RAG
检索增强生成（Retrieval-Augmented Generation，RAG）是一种结合信息检索与大语言模型生成能力的人工智能技术框架。其核心机制是在生成回答前，先从外部知识库中检索相关文档或片段，将其作为上下文输入模型，从而使模型能够利用最新或领域专属知识进行回答，有效缓解大语言模型的幻觉问题和知识截止局限性。
Core Facts
Timeline (last 90 days)
向量检索只能回答什么和什么相似，无法回答什么和什么相连、为什么相连、怎么连上的
RAG（检索增强生成）自2020年由Meta研究团队首次提出，其核心思想是在大模型推理前引入外部知识检索以缓解幻觉问题
共享知识系统需要在RAG基础上解决多写入源的知识融合、冲突检测以及跨角色权限管理等更复杂的问题
RAG的根本局限在于无论检索多精确，最终输出仍是文本
对于需要处理百页级长PDF或密集数据表的团队，应从单次RAG迁移到多步检索工具链的架构
Gemini的主动检索能力可类比为视频领域的RAG，涉及视频时刻检索和视频时序定位等技术
RAG（检索增强生成）架构的根本局限在于输出形式仍是文本，对于操作类问题存在文本回答与用户实际操作界面之间的认知鸿沟
向量检索只能回答什么和什么相似，无法回答什么和什么相连、为什么相连、怎么连上的问题，跨越多个实体做推理时会失效
与纯LLM方案相比，RAG显著降低了幻觉问题的发生率
标准向量RAG只能找到与查询语义相似的孤立片段，无法理解片段之间的关系
40 more timeline events
All Facts (20)
RAG（检索增强生成）架构由 Meta AI 研究团队在 2020 年提出
90%Verified混合检索（Hybrid Search）将向量检索与BM25关键词检索的结果通过RRF（倒数排名融合）等算法合并，兼顾语义理解与精确匹配
90%VerifiedRAG（检索增强生成）技术架构将文档切片、向量化、存入向量数据库，查询时先检索相关片段再交给模型生成回答
90%VerifiedRAG（检索增强生成）技术由Meta AI在2020年首次提出，旨在解决大语言模型的知识截止日期限制和幻觉问题
80%Verified检索增强生成（RAG）架构在模型生成响应前从外部知识库检索相关结构化数据，并将其作为上下文注入以产生更准确的答案
80%VerifiedLangChain是目前最流行的大模型应用开发框架，提供了链式调用、记忆管理、工具调用等抽象层
80%VerifiedRAG技术路线已从朴素RAG演进到高级RAG和模块化RAG
80%VerifiedRAG（检索增强生成）的核心思想是在大模型生成回答之前，先从外部知识库中检索相关文档片段作为上下文注入Prompt
80%VerifiedClaude Code通过智能索引和检索增强生成（RAG）技术动态加载相关文件到上下文中
80%VerifiedRAG的技术演进经历了三个阶段：Naive RAG、Advanced RAG和Modular RAG
80%VerifiedRAG（检索增强生成）是目前企业级AI应用中最主流的技术方案之一
80%VerifiedRAG的概念最早由Meta AI（原Facebook AI Research）在2020年的论文中正式提出
80%Verified长期记忆Agent通常基于RAG（检索增强生成）技术构建，通过向量数据库将信息转化为高维向量并持久化存储
80%VerifiedRAG解决了大语言模型的知识截止日期和幻觉两个根本缺陷
80%VerifiedCursor的核心技术是检索增强生成（RAG），通过对本地代码库建立向量索引来提供代码上下文
80%Verified检索增强生成（RAG）由Meta AI在2020年提出
80%VerifiedLlamaIndex专注于数据索引与检索场景，在RAG应用构建方面具有更精细的控制能力
80%VerifiedRAG（检索增强生成）是解决大模型幻觉问题和知识时效性问题的核心架构模式
80%VerifiedRAG机制从根本上缓解了LLM的幻觉问题，使回答基于真实知识库内容并给出可追溯来源
75%Verified检索增强生成（RAG）通过基于真实知识库内容回答来解决大模型的幻觉问题
75%