检索增强生成（RAG）：争议、研究与技术演进一、核心原理：RAG是什么RAG（Retrieval-Augmented Generation，检索增强生成）是一种将信息检索与文本生成相结合的技术框架。其基本流程为：检索器从外部知识库中获取与用户查询相关的内容片段，生成器（通常是大语言模型，LLM）基于检索到的内容生成自然语言输出，从而确保生成内容既信息丰富，又具备高度的相关性和准确性。RAG的核心优势在于解决LLM的两大痛点：幻觉问题（生成与事实不符的内容）和知识滞后问题（无法获取训练截止日期之后的新信息）。通过在生成前引入外部知识作为“证据锚点”，RAG能有效提升回答的事实性和时效性。RAG的概念最早由Lewis等人在2020年的NeurIPS论文中正式提出，该工作表明生成模型（基于BART编码器-解码器）可以检索Wikipedia段落并将其融入回答，在开放域问答任务上达到了当时的最先进水平。二、当前领域的核心争议争议1：“RAG已死” vs “RAG正在进化”2025年，围绕RAG的最激烈争议来自Chroma创始人Jeff Huber抛出的“RAG已死，上下文工程当立”的论断，主张以上下文工程框架取代对“RAG”的狭义依赖。这一论调的背景是：长上下文窗口的崛起和Agent能力的进化，正在动摇RAG的核心地位。对此，RAG