RAG

RAG（检索增强生成）是一种将外部信息检索与大语言模型生成能力结合的技术架构，核心流程分为检索、增强、生成三个环节：先通过搜索引擎找到与用户问题相关的文档片段，再将这些片段作为上下文输入模型，使其基于企业私有数据或特定领域知识作答，而非仅依赖预训练时的公开数据。线性资本的一篇文章将其演进划分为基础 RAG、高级 RAG 与模块化 RAG 三种范式，后者通过自适应检索、记忆存储与知识图谱等组件，支持多步骤复杂推理与迭代查询。

在企业应用层面，RAG 被视为解决大模型"幻觉"与私有数据理解短板的关键能力。云启资本在 2025 年 4 月的分析中指出，不同数据类型需差异化处理：结构化数据适合 Text-to-SQL 路径，非结构化数据则依赖 Embedding 向量化建立语义映射。Glean 创始人 Arvind Jain 在同期的访谈中强调，真正实用的企业 RAG 系统远不止矢量搜索原型，需要稳定的搜索排序能力与大规模多租户数据管理——"做一个出色的 AI 演示只需两小时，构建持续支持企业运作的系统则相当困难"。北航沙磊团队则提出了 Agentic RAG 的对抗优化方向，通过攻击者与生成者 Agent 的博弈迭代，提升生成器在噪声文档中的鲁棒性，在自然问题数据集上将分数提高了 31%。