ARKS：知识汤中的主动检索用于代码生成
内容提要
该文综述大型语言模型中的检索增强生成（RAG），归纳Naive、Advanced、Modular三种范式，梳理检索器、生成器与增强方法等核心组件及关键技术，介绍评估方法与自动评估框架，并从垂直优化、水平扩展及技术生态三方面展望未来方向，列举医疗、知识图谱等应用研究。
延伸解读
RAG 的三种范式：从简单到模块化
文章将 RAG 的发展归纳为 Naive、Advanced 和 Modular 三种范式。Naive RAG 是基础形态，直接检索后生成；Advanced RAG 在检索前后加入优化步骤；Modular RAG 则引入可灵活组合的模块。这一演进反映了 RAG 从简单拼接向系统化设计的转变，读者可据此判断不同方案的成熟度与适用场景。
评估 RAG 效果的关键维度
文章指出评估 RAG 需关注检索器、生成器及增强方法的有效性，并介绍了自动评估框架。这意味着仅看生成答案的质量不够，还需衡量检索内容的相关性与完整性。对于开发者，建立包含检索和生成两阶段的评估体系，比单一指标更能反映系统真实能力。
垂直优化与水平扩展：RAG 的未来方向
文章从垂直优化、水平可扩展性和技术生态三方面展望 RAG 的未来。垂直优化指针对特定领域深化检索与生成能力，水平扩展则强调跨任务、跨模态的通用性。这一框架提示读者，RAG 的发展不仅是模型迭代，更涉及工程架构与生态协同，需从系统视角规划技术路线。
RAG 在专业领域的落地挑战
文章列举了医疗、知识图谱等应用研究，如 HyKGE 用于医学复杂场景，以及 PDF 解析精度对专业问答的影响。这些案例表明，RAG 在垂直领域落地时，外部知识的质量与解析技术至关重要。读者应关注领域数据特性，而非仅依赖通用模型能力。
Q&A
RAG是什么？它主要解决大型语言模型的哪些问题？
RAG（检索增强生成）是指在LLMs回答问题之前从外部知识库中检索相关信息。它主要解决LLMs在实际应用中面临的幻觉、知识更新缓慢和答案透明度不足等挑战。
RAG有哪些主要范式？
RAG有三种主要范式：Naive RAG、Advanced RAG和Modular RAG。
RAG系统由哪些核心组件构成？
RAG系统由三个主要组成部分构成：检索器、生成器和增强方法。
如何评估RAG模型的有效性？
论文讨论了如何评估RAG模型的有效性，介绍了两种RAG的评估方法、重点指标和能力，以及最新的自动评估框架。
RAG未来的研究方向有哪些？
未来研究方向包括垂直优化、水平可扩展性以及RAG的技术堆栈和生态系统三个方面。
RAG在医疗领域有哪些应用？
RAG在医疗领域有应用，例如通过开发和评估一个专门针对医疗保健领域、特别关注术前医学的LLM-RAG流程，验证了其可行性。此外，知识图谱增强的假设知识图谱增强框架（HyKGE）整合LLMs和知识图谱，在医学领域中的复杂和困难场景中表现卓越。
