检索增强生成（RAG）自 2020 年Meta “DPR+T5”论文起，已从“外挂知识库”演进到“可编程、可解释、可审计”的复杂系统。然而，领域缺乏一份PRISMA 级的系统性综述来梳理：
通过5 大数据库、128 篇高被引文献、343 个数据集的系统筛选，给出技术地图 + 评估框架 + 未来路线。
一、研究方法：PRISMA 2020 流程图
图 1：文献筛选流程，共识别 4,721 条记录，最终纳入 128 篇高被引研究。
二、技术全景：从“一条检索链”到“多智能体系统”
| 阶段 | 关键创新 | 名称 |
|---|---|---|
| 检索前 | 结构感知分块（100→4000 tokens）、元数据增强、长检索单元 | Chunking |
| 检索中 | 混合检索（BM25+Dense+KG）、图遍历、动态触发 | Hybrid Retrieval |
| 检索后 | 重排序、上下文压缩、噪声注入、Token 预算 | Post Retrieval |
| 迭代控制 | FLARE、RIND、Self-RAG 反射 token | !Self-RAG |
| 记忆增强 | 用户级向量库、对话缓存、知识图谱 | Memory |
| 多智能体 | 工具链编排（RALLE、MEDRAG）、ReAct-Chain | Agentic |
| 效率压缩 | xRAG 单 token 表示、PipeRAG 流水调度 | Efficiency |
| 多模态 | MuRAG、Wiki-LLaVA，图像+文本同空间检索 | Multimodal |
128篇纳入的RAG论文按领域划分的研究特征：数据集、分块机制、检索机制、向量空间编码器和生成模型。
三、评估指标：从 EM 到 LLM-as-Judge
| 类别 | 代表指标 | 适用场景 |
|---|---|---|
| 检索 | Recall@k、MAP@k、Hit@K | 检索召回率 |
| 生成 | EM、F1、BLEU、ROUGE、BERTScore | 文本质量 |
| 幻觉 | Support、Hallucination Rate、RAGTruth | 事实一致性 |
| 人类 | 正确性、相关性、用户满意度 | 主观体验 |
| LLM-Judge | GPT-4 打分、G-EVAL、SelfCheckGPT | 可扩展评估 |
四、343个主流数据集
| 高频数据集 | 样本量 | 任务 | 引用次数 |
|---|---|---|---|
| Natural Questions (NQ) | 323k | 开放域 QA | 27 |
| HotPotQA | 113k | 多跳 QA | 26 |
| Wikipedia | 6M 文章 | 通用语料 | 19 |
| MS MARCO | 1M 段落 | 检索 + QA | 8 |
| StrategyQA | 2.8k | 隐式推理 | 8 |
包含的研究所使用的数据集概览。 该表概述了每个数据集的关键特征和来源，提供了对研究文章中所使用数据的总体了解。这一总结支持对RAG特定趋势和方法论的分析，展示了该研究领域中应用的数据集的多样性和范围。
“RAG 不再是检索 + 生成的简单拼接，而是一个需要资源调度、版本管理、安全治理的分布式操作系统。”
https://arxiv.org/pdf/2508.06401 A Systematic Literature Review of Retrieval-Augmented Generation: Techniques, Metrics, and Challenges如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
