RAG综述：北大腾讯团队梳理四类基础范式

时间：2026年11月10日 地点：北京（北京大学与腾讯联合团队），论文发表于《Data Science and Engineering》2026年第11卷第1期 人物：论文作者为北京大学的 Penghao Zhao、Hailin Zhang、Qinhan Yu、Zhengren Wang、Yunteng Geng、Fangcheng Fu、Ling Yang、Wentao Zhang、Bin Cui，以及腾讯的 Jie Jiang；英文报道由 Scienmag 的 Blake Davidson 撰写，Bioengineer.org 同日发布详细解读 事件详情：题为 Retrieval-Augmented Generation for AI-Generated Content: A Survey 的综述，第一次尝试给 AIGC 场景下的检索增强生成（RAG）建立统一分类框架。核心做法是按「检索器如何增强生成器」把 RAG 的基础范式归为四类：query-based，把检索到的段落、代码片段或图像块直接拼进提示词，代表工作有 REALM、REPLUG；latent representation-based，把检索结果作为隐表示注入生成器中间层，如 Fusion-in-Decoder、RETRO、ReMoDiffuse、Re-AudioLDM、CARE；logit-based，在解码阶段把检索得到的概率分布与模型自身分布混合，如 kNN-LM、TRIME、NPM、EDITSUM、RECODE；speculative，用检索替代部分生成步骤，如 REST、GPTCache、COG。检索侧则分成稀疏检索（BM25、TF-IDF）、稠密检索（DPR，配合 HNSW、DiskANN、SPANN 等近似最近邻索引）和结构化检索（抽象语法树编辑距离、命名实体识别、图遍历）。综述还按增强目标把工程手段归为五类：输入增强（Query2doc、HyDE、RQ-RAG）、检索器增强（ReACT、RATP、LlamaIndex 分块、RAPTOR 层级聚类）、生成器增强（LLMLingua 提示压缩、InferFix、Synchromesh、LoRA）、结果增强（SARGAM、CBR-KBQA）和流水线增强（FLARE、Self-RAG、AdaptiveRAG、RepoCoder、ITER-RETGEN）。应用面覆盖文本、代码、图像、视频、音频、三维、知识图谱与科学计算，论文举出 RetrieveGAN、IC-GAN、KNN-Diffusion、Re-imagen、ReMoDiffuse、RetDream、RetMol、PromptDiff、BIOREADER、MedWriter、LeanDojo 等系统；评测基准则包括 RAGAS、ARES、TruLens、CRUD-RAG、KILT、Legalbench-rag 和 Omnieval。 背景：AIGC 的生成架构从 LSTM 转向 Transformer、从 GAN 转向潜在扩散模型，基础模型参数量也从最初的数百万增长到数十亿，但知识过时、长尾覆盖不足、训练数据泄露、幻觉以及高昂的训练与推理成本始终没有根治。综述把检索增强生成视为解法：在推理阶段挂上一个可动态更新的非参数记忆库，从数据存储中取回相关对象再交给生成器，从而在不反复重训基础参数的前提下提升事实准确性与上下文落地能力。这篇论文在 arXiv 上的编号是 2402.19473，2024年2月29日首次提交，2024年6月21日更新到第 6 版，共引用 353 篇文献、正文 22 页。 影响：对正在搭建 RAG 系统的工程团队，这篇综述的价值在于把分散在各模态的做法归到同一套抽象之下，选型时可以先确定自己需要哪一种增强范式，再决定用哪类检索器、拿哪套基准来衡量，而不必照抄某篇具体论文的流程。作者也点出几处现实约束：稠密向量压缩与近似最近邻搜索会引入检索噪声，递归检索和多阶段重排会带来明显的延迟与存储开销，检索器的表示与生成器的注意力机制之间存在语义鸿沟，上下文变长还会引发提示膨胀，需要靠 LLMLingua 这类压缩手段处理。作者认为下一步是 Agentic RAG，把静态线性流程换成带自主推理、动态规划、工具选择和迭代上下文修正的闭环。 总结：这篇综述由北京大学与腾讯团队联合完成，最核心的贡献是给出一套能横跨文本、代码、图像、视频、音频和三维场景的 RAG 基础分类，把「检索结果如何进入生成过程」这件事讲清楚。对只想了解 RAG 全貌的读者，它同时把增强方法、应用案例、评测基准、现存局限和未来方向列成一份清单，可当作搭建系统时的对照表。对想深入某个模态的从业者，论文配套的开源仓库按四类范式和五类增强整理了相关工作，可以直接当索引用。 常见问题： 问：检索增强生成（RAG）是什么？ 答：先检索再生成，检索器从数据存储取回对象交给生成器，补上知识过时、长尾覆盖不足、数据泄露和推理成本高的问题。 问：四类 RAG 基础范式怎么分的？ 答：按检索器如何增强生成器分：query-based 拼进提示词，latent representation-based 注入隐状态，logit-based 混合分布，speculative 替代生成步骤。 参考来源： Bioengineer.org 对该综述的详细报道（2026年11月10日） https://bioengineer.org/comprehensive-survey-maps-retrieval-methods-enhancing-multimodal-artificial-intelligence-generation/ Scienmag 原始报道（2026年11月10日） https://scienmag.com/comprehensive-survey-maps-retrieval-methods-enhancing-multimodal-artificial-intelligence-generation/ arXiv 论文页 2402.19473 https://arxiv.org/abs/2402.19473 alphaXiv 论文解读 https://www.alphaxiv.org/abs/2402.19473 腾讯云开发者社区中文解读 https://cloud.tencent.com.cn/developer/article/2395583 论文配套项目仓库 PKU-DAIR/RAG-Survey https://github.com/PKU-DAIR/RAG-Survey