最近刚好在做手上 RAG 项目的年末总结，顺便整理了下外部的变化以及一些演化方向，写着写着发现挺适合拿出来分享的，遂整理下拿出来，顺便展开一些内容。欢迎各位点赞收藏，评论区交流指正~
01
RAG 相关新范式
1.1 动态检索（AgenticRAG）
主要是在检索侧做的改进：
AgenticRag
AgenticRAG 实际就是把向量数据库（知识库）作为 agent 的一个 tool，交由 agent 判断是否使用。
由 agent 自己决定检索什么，检索多少，以做到动态检索。
在此基础上还会增加横向扩展，比如多 retrieve agents 嵌套，通过多个检索 agent 给一个上级 agent 提供信息。相关的设计还有很多，单核心都是围绕“动态检索”这一思想进行设计的。
重点：解决传统 RAG 中的单来源、强制执行、一次交付的问题。
1.2 数据侧增强（PikeRag、GraphRAG）
主要是在存储侧做的改进：
GraphRag
PikeRag
GraphRag 两个方法：
- Local Search：局部检索在检索时依靠向量检索找到绝对实体，之后依靠 graph 在图中寻找它的相关关系，最后给大模型实体细节+关联实体细节+他们的关系。
- Global Search：全局检索在构建的时候通过聚类算法（Leiden 算法）将其聚类为不同社区，最后靠 LLM 给社区做描述；检索时如果是全局检索，则不去寻找实体而是寻找社区及其描述，将相关社区描述汇总作为上下文，主要解决概括性问题。
之前 GraphRag 出现的时候，有令人诟病的成本问题，后续更新了新版的 2.X，记得没错的话式更新了专门用的非 LLM 的实体抽取模型，应该在成本上有所缓解。
另外类似思想的，轻量级的还有 LightRag，也是不错的研究。
PIKE-RAG：主要是做了 atom_decompose 这一个方法，在数据 build 的时候，给每个数据做数据增强。
简单来说就是通过大模型给每一段进行标记，抽取实体和关系（类似 graphrag local search），同时依靠大模型生成相关的，同语义但不同表述的回答作为辅助。最终在检索侧的时候，提高召回率和精确率。
这两个代表性的框架本质都是在存储侧做了增强，且引入了类似图的结构。引入图是为了解决多跳问题，同时也能解决全局问题。
重点：在输入数据层面做增强，强调检索的“关系”和“视野”。
1.3 纯多模态（ColPail）
抛弃 OCR，视觉即索引：
ColPali
不再顺延传统的文字提取+embedding 的思路，而是直接在原始数据（图、pdf）数据上做处理，切成一个个小块，然后给小块生成视觉向量。
检索的时候，query 转为元 token，然后对每个词计算图的最大相似度，最后召回原始的文本（图）块，给 VLM 作为上下文。
这个方式缺陷和优点都太明显：
- 优点：多模态场景下最强，表格、图片统统不在话下。
- 缺陷：架构改变太大，虽然底层依旧是向量数据库，但是模型方面在线的生态一般。且这种元 token 切分的检索方式，中文上处理实际要比英文复杂。并且对输入的数据有了要求，如果业务上数据就是 txt、markdown 这种，无法直接处理。
重点：直接依靠图来进行整个 RAG 流程，天然多模态优势。
实际业界更多对于图片的处理方式主要还是：
- 靠 VLLM 转为描述，然后走正常文本召回，然后给出原始数据
- 结对，直接跟最近的（分布上最靠近，bbox）\最相关的（多模态向量模型）作为一对，召回其关联文本块的时候直接带回
1.4 长上下文（OP-RAG）
模型上下文越来越长，不再切分碎块。
这个不展开说了，简单说就是现在模型上下文越来越长，且不像之前那么容易注意力涣散了，召回的单元不再是之前那样特别碎的碎块了。
很多都是直接把全文 or 一个长片段返回过去，效果要比碎块好很多。检索的时候依靠类似父子索引可以很精确定位。
相关的工作有 OP-RAG，主要阐述了这么做的可行性和有效性。
重点：模型能力增强，碎块作为检索单元的必要性不再存在。
02
生态地位的演变
从 2023->2025 来看，RAG 技术总体的定位演化表现在：由保障大模型生成可靠性，解决幻觉的框架 -> agent 的 tool，作为上下文保障的一个不可缺少的工具。
核心的变动是：
- 由静态转向动态：由于模型核心能力的增强，不再需要每段话都必须被动检索，而是按需检索；由 agent 自己决定是否检索，检索多久，检索什么，而不是之前的强制流水线
- agent 长期记忆的核心：不再局限于文档知识库，而是作为 agent 的长期个性化记忆库
- 多模态势头：VLM 的能力增强和成本降低，使得 rag 场景也不再局限于文字模态
- 数据结构的堆叠与架构复杂性上升：越来越定制化的、不同的检索策略；引入知识图谱 or 其他手段，解决全局性问题
03
复杂检索策略
简单的混合检索（BM25+向量）目前看很多业务场景已经能满足需求，但一些场景在数据维度增多的情况下 or 检索方向的变化下，单一的检索策略已经不太能满足需求。
之前了解到一些外部项目已经给 rag 设定高度定制化的检索策略，比如对某个字段额外建立索引，在召回中额外作为一条通路并且有自己的计分标准。
再比如对原始数据构建索引的时候，不再是向量这种形式，还考虑bool这种简单的开关过滤。
另外也会结合意图识别来动态的在业务中选择不同的检索策略。
这里面 SR（重排）、QR（query 重写）就不再赘述了，也算是复杂检索策略的一环，现在关注的更底层了。
04
意图识别
实际上意图识别几乎成为了现在 rag 工业项目的标配。
具体表现为：在面临不同的 query 时选择什么样的检索策略和数据集。
这部分和 agent 的 tool call 有相似但有区别，具体可以区分类别为软硬路由，主要是容错率的不同。
另外这里根据具体的的需求，实际落地的部分不一定是一个意图识别的模型。
05
评测的重要性
除开以上的架构、算法角度的变动，实际业务角度上评测变得越来越重要，因为 RAG 参与的规模越来越大，评测就变成了不可或缺的一部分。
RAG 评测的核心目的是：
- 如何在上线前验证、证明 RAG 系统的有效性，并且知晓问题加以改进
- 以及在一些交付场景：如何证明你的系统是有效且可靠的
- 对于私域数据，还重点关注数据的安全性和敏感性
评测是推进业务闭环绝对的核心，只有建立正常的评测机制才能做到有效的及时的对架构、算法、数据本身进行改进改良，而非单纯的“业务需求”和“用户体验”。
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
)
)
