样本量，但在隐式推理任务中独具特色。
未来发展方向
RAG技术正向更复杂的分布式系统演进。资源调度、版本管理、安全治理成为系统设计的关键要素。多智能体协作和工具链编排将进一步提升系统的自主性和灵活性。多模态融合和跨模态理解是重要突破方向。评估体系需要更加完善，特别是在事实一致性检测和长程依赖评估方面。实际应用场景的拓展也将推动RAG技术的进一步发展。
这份系统性综述不仅梳理了RAG技术的发展脉络，更为研究者提供了清晰的技术路线图。随着技术从简单检索生成演进为复杂的分布式系统，RAG正在重新定义人机交互的边界。未来，如何平衡系统复杂性与实用性，如何建立更加完善的评估体系，仍是值得深入探索的方向。
