大模型进入无限上下文时代，但RAG技术并未过时。其价值正从静态信息补充转向动态知识获取工具。内容深入剖析了传统RAG的瓶颈，并展望了以Agentic RAG为核心的三大新方向，为理解AI技术演进提供了清晰路线图。
智能速览
无限上下文是理想化假设，现实工程中仍存在诸多挑战。
传统模块化RAG技术已成熟，继续优化的边际效益递减。
RAG研究前沿转向Agentic、Graph和多模态三个新方向。
Agentic RAG将检索能力“工具化”，实现了动态按需推理。
GraphRAG通过显式关系，支持更复杂的多跳推理任务。
多模态RAG扩展了知识边界，能处理图文等非结构化证据。
精华内容
RAG并未因无限上下文的出现而消亡，反而其定位和作用正发生深刻变革。它正从一个固定流程的技术方案，演变为智能体中动态调用的能力工具。
传统RAG的瓶颈
尽管“无限上下文”概念火热，但它目前仍是理想假设，在实际工程中面临着“lost in the middle”（信息迷失在中间）和“context rot”（上下文腐烂）等问题。
与此同时，传统的模块化RAG技术，即包含改写、检索、重排和生成等环节的固定流程，其工程化方案已高度成熟。在路由、检索、重排等环节的优化，可扩展性和智能增长的边际效益正在加速递减，继续投入的产出比降低。
核心：Agentic RAG
当前发展最快、势头最猛的是Agentic RAG，这与基座模型推理能力、Agent技术及强化学习（RL）训练的提升密切相关。
其核心区别在于动态性。它不再是遵循既定流程，而是将RAG能力“工具化”，让模型自主判断何时需要检索、检索的信息是否准确充分，以及是否与自身参数化知识冲突。以DeepResearch为代表的Agent，结合RL训练模型进行端到端的多轮搜索与推理迭代，标志着RAG从技术组件向内化于模型能力的转变。
两大补充方向
GraphRAG和多模态RAG则作为Agentic动态知识链路的有力补充。
GraphRAG将实体间的“关系”显式化，能够有效支持多跳推理和全局结构概括，适合处理复杂的逻辑关系问题。而多模态RAG则扩展了知识表达的边界，使Agent能够处理网页图表、PDF图片、表格等非文本信息，将它们作为证据源纳入推理过程，更贴近真实世界的应用场景。
RAG的价值在于其知识管理的组织能力，而非单纯的信息检索。随着模型能力增强，它正深度融入智能体架构，成为动态知识链路的关键。未来，RL驱动的自主性将如何进一步释放其潜力？
